EP4327302A1 - Verfahren zum identifizieren von holzwerkstoffplatten - Google Patents

Verfahren zum identifizieren von holzwerkstoffplatten

Info

Publication number
EP4327302A1
EP4327302A1 EP22723611.4A EP22723611A EP4327302A1 EP 4327302 A1 EP4327302 A1 EP 4327302A1 EP 22723611 A EP22723611 A EP 22723611A EP 4327302 A1 EP4327302 A1 EP 4327302A1
Authority
EP
European Patent Office
Prior art keywords
wood
comparison
data set
test
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22723611.4A
Other languages
English (en)
French (fr)
Inventor
Ralf Niederer
Christian Maurer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fritz Egger GmbH and Co OG
Original Assignee
Fritz Egger GmbH and Co OG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fritz Egger GmbH and Co OG filed Critical Fritz Egger GmbH and Co OG
Publication of EP4327302A1 publication Critical patent/EP4327302A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Definitions

  • the invention relates to a method for identifying wooden panels.
  • Wood-based panels in particular chipboard, OS B panels (oriented strand board
  • HD F boards High Density Fiber - HDF
  • MDF boards Medium Density Fibre
  • the manufacturing parameters present during production such as the types of wood-based material elements such as chips or fibers, the size distribution of the wood-based material elements, the type of resin used and any additives, the process temperatures and process pressures are critical parameters for the quality of the wood-based material boards.
  • logistical information such as the date of manufacture, place of manufacture, transport routes and storage locations.
  • the wood-based panels are printed with an optical code in the form of a barcode or a QR code, with information content of the code being linked to manufacturing parameters or other parameters in a database. If a wood-based panel is to be tested at a later point in time, the optical code is scanned and the manufacturing parameters or other parameters of the tested wood-based panel are assigned via the information content of the code and with the addition of the database. The tested wood-based panel can therefore be characterized.
  • the problem with the method described above is that the code is applied to the side edge of the wood-based panel and either a carrier material such as a sticker has to be applied or the code is printed directly onto the side edge. In either case, the code can become corrupted and thus unusable, nor can it be recovered. A code printed directly on the edge of the page may also be difficult to read.
  • the present invention is therefore based on the technical problem of improving and simplifying the identification of wood-based panels.
  • the technical problem mentioned above is solved according to the invention by a method for identifying wood-based material boards, in which at least one comparison image is recorded for a predetermined section of a side edge for a plurality of wood-based material boards, in which a comparison data record from the comparison image is based on the structure, in particular on the basis the geometry, the topography and/or the distribution of the wood-based material elements, is determined and stored, in which a test image for the specified section of a side edge of a wood-based material panel is recorded at least at a later point in time, in which a test data record from the test image is based on the structure, in particular on the basis of the geometry, topography and/or the distribution of the wood-based material elements, is determined in the same way as with the comparative data sets, in which the test data set of the tested wood-based material board is compared with the comparative data sets of several wood material boards is compared and in which the tested wood-based material board is identified as the wood-based material board for which the comparison data set was generated if
  • Wood material elements and optionally also from the resins connecting them and possibly additives, both through different starting materials and through random variations in the nature of the wood material that are not controlled during the manufacturing process, is structured so differently that this structure can be used as a feature for identification. Individual sections of the side edges can thus be used as an identification feature without any application of labels or imprinting of codes or other markings.
  • the structure is determined here, for example, by the shape properties of the side edge such as the properties of the wood-based material elements, i.e. their size, their individual and/or common alignment, the variability of size, the existence and/or number of different wood-based material element types, the dimensions of the distances between wood-based material elements or the presence and distribution of unfilled voids between the wood-based material elements. Not only individual wood-based material elements can be distinguished, but the overall picture of the side edge can be viewed as a structure.
  • the structure can additionally or alternatively be determined by the depth profile of the side edge.
  • the structure can also be determined by the color and/or the brightness of the side edge. This can be the basic color and basic brightness of the side edge, but also the variability of the color and brightness, the color of the wood-based material elements or the additives.
  • comparison data sets and the test data set are calculated in the same way, for example by using the same algorithm or generally the same calculation rule. This ensures that comparison images and test images recorded at different points in time of the same predetermined section result in comparison data records and test data records that are as similar as possible or identical.
  • the data sets can also be calculated in the same way, for example by using slightly different ones Calculation rules are applied if it can be ensured that the
  • the identification can then start from the point in time after the actual production of the material panel and then during the possible
  • the step of determining the comparison data set is carried out, preferably as early as possible, after the production of the panels after they have left the pressing plant.
  • the relevant section must be found when the wood-based panel is checked later.
  • the section can be found by the position of a corner of the wood-based panel as a delimitation of the side edge.
  • the section can also be found by means of an optical marking.
  • the marking can be printed as a rectangle that borders the section.
  • the marking can also be a logo that delimits the section laterally, preferably by a line. In any case, such a marking is only intended to determine the position of the relevant portion and does not serve to enable identification of the plate itself provided with it.
  • comparison images can be recorded for a number of sections on at least one of the side edges, in particular for at least one section on each side edge, of the wood-based material board and a comparison data set can be determined for each comparison image.
  • This increases the number of sections that can be checked later and makes it easier to carry out the check on site.
  • all sections located adjacent to each corner in either direction can be used to capture comparison images. Then no markings are necessary, since the Positioning of the sections is dictated by the physical limitations of the engineered wood panel.
  • the length of the comparison images along the side edge can be specified here, so that the end of the section facing away from the corner is also known without the need for a marking. This length can be specified in absolute terms or also relative to the plate thickness.
  • a test image is recorded and a test data set is determined for a part of the multiple sections with comparison data sets, in particular on a section of a plurality of sections with comparison data sets. It is therefore sufficient, in the case of a wood-based panel for which several comparison data sets have been created and stored, to create a test data set for the comparison only for some of the sections or even for just one section.
  • a further refinement of the method consists in that comparison images are recorded for a plurality of sections at predetermined intervals along at least part of a side edge and comparison data records are generated for the comparison images and that at the at least one later point in time a test image is produced in the area of the plurality of sections of the Side edge is recorded and a test data set for comparison with the comparison data sets is determined.
  • the sections may also overlap if part or all of the side edge is divided into sections at the predetermined intervals. The distances can even be selected to be so small that two sections are spaced apart from one another by one raster unit of the resolution of the subsequent image evaluation.
  • An entire side edge on one or more edges, in particular the entire circumferential side edge including all side edges of the plate, can also be recorded as a coherent comparison image.
  • Individual comparison images can be generated from this coherent comparison image.
  • a comparison between a test image and the coherent comparison image can also take place directly, without prior division of the coherent comparison image. This is possible, for example, through template matching, in which the test image is searched for in the coherent comparison image. Conversely, a coherent test image of all side edges can be recorded and comparison images can be searched for therein.
  • processing means in particular the removal of material by surface treatment, which changes the structure of the wood-based material that is visible on the surface.
  • the resulting at least two partial formats are then independently linked to an original wood-based panel, so that each partial format can be assigned to the original wood-based panel.
  • the previously explained recording of the comparison images preferably takes place after the production of the wood-based material board, after it has been cut to the formats to be delivered and more preferably before further processing such as coating with paint applications or with layers of paper and/or impregnated materials.
  • it can also be advantageous to record the comparison images after the coating that is to say in the state in which the wood-based material board is taken to a warehouse for delivery or is already ready for transport.
  • the wood-based panel has its final structure of the side edges, independent of further coatings.
  • the wood-based material board is preferably coated with one layer on one upper side or with different layers on both upper sides, which can be distinguished in a side view. It can then be advantageous to generate the at least one comparison image only after the coating, so that the orientation of the wood-based panel can be determined and taken into account on the basis of the laterally visible coating or coatings.
  • comparison images can be recorded at a number of stations in the manufacturing process, preferably always shortly before and/or shortly after the appearance of the side edge could have changed as a result of a manufacturing step. In this way, traceability can be implemented along the entire production chain.
  • the aforementioned comparison images and test images can be recorded with conventional camera systems. All 2D image cameras such as CCD cameras, single-lens reflex cameras (DSLR), mirrorless system cameras (DSLM) or smartphone cameras can be used as cameras, the latter in particular when creating the test images.
  • spectral cameras are available that break down and store each pixel into a multi-channel spectrum using a spectral measurement method. where a brightness and color value in the RGB color space with the values for red (R), green (G), blue (B) or in the L*a*b*-
  • L* blueness
  • a* red-green value
  • b* blue-yellow value
  • the aforementioned comparative images and test images can be taken under artificial lighting.
  • the lighting can preferably be substantially identical for each individual shot and can be located directly in the vicinity of the camera.
  • Other light sources such as solar radiation through a window, the lighting in the production hall, etc. should be shielded so that only the lighting illuminates the edge area to be recorded.
  • the edge can also be recorded in a closed chamber or the camera, lighting and side edge are at the moment of the Recording together enclosed by an opaque housing. In this way, it is ensured that only differences in the side edge lead to differences in the comparison and test images and that any interference from surrounding light sources does not also falsify the recording. Thus, even small differences in color, brightness, structure, etc. of the side edges can be reliably distinguished.
  • the light source can be adapted to the nature of the side edge and/or the camera. Likewise, multiple images can be recorded and combined under different illumination, for example at different wavelengths.
  • a comparison data record can be determined from the comparison images in different ways. In principle, any determination method that leads to a value or values that can be used in a subsequent comparison algorithm is suitable for use in the method described.
  • a first exemplary embodiment of a determination method consists in analyzing the recorded structure of the wood-based material in each image, preferably using one or more image analysis programs known per se. For example, OpenCV, scikit-image, Google Cloud Vision API, Microsoft Computer Vision API, vlfeat, dlib, Matlab Image Processing Toolbox can be mentioned here.
  • structural values are then determined by the shape, the circumference, the area, the length, to be determined as the longest extension of the form, and/or the orientation, to be determined as the direction of the longest extension of the form, of the wood-based material elements determined in relation to the dimensions of the captured portion of the side edge.
  • the comparison data set and the test data set are then determined as a sequence of structural values for a specified proportion of the wood-based material elements.
  • the necessary number of structure values for each image depends on the individuality of the wood-based material elements and is determined in relation to the application. In any case, the structural values are decisive for the identifiability of the section and thus of the wood-based panel. In this case, their order in the sequence of structure values can be decisive or irrelevant.
  • the determination method consists in that each image corresponds to a predetermined grid in relation to the orientation of the section of the recorded side edge is divided into pixel areas, in which each pixel area is calculated from the individual pixels, preferably averaged
  • pixel value i.e. a brightness value and/or at least one color value
  • the comparison data set or the test data set is determined as a sequence of pixel values in a predetermined order from the pixel areas.
  • a grid of, for example, N ⁇ M pixels with a gradation of 256 gray scale values is thus determined, the pixels of which each represent the named pixel areas.
  • the respective gray level value of a pixel area can be determined by averaging or another mathematical method and represents an average gray level of the brightness information or one of the color information of the pixels. which can be used as a basis for the subsequent comparison step.
  • N x M vector components which can then also be understood as a matrix.
  • a vector can then be generated from the matrix by averaging each row.
  • the images can be prepared or pre-processed beforehand using an optical filter or a software filter.
  • an edge filter can be used to emphasize the alignment of wood fibers.
  • a further refinement of the method described is that the images, ie the comparison images and the test images, are each recorded with a 3D camera.
  • An example of a 3D camera is a LIDAR camera as a standalone camera or as part of a smartphone.
  • LIDAR is the abbreviation of Light Detection And Ranging.
  • Another example of a 3D camera has two laterally offset cameras.
  • other contactless technologies can also be used to record the 3D structure of the surface or its roughness. These are Radio Detection And Ranging (RADAR),
  • RADAR Radio Detection And Ranging
  • SODAR Sound DetectingAnd Ranging
  • a digital representation of the material surface of one side of the board is generated and stored in one-dimensional or multi-dimensional resolution. Regardless of the measurement method used, the digital surface information obtained in this way can be converted as a comparison data set and test data set.
  • the method step for determining the image data record is initially carried out in that the topography, ie a height profile perpendicular to the surface orientation of the side edge, is determined for each image.
  • a contour line profile, sections of the height profile, a triangular mesh or sections of the triangular mesh are then derived from the topography as topography values and the comparison data set or the test data set is determined from the topography as a sequence of topography values in a predetermined order.
  • the comparison data records and the test data records consist of a sequence of characteristic parameters of the topography, which enable the wood-based panel to be identified.
  • the sequence of parameters can be processed in the comparison step using a suitable algorithm.
  • the topography can also be determined by mechanically scanning the surface, for which various methods are known. For example, the surface can be scanned along a given track with a button, e.g.
  • Shape of a wand, to be traversed As the probe moves along the track, the different heights depending on the distance covered are recorded as digital values and stored mathematically as a vector. Additional vectors can be determined by arranging tracks next to each other, which can then also be saved as a matrix. Such a measurement method has been developed by Keyence Corporation to measure surface roughness.
  • An atomic force microscope can also be used instead of a probe in the form of a needle.
  • the position of the measurement must be precisely specified, especially when multiple measurements are made, even on different sides of the plate.
  • the position of the measurement for the comparison data set on the surface is defined and saved in such a way that it can be repeated for recording the test data set.
  • the starting point of the measurement can be specified by specifying the distance from a corner of a disk and the direction of the track to be scanned.
  • a comparison is made with the comparison data records stored in a database in order to identify the wood-based material panel if there is sufficient agreement, possibly within predetermined parameter limits.
  • the comparison between the test data set and the comparison data sets is carried out using mathematical methods.
  • a mathematically defined distance between the comparison data sets and the test data sets is calculated using an algorithm, and the distance is then compared with a threshold value. If the calculated distance is less than the threshold, a match can be determined.
  • a deterministic method is thus carried out, which is specified by a direct specification of the selected algorithm. Without a threshold value, the comparison data record that has the smallest distance from the test data record of all comparison data records can also be selected as the best match.
  • Algorithms consist of a finite number of defined individual steps. In particular, they can also be implemented in a computer program for execution.
  • a specific input is converted into a specific output.
  • a trained neural network is then used instead of an algorithm mentioned above.
  • a fully trained network is then also a defined system, but a description as an algorithm is not given here.
  • At least one neural network of a system for machine learning is used.
  • a system for machine learning allows the use of pattern analysis and pattern recognition.
  • the visual intelligence used makes it possible to recognize and analyze images or shapes. Handwriting recognition or the identification of people through face recognition are generally mentioned here as application examples.
  • Neural networks are networks of artificial neurons and represent a branch of artificial intelligence.
  • the topology of a neural network consists of the Assignment of connections to nodes and is trained for the specific task, whereby the network can be trained by the following methods.
  • a neural network will not independently make changes to its own topology during training. Instead, you try out different topologies, some of them automatically, and let the neural network learn by adjusting certain parameters within the network, which ultimately corresponds to a learning step in each case.
  • the learning behavior changes when the activation function of the neurons or the learning rate of the neural network changes.
  • a network learns mainly by modifying the weights of the neurons.
  • the threshold value can be adjusted in parallel in this case.
  • the topology describes the structure of the network. This generally means how many artificial neurons are on how many layers, and how they are connected to each other. Artificial neurons can be connected in a variety of ways to form an artificial neural network. In many models, neurons are arranged in consecutive layers.
  • a neural network is trained with as large a number of comparison images or comparison data as possible, for example 1,000 or 10,000 pictures.
  • the entire image data or a mathematical representation of the image data can be used as input data in the neural network for the training.
  • the gray scale data in the grid of the comparison images are preferably fed into the neural network as comparison data sets.
  • the gray levels are assigned in a value range of, for example, 256 gray levels
  • a neural network preferably a convolutional neural network (CNN)
  • CNN convolutional neural network
  • the images of the ⁇ side edges are converted into a feature representation in an encoder, the features of which are then learned so that, starting from them, the original image can be recovered again in a decoder. In this way, an error-tolerant feature representation of the wood structure is generated.
  • CNN convolutional neural network
  • Comparative data set and each test data set is then converted into the characteristic representation by the encoder.
  • the test sets can thus be compared with the comparative data sets in a characteristic set adapted to the wood structure, without characteristics having to be defined manually.
  • autoencoders and decoders can also be used in the method described, which compensate for any errors in the original image and thus pass on an error-reduced image variant to the actual neural network for training.
  • a neural network As an alternative to a neural network, other methods of machine learning (e.g. support vector machines) or mathematical methods can also be used. Furthermore, for example, a cross-correlation between two images, that of the test data and that of the comparison data, can be calculated. Alternatively, other metrics such as root mean square error or cosine similarity can be used. If the similarity is sufficiently high, a match can be recognized. For the use of some metrics it can make sense to convert the pixels from a two-dimensional matrix arrangement into a one-dimensional vector arrangement using a specified operation.
  • machine learning e.g. support vector machines
  • a cross-correlation between two images, that of the test data and that of the comparison data can be calculated.
  • other metrics such as root mean square error or cosine similarity can be used. If the similarity is sufficiently high, a match can be recognized. For the use of some metrics it can make sense to convert the pixels from a two-dimensional matrix arrangement into a one-dimensional vector arrangement using a specified operation.
  • the test and comparison data can also be characterized using predefined image features such as entropy, a distribution of contiguous areas or a dominant fiber orientation. Using these features, a comparison can then be made between the feature values of an existing test image and different comparison images.
  • the technical problem outlined above is now solved according to the invention by a method for identifying wood-based panels, in which at least one classification is determined and stored for a plurality of wood-based panels for each wood-based panel, in which at least one comparison image is recorded for a predetermined section of a side edge of each wood-based panel , in which a comparison data set is determined and stored from the comparison image based on the structure, in particular on the basis of the geometry, the topography and/or the distribution of the wood-based material elements, in which a neural network of a system for machine learning trains with the comparison data sets with the specification that each comparative data set fed in is assigned to a classification, in which a test image for the specified section of a side edge of a wood-based panel is recorded at least
  • a classification for example a place of manufacture or a period of manufacture, can be assigned to a plurality of comparison images during the training of the neural network.
  • a test image is then assigned to a classification using the trained neural network.
  • the identification consists only in the classification, without a clear assignment with a specific wood-based panel.
  • the technical problem outlined above is also solved according to the invention by a method for identifying wood-based material boards, in which at least one comparison image is recorded for a predetermined section of a side edge of each wood-based material board/in which a comparison data set from the comparison image is based on the structure, in particular on the basis of the geometry ,
  • the topography and / or the distribution of the wood-based material elements is determined and stored, in which a neural network of a system for machine learning is trained with the comparison data sets with the specification that each fed-in comparison data set is different from all other comparison data sets, in which after At the end of the training, a mathematical comparison value, for example a number or a vector, is generated and stored for all comparison data sets, at which point a test image for the specified section of a side channel is produced at least at a later point in time te of a wood-based panel is recorded, in which a test data set is determined from the test image using the structure, in particular on the basis of the geometry, topography and/or the distribution
  • a Siamese neural network consists of two identical sub-networks, also known as twin networks, which are connected at their outputs.
  • the twin networks not only have an identical architecture, but also share the same thresholds and weights. They work in parallel and are responsible for creating vector representations for the inputs.
  • the numerical values or vectors calculated by the neural network are compared with one another, which are calculated by the neural networks - similar to an algorithm.
  • the two neural networks cannot be used at the same time; instead, a neural network is first trained with a large number of comparison images Connections between the neurons, is stored and can be transferred to another neural network or the other of the Siamese neural networks.
  • the comparison values in the form of numbers or vectors determined at intervals after the end of the training are stored in a database for later comparison with test values.
  • each new wood-based panel is recorded with comparison images during ongoing production, the calculation of the numerical values or vectors with the trained one Network carried out and saved. The same procedure is used for the comparison images that were used when training the neural network.
  • the numerical values or vectors for these wood-based material panels are calculated and stored in the same way When checking whether a test image corresponds to a comparison image, such a neural network constructed in the same way is then used to calculate a test value in the form of a number or a vector from the test image or the test data set. The test value is then compared with the reference values in the database and if there is sufficient agreement, the Siamese neural network identifies a wood-based panel.
  • a combination of a classification by the first-mentioned method and a subsequent identification by the second-mentioned method is preferably used.
  • a wood-based panel to be tested is initially assigned a classification, for example a place of manufacture, by means of the test image. Since the number of possible comparison images is thus limited, a smaller number of
  • Comparison images can be used to train the neural network, which can improve accuracy and the hit rate.
  • a hit rate ie the number of correct assignments as a proportion of the total assignments, in the range of greater than 80%, preferably greater than 90%, is sufficient for good functionality, although the aim is for the greatest possible hit rate.
  • the method is supplemented by the following steps. For the majority of wood-based material plates, preferably at the beginning of
  • a characterization data set is determined and stored, with each comparison data set being linked to the characterization data set for the respective wood-based panel and in which the tested wood-based panel is assigned the characterization data set linked to the comparison data set if the test data set matches a comparison data set.
  • Both data sets can be stored separately and linked by means of pointers, but the data can also be stored as one data set and linked to that extent.
  • the tested wood-based panel is thus characterized by additional data and information, and the information stored in the characterization data record can be used for further logistics or further processing.
  • the identification described above can thus lead to an additional assignment of at least one item of characterization data to a tested wood-based panel.
  • the assignment can therefore be a classification in to which a production location, production date, production time and production facility and/or a wood species or another characteristic property of the tested wood-based panel is assigned. This property can be assigned to a large number of wood-based panels, which are thus classified.
  • the characterization data record is supplemented by at least one piece of data that characterizes the processing step of separating the wood-based material board.
  • the at least one additional date can contain the time of processing and/or the new dimensions of the partial formats.
  • the other unchanged side edges remain linked to the previous comparison images and comparison data sets, which, however, must also be linked to the changed characterization data set.
  • the characterization file assigned to a tested wood-based panel with the classifying and/or further identifying information can be linked and presented in various ways with further data in the utilization chain from the manufacturer to the end customer.
  • the recording of the test image is recorded on site, in particular at an end customer's premises, preferably with a mobile device such as a smartphone.
  • the application (app) used to record the test image is provided by the manufacturer of the wood-based panel so that a direct data connection can be established with one or more of the manufacturer's servers.
  • the wood-based panel is then characterized or identified, so that the manufacturer can record data on the current location, the registered user and/or the type of use.
  • the manufacturer can determine further data on this wood-based panel and the user via the application (app). present. In both cases, there is an added value that is made possible by using one of the methods described.
  • Further product suggestions suitable for the wood-based panel can preferably be submitted to the user.
  • suggestions for other suitable products can be displayed that can be used with the present wood-based panel, in particular taking into account the decor associated with the wood-based panel.
  • the proposals can have further wooden boards, laminates or floor panels.
  • inspiration for the user can be displayed, for example photos of room situations and/or furniture in which the wood-based panel has been or is to be installed.
  • business information can also be processed with the
  • Characterization or, where appropriate, identification of the wood-based panel are connected.
  • the transmission of an invoice from the dealer or the manufacturer can be linked to the recording and analysis of the test image or the processing of a complaint.
  • proof of originality can be sent in the form of a certificate of authenticity.
  • the purchasing behavior of the end customer can be recorded when the wood-based panel has been scanned or recorded. This can be used to send individualized offers, new products or the like. As a result, the manufacturer or a retailer can determine data about the use, the time of use and the type of use of the wood-based panels. Thus, among other things, information about the ordering behavior and storage times at dealers and end users can be recorded until processing.
  • the invention is explained below using exemplary embodiments with reference to the drawing. Show in the drawing
  • FIG. 1 to 4 a schematic representation and tables for an embodiment of a method according to the invention applied to a section of a side edge of a wood-based panel and evaluation of geometric variables of the chip distribution,
  • FIG. 5 shows a schematic representation of a further exemplary embodiment of a method according to the invention using four sections of a side edge of a wood-based material board
  • FIG. 6 shows a schematic representation of a further exemplary embodiment of a method according to the invention using two sections at each corner of a wood-based material panel
  • FIG. 7 shows a schematic representation of a further exemplary embodiment of a method according to the invention using a plurality of sections on a side edge of a wood-based material board
  • FIG. 8 shows a schematic representation of a further exemplary embodiment of a method according to the invention, applied to a section on a side edge of a wood-based material board and evaluating a gray scale grid of the chip distribution
  • 9 shows a schematic representation of a further exemplary embodiment of a method according to the invention applied to a section on a side edge of a wood-based material board and evaluating height profile data of the chip distribution
  • FIG. 10 shows a schematic representation of a further exemplary embodiment of a method according to the invention with an evaluation of data sets of the chip distribution using training of a neural network with a plurality of comparison data sets,
  • FIG. 11 shows the neural network shown in FIG. 10 during a check of a
  • FIG. 12 shows a schematic representation of a further exemplary embodiment of a method according to the invention with an evaluation of data sets of the chip distribution using training of a neural network with a plurality of comparison data sets,
  • FIG. 13 shows the neural network shown in FIG. 12 during a check of a test data set
  • FIG. 14 shows an example of a detection of the surface structure by means of a mechanical probe
  • FIG. 15 shows a plate to be measured with coordinates drawn in.
  • 1 to 4 show a first exemplary embodiment of a method for identifying wood-based panels.
  • a photograph of a piece of a side edge 2 of a wood-based panel is shown in a side view.
  • a right-angled corner 4 is arranged, which can be used as a reference for a dimension "da" to determine the position of a section 6.
  • the section 6 is shown with a dashed auxiliary line, but this is not placed on the side edge itself.
  • the side edge 2 is not further printed or otherwise marked Fig. 2 shows section 6 in a separate view
  • a comparison image for section 6 of side edge 2 is now recorded with a camera (not shown) and evaluated.
  • Conventional image analysis software such as OpenCV, scikit-image, Google Cloud Vision API, Microsoft Computer Vision API is used for this purpose , vlfeat, dlib, matlab image processing toolbox, etc. and a number of individual wood chips are detected.
  • the outlines of the detected chips are partially determined by the software using specified criteria such as size or area. This is shown as an example for a long chip in FIGS. 1 and 2, the surface of which is marked by a constant gray coloring.
  • Fig. 4 shows the graphical representation of the data according to the table in Fig. 3, where the length dl in the direction of the x-axis and the angle a relative to the x-axis are plotted as vectors.
  • the corresponding vectors vi, V2, V3 and V20 are shown in Fig. 4.
  • One advantage of forming the absolute value for the values dx(N) is that the value is the same, regardless of the orientation of the wood-based panel
  • test image is taken for the specified section of the side edge of a wood-based panel recorded.
  • test image is subjected to the same analysis as explained above with reference to FIGS. 1 to 4, and a test data set is determined from the test image using the geometry of the wood-based material elements (chips, fibers) in the same way as with the comparison data sets.
  • the test data set is then compared with the comparison data sets stored in the database for the large number of wood-based panels. If the test data set matches a comparison data set, the tested wood-based material panel is then identified as the wood-based material panel for which the comparison data set was generated.
  • the test image is preferably recorded with the same camera and in the same exposure situations.
  • the process can also be so robust to fluctuations that, for example, a permanently installed camera records the comparison image after the wood-based panel has been manufactured, while the Test image can be recorded at a later time with a mobile camera, in particular using a camera of a smartphone.
  • the database is generally stored on a server which is connected to the processing units for creating comparison data sets and the processing units for creating test data sets via a local network of the manufacturing facility and/or via the Internet and enables data exchange.
  • Fig. 5 shows a further exemplary embodiment of a method for identifying wood-based panels, in which, in comparison to the example according to Figs and da4 are spaced from the corner 4.
  • comparison images are recorded for the four sections 6a, 6b, 6c and 6d on the side edge 2 and for each section 6a, 6b, 6c and 6d, a sum and is calculated in the manner explained above educated.
  • the numerical values of four totals are then entered in the order of the sections a 4-dimensional vector V is written, which forms the comparison data set.
  • the four sections positioned in the predetermined sections dai, da2, da3 and da4 are then photographed in the same way on a predetermined side edge and, as described above, evaluated and a vector V is formed as a test data set.
  • This test data record is then compared with the comparison data records stored in the database. If the test data set and one of the comparison data sets match, the tested wood-based material board is then identified as the wood-based material board for which the comparison data set was generated.
  • the comparison data record and the test data record are thus a sequence of structural values been determined for a given proportion of the wood-based material elements.
  • FIG. 6 shows another embodiment of the method for identifying wood-based material panels, in which at each of the four corners of a rectangular wood-based material panel at each of the two adjacent side edges, in this case adjacent to the corner with a value for the distance da equal to zero section defined.
  • Eight comparison images are thus generated for eight sections 6a to 6h and processed further.
  • each wood-based panel is so often linked to a comparison image that each wood-based panel can be identified in a simple manner, regardless of its position. If a test image is recorded and a test data set is determined for a test process for only one of the eight sections with comparative data sets, then the wood-based material board can still be identified.
  • comparison images are recorded for a plurality of sections 6a to 6e at predetermined distances D along at least part of a side edge 2 and comparison data records are generated for the comparison images.
  • the predetermined distance can be adapted to the resolution of the comparison images or to the spatial resolution of a grayscale distribution determined from the comparison images, see the discussion of FIG. 8 below.
  • a test image can then be recorded in the area of the plurality of sections of the side edge in accordance with the grid, ie preferably randomly, without the need for exact positioning of the recorded test image.
  • a test data set for the comparison with the comparison data sets is then determined again. Further processing then corresponds to the previous examples. Since the structures of the side edges themselves are used for identification, it is necessary for identification that the structures are preserved or only changed to a small extent. However, if the structures are changed too much, comparison images and comparison data sets must be created again.
  • machining means in particular removing material, for example milling or grinding.
  • this also applies when the wood-based panel is separated and two or more partial formats are cut. Then, in a further embodiment of the method, it is provided that after one of the wood-based panels has been separated into at least two partial formats, at least one comparison image is recorded for each partial format created on at least one newly created side edge of the partial formats for at least one section and a comparison data record is determined.
  • the configurations of the method have been described, in which 2D cameras have been used and in which the recorded structure of the wood-based material is analyzed in each image, in which the structure of the wood-based material elements are determined by the length as the longest extent in the form and structural values the comparison data sets and test data sets are determined by the alignment, ie the direction of the longest extension in the shape of the wood-based material elements in relation to the dimensions of the recorded section of the side edge.
  • information for the comparison data sets and test data sets can also be obtained through the shape, through the circumference and/or through the area of the wood-based material elements.
  • the 2D images i.e. the comparison images and the test images, can be recorded with conventional cameras, for example generally CCD
  • DSLR single lens reflex cameras
  • DSLM mirrorless system cameras
  • a 2D image can also be determined with a spectral data for each pixel
  • the image can be in the RGB color space with the values for red (R), green (G) and blue (B) or in the L*a*b* color space with pixel values L*, a*, or b* for brightness ( L*), red-green color intensity (a*) and blue-yellow color intensity (b*) or in other color spaces.
  • Another embodiment has a different image analysis, in which not the existing structures are determined, but in which - as shown in Fig. 8 - each image of the section 6 adjacent to the corner 4 of the side edge 2 according to a predetermined grid with respect to the in Fig. 8 horizontal alignment of section 6 is divided into pixel areas.
  • Each square of the grid comprises a plurality of pixels of the recorded image and represents a pixel area.
  • a pixel value calculated from the individual pixels and averaged from the brightness values is then assigned to each pixel area and the comparison data set or the test data set is then processed as a sequence of averaged pixel values 10, 75, 190, 205, . . . in a value range of (0 a series of values is shown in sections.
  • At least one color value of a color channel can also be calculated as a pixel value.
  • the comparison data set determined in this way and the test data set are then processed in the manner described above in order to carry out the method.
  • Wood-based panels is shown in FIG. Shown is again the side edge 2 of Wood-based panel as in Figure 1, the selected portion 6 is located adjacent the corner 4 of the wood-based panel.
  • the images i.e. the comparison images and the test images, are each recorded with a 3D camera, which is designed as a LIDAR camera as an independent camera or as part of a smartphone or as a stereoscopic camera having two cameras.
  • the topography is then determined for each image and a profile that reproduces this topography is generated from the topography.
  • Different parameters such as the contour line profile as a whole or in sections, a triangular mesh or sections of the triangular mesh can be derived as topography values from the profile and the comparison data set or the test data set are then created as a sequence of topography values in a specified order from the topography determined.
  • the shape of the contour lines can be analyzed directly.
  • a number of black and white images can be generated, with a height threshold being specified for each image, and areas whose height is below the threshold are colored black and those whose height are greater than or equal to the threshold are colored white. From this, properties of the binary image elements can be evaluated, such as the largest connected area, the distribution of the sizes of individual areas and/or the ratio of the main to the secondary axes in individual areas.
  • a depth image can be converted into a grayscale image composed of pixels that each describe a depth of the surface profile.
  • a low value close to 0 can indicate areas that are close to the surveying camera, i.e. to an imaginary perfectly smooth surface.
  • Higher values >0 can indicate a depression such as a space between two fibers.
  • the scale can also be reversed.
  • the three-dimensional structure can also be analyzed directly, without being converted into a two-dimensional equivalent.
  • Various 3D parameters can be used for this, in particular according to the standard EN ISO 25178. To evaluate a three-dimensional surface, parameters and measurement methods are specified, by means of which the surfaces can be measured and thus used for identification.
  • a digital model can also be created from a large number of individual points that represent the surface of the structure of the side edge. This can be done either by meshing a triangle (Triangulated Irregular Network) or by approximating a rectangular grid network. This elevation model is intersected with a horizontal plane at the desired elevation, the result is the contour line.
  • a triangle Triangulated Irregular Network
  • Amplitude characteristics can be used as further parameters, which describe, for example, the height structure of the surface with individual values and are based on a 2D profile section evaluation. They are transferred from the linear 2D to the areal 3D evaluation.
  • Other parameters are an area-related arithmetic average roughness (Sa), an area-related core roughness depth (Sk), an area-related mean roughness depth (Sz) or an area-related square mean roughness value (Sq). Since the surface of the side edge of a wood-based panel can assume different values in these parameters, one or more of these parameters can be determined in a grid corresponding to the grid according to FIG. 8 for each field of the grid, the numerical values of which are written together in a specific vector.
  • the autocorrelation function ACF is used for this and the parameters can be again preferably in a raster, the autocorrelation length (Sal) and/or the texture aspect ratio (Str) are used.
  • test data records with the mean square surface gradient (Sdq) and/or the ratio of the real surface to the measurement area (Sdr), again preferably arranged in a grid, can be used as parameters.
  • Sdq mean square surface gradient
  • Sdr ratio of the real surface to the measurement area
  • Comparison data records are compared, with a mathematically defined distance between the comparison data records and the test data records preferably being calculated using an algorithm, at which the distance is compared to a threshold value and at which a match is established if the distance is less than the threshold value.
  • a first common distance metric is a root mean square error (RMSE), in which a difference in the feature values between the test and comparison data is calculated for each element, this difference is squared, the squared differences for all features are added up and then the root is calculated the sum is drawn
  • RMSE root mean square error
  • a cosine similarity C can be used, specifically as follows. Values of -1 indicate a large difference, values close to 1 indicate a high level of agreement.
  • the algorithms described above implement a direct mathematical
  • a machine-learning neural network can also be used.
  • Various types of neural networks can be used in the method described, for example also convolutional neural networks (CNN).
  • CNN convolutional neural networks
  • artificial neural networks can be based on the networking of many McCulloch-Pitts neurons or slight modifications thereof.
  • other artificial neurons can also be used in artificial intelligence, for example the high-order neuron.
  • the input layer is also represented as a layer of nodes.
  • Machine learning methods are then used to modify a neural network in such a way that it generates associated output patterns (e.g. agreement yes/no) for specific input patterns (comparison data sets).
  • output patterns e.g. agreement yes/no
  • the artificial neural network is given an input pattern and the output that the neural network produces in its current state is compared with the value that it is supposed to output.
  • conclusions can be drawn about the changes to be made to the network configuration and the neural network can be run through again in the opposite direction. Training a new neural network with a large amount of data is computationally intensive and time-consuming.
  • Enormous computing power is required, particularly in the area of detecting objects in images with deep leaming, in order to train the network, for example with millions of images, for many training cycles (epochs).
  • a convolutional neural network (CNN) first learns to distinguish between the relevant structures and shapes and then derives and recognizes less abstract objects from them.
  • the fully trained layers of a neural network are taken over and only the output layer is adapted to the number of object classes to be recognized in the new network and retrained.
  • the advantage is that the neural network can already recognize and distinguish shapes and structures, and it only has to learn a new assignment of the object classes.
  • the fully trained layers are either kept constant and retraining is only carried out on the output layer, or some or all layers are further trained on the basis of the current training status.
  • the method described above can now be implemented with the help of a neural network in such a way that a neural network of a system for machine learning is trained with the comparison data sets with the specification that each supplied comparison data set is assigned to a classification and that each test data set is assigned to the trained neural network assigned to one of the classifications.
  • the same classification is thus assigned to a plurality of comparison images, ie for example a place of manufacture.
  • This procedure corresponds to that of character recognition, in which differently written individual letters can each be assigned to a classification of a specific letter by a trained neural network.
  • the method can also be carried out in such a way that a neural network of a system for machine learning is trained with the comparison data sets with the specification that each fed-in comparison data set is different from all other comparison data sets, in which, after completion of the training for all comparison data sets, a mathematical Comparative value, preferably in the form of a number or a vector, is generated and stored, that for each test data record with the trained neural network, a mathematical test value, also preferably in the form of a number or a vector, is generated and stored and that the tested wood-based panel is Agreement of the mathematical test value with a comparison value is identified as the wood-based panel for which the comparison data set has been generated.
  • a mathematical Comparative value preferably in the form of a number or a vector
  • a so-called Siamese neural network is used here, in which two identically working neural networks generate comparison and test values that can be compared with one another.
  • a test image can be clearly assigned to a wood-based panel using the comparison images. This procedure corresponds to that of face recognition.
  • the two described alternatives of the method are applied one after the other by pre-classifying the
  • test image is performed and by performing the procedure for comparison images of each of the available classifications separately.
  • the wood-based panel can initially be assigned to a place of manufacture or a manufacturing facility by means of a classification. Thereafter, a Siamese neural network can be accessed that on Wood-based panels has been trained, which have been manufactured exclusively on this manufacturing plant. In this way, a gradual and modular identification can be achieved.
  • FIG. 10 now shows a schematic representation of a training of a neural network 10 which consists of an input layer 12 , hidden layers 14 and an output layer 16 .
  • a plurality of comparison datasets V are entered into the input layer 12 via an interface 20, with the training taking place with the proviso that each fed-in comparison dataset V is assigned to a classification A or B.
  • Such training takes place with a large number of comparison datasets, for example 10,000 comparison datasets.
  • the training can be carried out by changing or adapting the parameters of the neural network such as the threshold value of each node or neuron (circles in the hidden layers 14) and the weighting factors wjj from neuron j to neuron i, until a reliable classification of the comparative data sets can be ensured by the neural network.
  • the neural network is thus set up in such a way that, according to FIG. 11, one of the classifications A or B is assigned to a test data set P with the trained neural network.
  • the place of manufacture, the date of manufacture, the panel thickness of the wood-based panel or other general data can be used as classifications A and B.
  • a classification therefore includes a plurality of associated wood-based panels, with the classification being viewed as a possible form of identification.
  • the neural network is trained by training with a large number of comparative data sets in such a way that the wood-based material panels to which the comparative data sets used for training belong can be classified by the trained network.
  • wood-based panels can also be classified are used whose comparison datasets have not been used for training.
  • this property of the trained network applies to wood-based panels that were only produced after the training and can be assigned to one of the classifications.
  • Figures 12 and 13 show another application of neural networks.
  • Fig. 12 shows schematically a similar neural network as Figs. 10 and 11.
  • the neural network is trained with the comparison data sets V with the stipulation that each supplied comparison data set V is different from all other comparison data sets.
  • two identical images can also be fed into the neural network with the specification that these are two identical images.
  • the number of comparison data sets is large and is in the range of more than 10,000, for example.
  • the neural network is changed in such a way that different comparison data sets can be distinguished and that after the training is complete for all comparison data sets V a mathematical comparison value Z different from all other comparison values is generated and stored.
  • the comparison values Z of the corresponding wood-based panels are linked and saved.
  • the neural network was trained to compare a capture of a proof image with the existing captures and determine whether the captured proof image shows a pre-existing panel. According to FIG. 13, this is done in that a mathematical test value Y is generated with the trained neural network for the test data set generated from the test image of a wood-based panel to be tested and stored at least temporarily. The tested wood-based panel is then identified as the original wood-based panel linked to the comparison value Z if the mathematical test range Y matches a comparison value Z.
  • the greyscale data sets of the comparison images and test images are preferably fed to the neural network as comparison data sets and test data sets, as they have been explained in connection with FIG. 8, for example.
  • FIG. 14 and 15 show a further exemplary embodiment of the method described above, in which the surface structure of a wooden panel is mechanically scanned and the topography is thus determined as a contour line profile. Devices that are also used for measuring surface roughness can be used for this purpose.
  • the deflection of the probe tip 32 is measured at predetermined time intervals and quantified—here in units of 0.5. This results in a depth profile that is characteristic of the surface structure, which is recorded and stored graphically as an image and mathematically as a series of numbers (shown below in FIG. 14).
  • FIG. 15 shows the surface of a side edge 2 with drawn-in lines for determining the position and the measurement section.
  • a matrix can be mathematically formed from the n vectors from the n different height profiles.
  • Comparison images and test images or the associated comparison data records and test data records can then be generated from individual vectors or from a plurality of vectors.
  • a characterization data record is preferably determined and stored in one method step for the plurality of wood-based panels.
  • Each comparison data set is then linked to the characterization data set for the respective wood-based panel and the tested wood-based panel is assigned the characterization data set linked to the comparison data set if the test data set matches a comparison data set.
  • Characteristic data can thus be assigned to the tested wood-based panel by identifying the wood-based panel.
  • Characterization dataset stored, either as separate and pointer-linked datasets or as one combined dataset.
  • characterization data set At least one datum selected from the non-exhaustive list is stored in the characterization data set:
  • the associated wood-based material board can be characterized with this data of the characterization data set, with further data being able to be added in the course of the further treatment of the wood-based material board.
  • the characterization data can thus be determined after the wood-based panel has been manufactured and can be taken into account during further processing and treatment.
  • the characterization data set of the separated wood-based material board is linked to the respective comparison data set for each partial format.
  • the wood-based panel is linked to the generated partial formats and, if necessary, data for separating the wood-based panel is added to the characterization data. For example, the processing time and the new dimensions of the part format are added to the characterization data. The further comparison data of the unchanged side edges of the partial format are then likewise linked to the changed characterization data record.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Identifizieren von Holzwerkstoffplatten, bei dem mindestens ein Vergleichsbild für einen vorgegebenen Abschnitt einer Seitenkante für eine Mehrzahl von Holzwerkstoffplatten aufgenommen wird, bei dem ein Vergleichsdatensatz aus dem Vergleichsbild anhand der Struktur, insbesondere auf der Basis der Geometrie, der Topographie und/oder der Verteilung der Holzwerkstoffelemente ermittelt und gespeichert wird, bei dem zu mindestens einem späteren Zeitpunkt ein Prüfbild für den vorgegebenen Abschnitt einer Seitenkante einer Holzwerkstoffplatte aufgenommen wird, bei dem ein Prüfdatensatz aus dem Prüfbild anhand der Struktur, insbesondere auf der Basis der Geometrie, Topographie und/oder der Verteilung der Holzwerkstoffelemente in gleicher Weise wie bei den Vergleichsdatensätzen ermittelt wird, bei dem der Prüfdatensatz der geprüften Holzwerkstoffplatte mit den Vergleichsdatensätzen von mehreren Holzwerkstoffplatten verglichen wird und bei dem die geprüfte Holzwerkstoffplatte bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz als die Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist. Das Verfahren löst das technische Problem, das Identifizieren von Holzwerkstoffplatten zu verbessern und zu vereinfachen.

Description

Verfahren zum Identifizieren von Holzwerkstoffplatten
Die Erfindung betrifft ein Verfahren zum Identifizieren von Holzwerkstoffplatten.
H olzwerkstoffplatten, insbesondere Spanplatten, OS B- Platten (oriented Strand board
- OSB), HD F- Platten (High Density Fibre - HDF), MDF-Platten (Medium Density Fibre
- MDF] oder Faserplatten, werden großtechnisch hergestellt. Die bei der Herstellung vorliegenden Herstellungsparameter wie die Arten der Holzwerkstoffelemente wie Späne oder Fasern, die Größenverteilungen der Holzwerkstoffelemente, die Art der verwendeten Harze und ggf. Zusatzstoffe, die Prozesstemperaturen und Prozessdrücke sind kritische Parameter für die Qualität der Hölzwerkstoffplatten. Dazu kommen logistische Informationen wie Herstellungsdatum, Herstellungsort, Transportwege und Lagerstätten.
Durch die zunehmende Vernetzung der Vertriebswege und die zunehmenden Anforderungen an Qualitätsnachweise ist es wünschenswert, jeder einzelnen Holzwerkstoffplatte die Herstellungsparameter und die logistischen Informationen zuordnen zu können.
Im Stand der Technik der EP 2 969428 Bl werden die Holzwerkstoffplatten mit einem optischen Code in Form eines Barcodes oder eines QR-Codes bedruckt, wobei Informationsinhält des Codes in einer Datenbank mit Herstellungsparametern oder anderen Parametern verknüpft werden. Wenn zu einem späteren Zeitpunkt eine H olzwerkstoffplatte geprüft werden soll, wird der optische Code gescannt und über den Informationsgehalt des Codes und unter Hinzunahme der Datenbank, werden die Herstellungsparameter oder anderen Parameter der geprüften Holzwerkstoffplatte zugeordnet. Die geprüfte Holzwerkstoffplatte ist also charakterisierbar. Problematisch bei dem zuvor beschriebenen Verfahren ist jedoch, dass das Aufbringen des Codes auf der Seitenkante der Holzwerkstoffplatte erfolgt und dabei entweder ein Trägermaterial wie ein Aufkleber aufgebracht werden muss oder der Code direkt auf die Seitenkante aufgedruckt wird. In beiden Fällen kann der Code beschädigt und somit unbrauchbar werden und kann auch nicht wiederhergestellt werden. Die Lesbarkeit eines direkt auf die Seitenkante aufgedruckten Codes kann ebenfalls eingeschränkt sein.
Daher liegt der vorliegenden Erfindung das technische Problem zugrunde, das Identifizieren von Holzwerkstoffplatten zu verbessern und zu vereinfachen.
Das zuvor aufgeführte technische Problem wird erfindungsgemäß durch ein Verfahren zum Identifizieren von Holzwerkstoffplatten gelöst, bei dem mindestens ein Vergleichsbild für einen vorgegebenen Abschnitt einer Seitenkante für eine Mehrzahl von Holzwerkstoffplatten aufgenommen wird, bei dem ein Vergleichsdatensatz aus dem Vergleichsbild anhand der Struktur, insbesondere auf der Basis der Geometrie, der Topographie und/oder der Verteilung der Holzwerkstoffelemente, ermittelt und gespeichert wird, bei dem zu mindestens einem späteren Zeitpunkt ein Prüfbild für den vorgegebenen Abschnitt einer Seitenkante einer Holzwerkstoffplatte aufgenommen wird, bei dem ein Prüfdatensatz aus dem Prüfbild anhand der Struktur, insbesondere auf der Basis der Geometrie, Topographie und/oder der Verteilung der H olzwerkstoffel emente, in gleicher Weise wie bei den Vergleichsdatensätzen ermittelt wird, bei dem der Prüfdatensatz der geprüften Holzwerkstoffplatte mit den Vergleichsdatensätzen von mehreren Holzwerkstoffplatten verglichen wird und bei dem die geprüfte Holzwerkstoffplatte bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz als die Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist.
Erfindungsgemäß ist erkannt worden, dass die sichtbare Struktur des Holzwerkstoffes, insbesondere an einer Seitenkante, bestehend aus den
H olzwerkstoffelementen und optional auch aus den diese verbindenden Harzen und gegebenenfalls Zusatzstoffen, sowohl durch verschiedene Ausgangsmaterialien als auch durch zufällige, im Herstellungsprozess nicht kontrollierte Variationen der Beschaffenheit des Holz Werkstoffes so verschiedenartig aufgebaut ist, dass diese Struktur als Merkmal zum Identifizieren herangezogen werden kann. Somit können ohne jedes Aufbringen von Etiketen oder Aufdrucken von Codes oder anderen Kennzeichnungen einzelne Abschnite der Seitenkanten an sich als Identifizierungsmerkmal genutzt werden.
Die Struktur wird hierbei beispielsweise durch die Formeigenschaften der Seitenkante wie beispielsweise die Eigenschaften der Holzwerkstoffelemente bestimmt, also deren Größe, deren individuelle und/oder gemeinsame Ausrichtung, die Variabilität der Größe, die Existenz und/oder Anzahl verschiedener Holzwerkstoffelementtypen, die Ausmaße der Abstände zwischen Holzwerkstoffelementen oder das Vorliegen und die Verteilung von nicht gefüllten Freiräumen zwischen den Holzwerkstoffelementen. Dabei können auch nicht nur einzelne Holzwerkstoffelemente unterschieden werden, vielmehr kann das Gesamtbild der Seitenkante als Struktur betrachtet werden. Darüber hinaus kann die Struktur zusätzlich oder alternativ durch das Tiefenprofil der Seitenkante bestimmt sein. Alternativ oder zusätzlich zu den F ormeigenschaften kann die Struktur auch durch die Farbe und/oder die Helligkeit der Seitenkante bestimmt sein. Dies kann die Grundfarbe und Grundhelligkeit der Seitenkante sein, aber auch die Variabilität der Farbe und Helligkeit, die Farbe der Holzwerkstoffelemente oder der Zusatzstoffe.
Die Vergleichsdatensätze und der Prüfdatensatz werden in gleicher Weise berechnet, indem beispielsweise jeweils derselbe Algorithmus oder allgemein dieselbe Rechenvorschrift angewendet wird. Damit wird sichergestellt, dass bei zu unterschiedlichen Zeitpunkten vom gleichen vorgegebenen Abschnitt aufgenommene Vergleichsbilder und Prüfbilder zu möglichst gleichen bzw. zu identischen Vergleichsdatensätzen und Prüfdatensätzen führen. Die Datensätze können auch in gleicher Weise berechnet werden, indem beispielsweise leicht abweichende Rechenvorschriften angewendet werden, wenn sichergestellt werden kann, dass die
Rechenvorschriften zu vergleichbaren Datensätzen führen.
Das Identifizieren kann dann ausgehend von dem Zeitpunkt nach der eigentlichen Herstellung der Werkstoffplatte und anschließend während der möglichen
Weiterverarbeitung durch Beschichtung, Zwischenlagerung, Transport und Vertrieb bis hin zur Endverarbeitung erfolgen. Dazu wird der Schritt des Ermittelns des Vergleichsdatensatzes, bevorzugt so früh wie möglich, nach der Herstellung der Platten nach Verlassen der Pressanlage durchgeführt.
Ganz allgemein reicht es aus, bei jeder Holzwerkstoffplatte für einen Abschnitt ein Vergleichsbild aufzunehmen und weiter zu verarbeiten, wie es zuvor beschrieben worden ist. Das bedeutet aber auch, dass bei einem späteren Prüfen der Holzwerkstoffplatte der maßgebliche Abschnitt aufgefunden werden muss. Dazu kann der Abschnitt durch die Position einer Ecke der Holzwerkstoffplatte als Begrenzung der Seitenkante aufgefunden werden. Alternativ kann der Abschnitt auch durch eine optische Markierung auffindbar sein. Beispielsweise kann die Markierung als Rechteck aufgedruckt sein, die den Abschnitt umrandet. Die Markierung kann aber auch ein Logo sein, das den Abschnitt seitlich begrenzt, vorzugsweise durch eine Linie. Jedenfalls ist eine solche Markierung nur zur Bestimmung der Lage des maßgeblichen Abschnitts vorgesehen und dient nicht dazu, ein Identifizieren der damit versehenen Platte selbst zu ermöglichen.
In vorteilhafter Weise können Vergleichsbilder für mehrere Abschnitte an mindestens einer der Seitenkanten, insbesondere jeweils für mindestens einen Abschnitt an jeder Seitenkante, der Holzwerkstoffplatte aufgenommen und für jedes Vergleichsbild ein Vergleichsdatensatz ermittelt werden. Somit steigt die Anzahl der für eine spätere Prüfung möglichen Abschnitte und erleichtert die Durchführung der Prüfung vor Ort. Beispielsweise können bei einer rechteckigen Holzwerkstoffplatte alle angrenzend an jede Ecke in beiden Richtungen angeordneten Abschnitte verwendet werden, um Vergleichsbilder aufzunehmen. Dann sind keine Markierungen notwendig, da die Positionierung der Abschnitte durch die physischen Begrenzungen der Holzwerkstoffplatte vorgegeben ist. Insgesamt ergeben sich bei diesem Beispiel acht Vergleichsbilder mit jeweils einem Vergleichsdatensatz. Die Länge der Vergleichsbilder entlang der Seitenkante kann hierbei vorgegeben sein, so dass auch das der Ecke abgewandte Ende des Abschnitts ohne die Notwendigkeit einer Markierung bekannt ist. Diese Länge kann absolut oder auch relativ zur Plattendicke vorgegeben sein.
Bei einer weiteren Ausgestaltung des beschriebenen Verfahrens wird für einen Teil der mehreren Abschnitte mit Vergleichsdatensätzen, insbesondere an einem Abschnitt von mehreren Abschnitten mit Vergleichsdatensätzen, jeweils ein Prüfbild aufgenommen und ein Prüfdatensatz ermittelt. Somit reicht es aus, bei einer Holzwerkstoffplatte, für die mehrere Vergleichsdatensätze erstellt und gespeichert worden sind, nur für einen Teil der Abschnitte oder sogar nur für einen Abschnitt einen Prüfdatensatz für den Vergleich zu erstellen.
Eine weitere Ausgestaltung des Verfahrens besteht darin, dass Vergleichsbilder für eine Mehrzahl von Abschnitten in vorgegebenen Abständen entlang zumindest eines Teils einer Seitenkante aufgenommen und Vergleichsdatensätze für die Vergleichsbilder erzeugt werden und dass zu dem mindestens einen späteren Zeitpunkt ein Prüfbild in dem Bereich der Mehrzahl von Abschnitten der Seitenkante aufgenommen wird und ein Prüfdatensatz für den Vergleich mit den Vergleichsdatensätzen ermittelt wird. In diesem Fall können sich die Abschnitte auch überlappen, wenn ein Teil der Seitenkante oder die gesamte Seitenkante in den vorgegebenen Abständen in Abschnitte unterteilt wird. Die Abstände können dabei sogar so gering gewählt werden, dass zwei Abschnitte um eine Rastereinheit der Auflösung der anschließenden Bildauswertung beabstandet voneinander angeordnet sind. Die Anzahl der Abschnitte erhöht sich dadurch, jedoch kann an fast beliebiger Stelle entlang der Seitenkante ein Abschnitt für ein Prüfbild gewählt werden, wodurch das Prüfen der Holzwerkstoffplatte weiter vereinfacht wird. Auch kann eine gesamte Seitenkante an einer oder mehreren Selten, insbesondere die gesamte umlaufende Seitenkante umfassend alle Seitenkanten der Platte, als ein zusammenhängendes Vergleichsbild aufgenommen werden. Aus diesem zusammenhängenden Vergleichsbild können einzelne Vergleichsbilder generiert werden. Ebenso kann ein Vergleich zwischen einem Prüfbild und dem zusammenhängenden Vergleichsbild direkt, ohne vorherige Einteilung des zusammenhängenden Vergleichsbild erfolgen. Dies ist beispielsweise durch Template Matching möglich, bei dem in dem zusammenhängenden Vergleichsbild das Prüfbild gesucht wird. Auch kann umgekehrt ein zusammenhängendes Prüfbild aller Seitenkanten aufgenommen werden und darin Vergleichsbilder gesucht werden.
Da die Seitenkante selbst zum Identifizieren dient, ist es vorteilhaft, wenn nach einem Bearbeiten mindestens einer Seitenkante der Holzwerkstoffplatte für diese mindestens eine Seitenkante für mindestens einen Abschnitt mindestens ein Vergleichsbild aufgenommen wird und ein Vergleichsdatensatz ermittelt wird. Dabei bedeutet Bearbeiten insbesondere ein Abtragen von Material durch eine Oberflächenbehandlung, wodurch die oberflächlich sichtbare Struktur des Holzwerkstoffes verändert wird. Durch die Aufnahme eines erneuten Vergleichsbildes des veränderten Abschnittes und dem daraus erzeugten Vergleichsdatensatz bleibt das Identifizieren der Holzwerkstoffplatte möglich.
Dasselbe gilt nach einem Trennen einer der Holzwerkstoffplatten in mindestens zwei Teilformate, bei dem nach einem Trennen einer der Holzwerkstoffplatten in mindestens zwei Teilformate für jedes entstehende Teilformat an mindestens einer neu entstandenen Seitenkante der Teilformate für mindestens einen Abschnitt mindestens ein neues Vergleichsbild aufgenommen wird und ein neuer Vergleichsdatensatz ermittelt wird und bei dem für jedes Teilformat jeder neue Vergleichsdatensatz mit der ursprünglichen Holzwerkstoffplatte verknüpft wird.
Die daraus entstehenden mindestens zwei Teilformate werden dann unabhängig voneinander mit einer ursprünglichen Holzwerkstoffplatte verknüpft, so dass jedes Teilformat der ursprünglichen Holzwerkstoffplatte zugeordnet werden kann. Das zuvor erläuterte Aufnehmen der Vergleichsbilder erfolgt bevorzugt nach der Herstellung der Holzwerkstoffplatte, nach dem Zuschneiden auf die auszuliefemden Formate und weiter bevorzugt vor deren Weiterverarbeitung wie Beschichtung mit Farbaufträgen oder mit Papierschichten und/oder Imprägnaten. Dagegen kann es auch vorteilhaft sein, die Vergleichsbilder nach dem Beschichten aufzunehmenden, also in dem Zustand, in dem die Holzwerkstoffplatte zur Auslieferung in ein Lager verbracht oder bereits transportfähig gemacht wird. In dein genannten Zeitpunkten weist die Holzwerkstoffplatte ihre finale Struktur der Seitenkanten unabhängig von weiteren Beschichtungen auf.
Vorzugsweise wird die Holzwerkstoffplatte an einer Oberseite mit einer Schicht oder an beiden Oberseiten mit unterschiedlichen Schichten beschichtet, die in einer Seitenansicht unterschieden werden können. Dann kann es vorteilhaft sein, das mindestens eine Vergleichsbild erst nach der Beschichtung zu erzeugen, so dass anhand der seitlich sichtbaren Beschichtung bzw. der Beschichtungen die Ausrichtung der Holzwerkstoffplatte bestimmt und berücksichtigt werden kann.
Darüber hinaus können an mehreren Stationen des Herstellungsprozesses Vergleichsbilder aufgenommen werden, vorzugsweise immer kurz vor und/oder kurz nachdem Sich das Erscheinungsbild der Seitenkante durch einen Herstellungsschritt geändert haben könnte. Somit lässt sich über die gesamte Fertigungskette eine Nachverfolgbarkeit realisieren.
Die zuvor genannten Vergleichsbilder und Prüfbilder, züsammenfassend auch im Folgenden Bilder genannt, können mit herkömmlichen Kamerasystemen aufgenommen werden. Als Kameras kommen sämtliche 2D Bildkameras wie CCD- Kameras, Spiegelreflexkameras (DSLR), spiegellose Systemkameras (DSLM) oder Smartphone-Kameras, letztere insbesondere bei der Erstellung der Prüfbilder in Frage. Zudem stehen spektrale Kameras zur Verfügung, die jeden Bildpunkt über eine spektrale Messmethode in ein mehrkanaliges Spektrum zerlegen und speichern, wobei aus den spektralen Informationen pro Bildpunkt ein Helligkeits- und Farbwert im RGB-Farbraum mit den Werten für rot (R), grün (G), blau (B) oder im L*a*b*-
Farbraum mit Pixelwerten L* (Helligkeit), a* (rot-grün-Wert), oder b* (blau-gelb- Wert) oder in anderen Farbräumen abgeleitet werden. Die Nutzung einer spektralen Kamera hat den Vorteil, dass die Helligkeits- und Farbwerte genauer erfasst und abgebildet werden können.
