KI-basierte Partikeltrennung in computertomografischen Bildern von Gesteinskörnungen

• Antragsteller: Professor Dr.-Ing. Wolfgang Breit
• Fachliche Zuordnung: Baustoffwissenschaften, Bauchemie, Bauphysik ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 558673683

Gesteinskörnungen sind ein wichtiger Bestandteil von Beton und zahlreichen anderen Baustoffen. Mit der Auswahl der Gesteinskörnung, ihrer Zusammensetzung, Größenverteilung und Form, werden auch die Eigenschaften der resultierenden Produkte maßgeblich beeinflusst. Um diese Einflüsse berücksichtigen zu können, ist eine Charakterisierung der Gesteinskörnungen nötig. Aktuell erfolgt diese normative Charakterisierung in der Regel über händische Verfahren, wie das Siebverfahren zur Bestimmung der Korngrößenverteilung und verschiedene Verfahren zur Bestimmung der Kornform. Andere, auch automatisierte Verfahren konnten sich bisher nicht durchsetzen. Ein alternatives Verfahren, dass sich zur Charakterisierung von Gesteinskörnungen anbietet, ist die Computertomographie (CT). Es wurde bereits nachgewiesen, dass mittels CT und 3D-Bildanalyse morphologische Charakteristika der Gesteinskörnung erfasst werden können, die direkten Einfluss auf die resultierenden Frisch- und Festwerkstoffeigenschaften mineralischer Produkte haben. Praktikabel ist die Charakterisierung via CT und Analyse der resultierenden 3D-Bilder jedoch nur, wenn die Kornformcharakteristika der einzelnen Körner auch innerhalb einer Probe mit vielen Gesteinskörnern als Schüttung korrekt bestimmt werden können. Dazu ist es nötig, die einzelnen Partikel bildanalytisch voneinander zu trennen, was jedoch durch die große Variationsvielfalt in Form und Größe erschwert wird. Die klassische Partikeltrennung mithilfe der Wasserscheidentransformation auf dem invertierten Distanzbild leidet unter Übersegmentierung. Die adaptive h-Extrema-Transformation kann diese weitgehend verhindern, ihre korrekte Anwendung und Parametrierung benötigt jedoch Expertenwissen. Zudem treten dennoch zu viele Fehlsegmentierungen auf, die aufwändig manuell nachbearbeitet werden müssen. Im Rahmen von Vorarbeiten wurden deshalb Random Forests trainiert, die anhand der Kenngrößen von Tripeln - bestehend aus zwei Körnern/Fragmenten und der sie trennenden Wasserscheide - Übersegmentierungen automatisch detektieren. So konnten bereits 27 Datensätze von unterschiedlichen Gesteinskörnungen, inklusive feiner Sande und rezyklierter Materialien korrekt segmentiert werden. Aktuell erfordert dies jedoch noch die Kombination mehrerer Software-Werkzeuge und die Wahl eines trainierten Random Forests. Ziel des geplanten Vorhabens ist es daher eine prototypische Softwarelösung und eine entsprechende Verfahrensvorschrift zu entwickeln, die das Verfahren potenziell für die industrielle Praxis nutzbar machen.

• DFG-Verfahren: Sachbeihilfen (Transferprojekt)
• Anwendungspartner: Basalt-Actien-Gesellschaft (BAG); Südwestdeutsche Hartsteinwerke
• Kooperationspartnerin: Dr. Katja Schladitz