TY - THES

T1 - Berührungslose Korngrößenverteilungserkennung im mobilen Brecherbetrieb

AU - Hinterreiter, Christian

N1 - gesperrt bis 23-07-2027

PY - 2024

Y1 - 2024

N2 - Mobile Brechanlangen produzieren je nach verwendeten Einstellungen der Brechwerkzeuge unterschiedliche Korngrößenverteilungen. Um einen prozessoptimierten und qualitäts-gesicherten Betrieb dieser zu ermöglichen, ist eine berührungslose Erkennung der Korngrößenverteilung des produzierten Korngemisches vonnöten. Da bis dato keine Systeme für mobile Anlagen existieren, beinhaltet diese Arbeit eine Recherche über verschiedene Bilderfassungssysteme, welche dem Stand der Technik entsprechen. Auf Grundlage dieser Wissensbasis wurde für die Firma RUBBLE MASTER HMH GmbH in Kooperation mit dem Software Competence Center Hagenberg ein Prototyp entwickelt, welcher in der Lage ist, die Korngrößenverteilung einer Monoschicht auf einem Förderband einer mobilen Brechanlage in Echtzeit zu bestimmen. Als Erfassungshardware dient die Stereokamera Intel RealSense D435. Für die softwareseitige Auswertung der Tiefendaten wurden eine Methode laut dem Stand der Technik basierend auf klassische Bildverarbeitung sowie eine von Grund auf neue Methode basierend auf Deep Learning in Kooperation mit dem Software Competence Center Hagenberg entwickelt. Evaluierungen beider Methoden zeigen auf, dass die klassische Bildverarbeitung bei Einzelsteinen genauere Klassifikationen ermöglicht als das neuronale Netz. Werden jedoch Kollektive von Steinen betrachtet, klassifiziert das neuronale Netz bei sich teilweise und vollständig berührenden Steinen genauer als die klassische Bildverarbeitung. Insgesamt erreicht bei monoschichtigen Schüttungen bezogen auf die Siebdurchgangskurve die klassische Bilderverarbeitung einen Root Mean Square Error von 0,138 und die Methode mittels neuronalen Netzes einen Wert von 0,093.

AB - Mobile Brechanlangen produzieren je nach verwendeten Einstellungen der Brechwerkzeuge unterschiedliche Korngrößenverteilungen. Um einen prozessoptimierten und qualitäts-gesicherten Betrieb dieser zu ermöglichen, ist eine berührungslose Erkennung der Korngrößenverteilung des produzierten Korngemisches vonnöten. Da bis dato keine Systeme für mobile Anlagen existieren, beinhaltet diese Arbeit eine Recherche über verschiedene Bilderfassungssysteme, welche dem Stand der Technik entsprechen. Auf Grundlage dieser Wissensbasis wurde für die Firma RUBBLE MASTER HMH GmbH in Kooperation mit dem Software Competence Center Hagenberg ein Prototyp entwickelt, welcher in der Lage ist, die Korngrößenverteilung einer Monoschicht auf einem Förderband einer mobilen Brechanlage in Echtzeit zu bestimmen. Als Erfassungshardware dient die Stereokamera Intel RealSense D435. Für die softwareseitige Auswertung der Tiefendaten wurden eine Methode laut dem Stand der Technik basierend auf klassische Bildverarbeitung sowie eine von Grund auf neue Methode basierend auf Deep Learning in Kooperation mit dem Software Competence Center Hagenberg entwickelt. Evaluierungen beider Methoden zeigen auf, dass die klassische Bildverarbeitung bei Einzelsteinen genauere Klassifikationen ermöglicht als das neuronale Netz. Werden jedoch Kollektive von Steinen betrachtet, klassifiziert das neuronale Netz bei sich teilweise und vollständig berührenden Steinen genauer als die klassische Bildverarbeitung. Insgesamt erreicht bei monoschichtigen Schüttungen bezogen auf die Siebdurchgangskurve die klassische Bilderverarbeitung einen Root Mean Square Error von 0,138 und die Methode mittels neuronalen Netzes einen Wert von 0,093.

KW - Particle Size Distribution

KW - Watershed Segmentation

KW - Computer Vision

KW - 3D Camera Systems

KW - mobile crushers

KW - Rubble Master

KW - Intel RealSense

KW - Deep Learning

KW - Stereo Vision

KW - Korngrößenverteilung

KW - Watershed Segmentierung

KW - Computer Vision

KW - 3D Kamera Systeme

KW - mobile Brechanlagen

KW - Rubble Master

KW - Intel RealSense

KW - Deep Learning

KW - Stereo Vision

U2 - 10.34901/mul.pub.2024.248

DO - 10.34901/mul.pub.2024.248

M3 - Masterarbeit

ER -