DOS - Berührungslose Detektion von menschlicher Haut anhand der Sauerstoffsättigung

Status:

abgeschlossen 10/2017

Zielsetzung:

In der fleischverarbeitenden Industrie kommt es immer wieder zu Schnittverletzungen an Knochenbandsägen. Aufgrund der Schwere von Sägeunfällen gehen diese (neben dem persönlichen Leid der Betroffenen) in der Regel mit einem großen ökonomischen Schaden einher. Ziel des hier vorliegenden Forschungsvorhabens ist die Entwicklung eines auf Reflexionsspektroskopie basierenden Verfahrens und einer darauf basierenden Sensorik, die die berührungslose Detektion menschlicher Haut und ihre Unterscheidung von totem tierischem Gewebe im Gefahrenbereich von Sägen erlaubt.

Aktivitäten/Methoden:

In früheren Forschungsprojekten wurden bildauswertende Verfahren und Verfahren, die auf Infrarotreflexion basierten, untersucht. Beide Methoden lieferten jedoch keine zuverlässige Trennung zwischen tierischem Gewebe und menschlicher Haut. In dem hier vorliegenden Forschungsprojekt wurde ein Ansatz untersucht, der auf der Reflexionsspektroskopie im Sichtbaren und im nahen Ultravioletten basiert. In einem ersten Schritt wurden umfangreiche Messungen der Reflexionsspektren durchgeführt, sowohl von menschlicher Haut (Fingerkuppe, Handrücken, Handinnenfläche, Unterarm) als auch von diversen Fleischsorten (Schweineoberschale, Schweinenacken, Schweinespeck, Schweineschwarte, Lammkotelett, Lammhachse, Rindfleisch, Kalbfleisch, Hähnchenbrust).

Fleisch und auch menschliche Haut enthalten eine Reihe von Chromophoren (lichtabsorbierende Moleküle), die zu unterschiedlichen Reflexionsspektren führen. Das für unsere Fragestellung wichtigste Chromophor ist das Melanin, da es in menschlicher Haut aber nicht in Fleisch vorkommt. Dies manifestiert sich in einem signifikanten Unterschied der Reflexionsspektren im nahen UV zwischen 300 und 400 nm.

Die Klassifikation der Spektren erfolgte mit klassischen Verfahren des maschinellen Lernens: Stützvektormethode (Support Vector Machine, SVM), Boosted Decision Trees, künstliche neuronale Netzwerke und Nächste-Nachbarn-Klassifikation (k-Nearest-Neighbor-Algorithmus). Mit Hilfe eines Trainings mit Datensätzen (Spektren), deren Zugehörigkeit zu den verschiedenen Klassen (in unserem Fall also die beiden Klassen "menschliche Haut" und "totes tierisches Gewebe") bekannt ist, wird ein Klassifikator, d.h. eine mathematische Entscheidungsfunktion abgeleitet, die in der Lage ist, neue Datensätze den jeweiligen Klassen zuzuordnen. Die besten Erkennungsraten wurden mit der Stützvektormethode (SVM) und mit künstlichen neuronalen Netzen erzielt.

Wird für das Training des maschinellen Lernverfahrens eine hinreichend große Zahl von Spektren verwendet, so erreicht der trainierte Klassifikator die erforderlichen niedrigen Fehlerraten (weniger als 10^-6 falsch positiver Ergebnisse). Darüber hinaus konnte gezeigt werden, dass man eine zuverlässige Trennung schon mit 9 oder mehr Wellenlängen erreichen kann. Neben der theoretischen Arbeit wurde auch ein Prototyp entwickelt. Als Detektionseinheit kam das Mikrospektrometer Hamamatsu zum Einsatz. Die Datenverarbeitung inklusive Klassifikation erfolgt auf dem Mikrocontroller Arduino 101. Die Besonderheit dieses Mikrocontrollers besteht darin, dass er einen zusätzlichen Chip mit speziellen Eigenschaften enthält: Dieser Chip (Intel Curie) ist ein sogenannter Neurochip. Auf ihm ist ein neuronales Netz in Form von dedizierter Hardware implementiert.

Ergebnisse:

Das Ziel des Forschungsvorhabens, mittels spektraler und zeitlich dynamischer Auswertung zuverlässig und kontaktlos menschliche Haut von totem tierischen Fleisch/ Gewebe zu unterscheiden, ist erreicht worden. Durch die umfassenden Untersuchungen zu geeigneten Klassifikatoren und Algorithmen ist gezeigt worden, dass sich die Spektren von menschlicher Haut und tierischem Fleisch/Gewebe sehr sicher unterscheiden lassen.

Der Einsatz eines kostengünstigen Mikrospektrometers zusammen mit einem Neuronalen Netzwerk machen das im Rahmen des Forschungsvorhabens entwickelte Verfahren so allgemein und variabel, dass es in vielen Bereichen zur Vermeidung von Unfällen an Sägen eingesetzt werden kann.

Stand: