Forschung für den Mittelstand - Die IGF-Projektdatenbank

Künstliche Intelligenz zur automatisierten, fälschungsresistenten Bestimmung von Tierhaaren

Textilien aus edlen Tierhaaren sind sehr hochpreisig und oftmals von Fälschungen betroffen, da es bisher keine Methode gibt, um Tierhaare objektiv und auch nach chemischen Behandlungen einwandfrei zu identifizieren. Deshalb soll eine Standardmethode zur fälschungsresistenten Identifikation von Tierhaaren basierend auf der automatisierten Analyse von licht- oder rasterelektronen-mikroskopischen (REM) Bildern entwickelt werden. Eine Toolbox extrahiert, basierend auf bestehenden Tierhaardefinitionen, die Parameter zur Identifikation des Tierhaartyps und prüft ihre Eignung mittels Machine Learning. Diesem Ansatz wird ein Deep Learning Verfahren gegenübergestellt, welches nicht die explizite Extraktion der genannten Merkmale aus den Bildern benötigt. Nutzer sind mittelständisch geprägte Betriebe im Bereich Garn-, Strick- und Gewebeherstellung, Veredlung, Konfektion und Handel, die in hochwertige und -preisige Woll- und Kaschmir-Textilien aus den Sparten Mode, Bekleidung und Heimtextilien involviert sind. Durch eine erfolgreiche, fälschungsresistente Tierhaaridentifikation werden Fälschungen aufgedeckt und dadurch in Zukunft seltener. Damit verbundene Imageverluste und nachgelagerte Kosten bei erst rückwirkender Fälschungserkennung können vermieden werden. Die Bearbeitung des Vorhabens erfolgt in enger Zusammenarbeit mit Verbänden und Betrieben aus diesen Branchen.

Ergebniszusammenfassung:

Das vorliegende Forschungsvorhaben zielte auf die Entwicklung einer Standardmethode zur fälschungsresistenten Identifikation von Tierhaaren basierend auf der automatisierten Analyse von licht- oder rasterelektronen-mikroskopischen (REM) Bildern.

Der Schwerpunkt des Vorhabens lag in der Entwicklung einer Toolbox, die basierend auf bestehenden Tierhaardefinitionen die Parameter zur Identifikation des Tierhaartyps extrahierte und ihre Eignung mittels Maschine Learning prüfte. Diesem Ansatz wurde ein Deep Learning Verfahren gegenübergestellt, welches nicht die explizite Extraktion der genannten Merkmale aus den Bildern benötigte, sondern Merkmale anhand der Datenbasis selbstständig erlernen konnte.

Dieses Softwaretool wurde zur Identifizierung des Kaschmiranteils von Tierhaarproben auf der Grundlage rasterelektronenmikroskopischer Aufnahmen entwickelt (in Anlehnung an die standardisierte IWTO-Prüfmethode 58 und ISO 17751-2). Die Methode kann eine auf einem tiefen neuronalen Netz basierende Segmentierung und maschinelles Lernen oder Deep Learning für die Klassifizierung verwenden. Die Ergebnisse sind vergleichbar oder besser als diejenigen von menschlichen Bedienern und in hohem Maße reproduzierbar (dieselbe Menge von Bildern führt immer zum selben Ergebnis). Das aktuelle System konzentriert sich darauf, den Kaschmir-, Woll- oder Yak-Gehalt der Proben zu ermitteln, wobei der Kaschmir-Gehalt aufgrund seiner kommerziellen Bedeutung eine hohe Priorität hat.

Durch die Verwendung dieser neuen Methode können in Zukunft Fälschungen in hochwertigen und -preisigen Woll- und Kaschmir-Textilien aus den Sparten Mode, Bekleidung und Heimtextilien leichter aufgedeckt werden und damit verbundene Imageverluste und Kosten können für die mittelständisch geprägten Betriebe im Bereich Garn-, Strick- und Gewebeherstellung, Veredlung, Konfektion und Handel vermieden werden.