Die Form entscheidet – KI-basierte Partikeltrennung in computertomografischen Bildern von Gesteinskörnungen

CT als neuer Standard in der Charakterisierung

Ein alternatives Verfahren ist die Computertomografie (CT). Im Projekt erfassen wir mit Computertomografie die Gesteinskörnungen dreidimensional. In der 3D-Bildanalyse erkennen wir dann Formmerkmale, die sich direkt auf die Eigenschaften der Frisch- und Feststoffe auswirken. Damit öffnen wir neue Wege zu objektiver, digitaler Qualitätskontrolle.

Praktikabel ist diese Charakterisierung via CT und Analyse der resultierenden 3D-Bilder aber nur, wenn die Eigenschaften der einzelnen Körner auch innerhalb einer Probe mit vielen Gesteinskörnern als Schüttung korrekt bestimmt werden. Dazu ist es nötig, die einzelnen Partikel bildanalytisch voneinander zu trennen. Die Vielfalt der unterschiedlichen Formen und Größen erschweren diesen Schritt – klassische Verfahren wie die Wasserscheidentransformation führen aktuell oft zu Übersegmentierung. Adaptive Verfahren, wie h-Extrema-Transformation, mindern das Problem, verlangen aber in der Anwendung viel Wissen von Expertinnen und Experten. Zudem treten dabei meist zu viele Fehlsegmentierungen auf, die aufwändig manuell nachbearbeitet werden müssen.

Digitale Detektive für Körner: Künstliche Intelligenz trennt Partikel ohne manuelle Korrektur

In unseren Vorarbeiten trainieren wir »Random Forests«, die Übersegmentierungen automatisch anhand von sogenannten »Tripeln« erkennen. Was heißt das? Die Tripel bestehen aus zwei Körnern/Fragmenten und der sie trennenden Wasserscheide. Für jede solche Dreier-Kombination berechnen wir Merkmale (z. B. Form, Kontaktfläche, Abstände).

»Random Forests« sind Algorithmen im Maschinellen Lernen, die mehrere Entscheidungsbäume miteinander kombinieren, um beispielsweise die Genauigkeit einer Aussage zu erhöhen. Mit diesen lernbasierten Modellen erkennen wir, wann ein Korn in der CT-Analyse fälschlich in zu viele Teilstücke zerlegt wurde (Übersegmentierung) und korrigieren diese Fehler.

So segmentieren wir bereits 27 Datensätze – von feinen Sanden bis zu rezyklierten Materialien – korrekt und reproduzierbar. In der Umsetzung sind dafür aber noch mehrere Software-Tools im Einsatz, und die passenden Modelle werden bislang manuell ausgewählt.

Unser Ziel: Softwaretool einsetzbar in der Industrie

Wir entwickeln im Projekt eine prototypische Software und eine klare Verfahrensvorschrift und bringen die KI-basierte Kornsegmentierung in die industrielle Praxis.

Die entwickelte Methode eröffnet zudem Potenziale über die Baustoffindustrie hinaus: In Partikelschüttungen der Lebensmittel- und Futterindustrie (z. B. Kaffeebohnen, Reis, Sonnenblumenkerne), in der Medizintechnik zur Überwachung von Filterprozessen sowie in der Rohstoffindustrie bei Erzen, Kohle, Ton oder Streusalz könnte sie die Produktionsüberwachung und Qualitätssicherung unterstützen.

Unsere Projekt-Partner:

• Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU), Fachgebiet »Werkstoffe im Bauwesen«
• Basalt AG, Basalt-Actien-Gesellschaft (BAG)

Das Fachgebiet »Werkstoffe im Bauwesen« der RPTU Kaiserslautern verbindet unsere KI-Expertise mit langjähriger Material- und Baustoffforschung und sorgt dafür, dass unsere Algorithmen an echten Baustoffdaten getestet und bewertet werden. Gleichzeitig arbeiten wir eng mit der Basalt AG und ihrer BVG (Baustoff-Vertriebs-Gesellschaft) zusammen, einem erfahrenen Baustoffproduzenten und Lieferanten für Gesteinskörnungen, Asphalt und Natursteine, der unsere Ansätze mit praxisrelevanten Materialien, Branchenwissen und industriellen Anforderungen untermauert.

Laufzeit und Förderung

Die Deutsche Forschungsgemeinschaft (DFG) und die Fraunhofer-Gesellschaft fördern trilaterale Projekte wie »KIBi«, um Lücken zwischen Grundlagenforschung und Anwendung zu schließen. Das Projekt ist auf drei Jahre angelegt (2025 bis 2028).