Die zuvor genannten Vergleichsbilder und Prüfbilder können unter einer künstlichen Beleuchtung aufgenommen werden. Die Beleuchtung kann vorzugsweise für jede einzelne Aufnahme im Wesentlichen identisch sein und kann direkt in der Nähe der Kamera angeordnet sein. Andere Lichtquellen wie Sonneneinstrahlung durch ein Fenster, die Beleuchtung der Fertigungshalle, etc. sollten dabei abgeschirmt werden, so dass nur die Beleuchtung den aufzunehmenden Kantenbereich erhellt Zudem kann die Kante auch in einer geschlossenen Kammer aufgenommen werden oder Kamera, Beleuchtung und Seitenkante sind im Moment der Aufnahme gemeinsam von einem lichtundurchlässigen Gehäuse eingeschlossen. Auf diese Weise wird sichergestellt, dass nur Unterschiede der Seitenkante zu Unterschieden der Vergleichs- und Prüfbilder führen und nicht außerdem eventuelle Störeinflüsse von umliegenden Lichtquellen die Aufnahme verfälschen. Somit können auch kleine Unterschiede in der Farbe, Helligkeit, Struktur, etc. der Seitenkanten verlässlich unterschieden werden. Die Lichtquelle kann dabei an die Beschaffenheit der Seitenkante und/oder der Kamera angepasst werden. Ebenso können mehrere Bilder bei verschiedener Beleuchtung, beispielsweise bei verschiedenen Wellenlängen, aufgenommen und kombiniert werden.
Die Ermittlung eines Vergleichsdatensatzes aus den Vergleichsbildern kann in unterschiedlicher Weise erfolgen. Grundsätzlich gilt, dass jede Ermittlungsmethode, die zu einem Wert oder zu Werten führt, die in einem anschließenden Vergleichsalgorithmus verwendet werden können, geeignet ist, bei dem beschriebenen Verfahren angewendet zu werden. Ein erstes Ausführungsbeispiel einer Ermittlungsmethode besteht darin, dass in jedem Bild die erfasste Struktur des Holzwerkstoffes analysiert wird, vorzugsweise mit einem oder mehreren an sich bekannten Bildauswerteprogrammen. Beispielsweise können hier OpenCV, scikit-image, Google Cloud Vision API, Microsoft Computer Vision API, vlfeat, dlib, Matlab Image Processing Toolbox genannt werden.
Aus der analysierten Struktur der Holzwerkstoffelemente werden dann Strukturwerte durch die Form, den Umfang, die Fläche, die Länge, zu bestimmen als längste · Erstreckung der Form, und/oder die Ausrichtung, zu bestimmen als die Richtung der längsten Erstreckung der Form, der Holzwerkstoffelemente in Bezug auf die Abmessungen des aufgenommenen Abschnitts der Seitenkante bestimmt. Der Vergleichsdatensatz und der Prüfdatensatz werden danach als eine Abfolge von Strukturwerten für einen vorgegebenen Anteil der Holzwerkstoffelemente ermittelt. Die notwendige Anzahl der Strukturwerte für jedes Bild ist abhängig von der Individualität der Holzwerkstoffelemente und wird anwendungsbezogen bestimmt. Jedenfalls sind die Strukturwerte maßgeblich für die Identifizierbarkeit des Abschnitts und somit der Holzwerkstoffplatte. Es kann dabei deren Reihenfolge in der Abfolge von Strukturwerten maßgeblich oder irrelevant sein.
Beispielsweise kann für eine vorgegebene Anzahl von Holzwerkstoffelementen der Größe nach die Länge und der Winkel zur Seitenkantenerstreckung ermittelt werden und mathematisch in einen einzelnen Wert umgewandelt werden, vorzugsweise durch Summenbildung. Werden dann n Abschnitte ausgewertet, beispielsweise n=4, so ergeben sich 4 Werte, die zu einem 4-dimensinalen Vektor zusammengesetzt werden können. Ein solcher n-dimensionaler Vektor dient dann als Vergleichsdatensatz und kann mit einem entsprechend ermittelten Prüfdatensatz im n-dimensionalen Raum verglichen werden.
Bei einer weiteren bevorzugten Ausführungsform des beschriebenen Verfahrens besteht die Ermittlungsmethode darin, dass jedes Bild entsprechend eines vorgegebenen Rasters in Bezug auf die Ausrichtung des Abschnitts der aufgenommenen Seitenkante in Pixelbereiche unterteilt wird, bei dem jedem Pixelbereich ein aus den einzelnen Pixeln errechneter, vorzugsweise gemittelter
Pixelwert, also ein Helligkeitswert und/oder mindestens ein Farbwert, zugeordnet wird und bei dem der Vergleichsdatensatz bzw. der Prüfdatensatz als eine Abfolge von Pixelwerten in einer vorgegebenen Reihenfolge aus den Pixelbereichen ermittelt wird.
Somit wird ein Raster von beispielsweise N xM Bildpunkten mit einer Abstufung von 256 Graustufenwerten ermittelt, dessen Bildpunkte jeweils die genannten Pixelbereiche repräsentieren. Der jeweilige Graustufenwert eines Pixelbereiches kann durch Mittelwertbildung oder eine andere mathematische Methode ermittelt werden und stellt eine gemittelte Graustufe der Helligkeitsinformationen oder einer der Farbinformationen der Pixel dar. Werden die Graustufenwerte in einer vorgegebenen Reihenfolge aneinander gereiht, so ergibt sich ein charakteristischer Vergleichsdatensatz bzw. Prüfdatensatz, der dem nachfolgenden Vergleichsschritt zugrunde gelegt werden kann. Auch hierbei kann man mathematisch gesehen einen Vektor mit N x M Vektorkomponenten definieren, die dann auch als Matrix aufgefasst werden können. Aus der Matrix lässt sich dann wieder durch Mittelwertbildung jeder Zeile ein Vektor erzeugen.
Die Bilder können zuvor mittels eines optischen Filters oder eines Softwarefilters vorbereitet bzw. vorbearbeitet werden. Beispielsweise kann ein Kantenfilter eingesetzt werden, um die Ausrichtung von Holzfasern stärker hervorzuheben. Eine weitere Ausgestaltung des beschriebenen Verfahrens besteht darin, dass die Bilder, also die Vergleichsbilder und die Prüfbilder, jeweils mit einer 3D-Kamera aufgenommen werden. Ein Beispiel einer 3D-Kamera ist eine LIDAR-Kamera als eigenständige Kamera oder als Teil eines Smartphones. LIDAR ist die Abkürzung von Light Detection And Ranging. Ein anderes Beispiel einer 3D-Kamera weist zwei seitlich versetzt angeordnete Kameras auf. Neben der LIDAR-Technologie lassen sich auch andere kontaktlose Technologien zum Erfassen der 3D-Struktur der Oberfläche bzw. deren Rauigkeit änwenden. Diese sind Radio Detection And Ranging (RADAR),
Sound DetectingAnd Ranging (SODAR), konfokale Messverfahren mittels Laserlicht,
Weißlicht-Interferenz mittels LED-Licht und Interferometrie,
Wide Area 3D Profilmessung mittels weißem LED-Licht und Erzeugen und Vermessen eines Streifenmusters auf der Oberfläche,
Laserprofilometrie ähnlich wie die Wide Area 3D Profilmessung mit Laserlicht oder die Messung von Oberflächenbeschaffenheit durch kapazitive Sensoren.
Bei allen genannten Verfahren wird in ein- oder mehrdimensionaler Auflösung eine digitale Repräsentation der Materialoberfläche einer Plattenseite erzeugt und gespeichert. Unabhängig von der verwendeten Messmethode können die so erhaltenen digitalen Oberflächeninformationen als Vergleichsdatensatz und Prüfdatensatz konvertiert werden.
Der Verfahrensschritt zur Bestimmung des Bilddatensatzes erfolgt zunächst dadurch, dass zu jedem Bild die Topographie, also ein Höhenprofil senkrecht zur Oberflächenausrichtung der Seitenkante, ermittelt wird. Anschließend werden aus der Topographie ein Höhenlinienprofil, Abschnitte des Höhenprofils, eine Dreiecksvermaschung oder Abschnitte der Dreiecksvermaschung als Topographiewerte abgeleitet und der Vergleichsdatensatz bzw. der Prüfdatensatz wird als eine Abfolge von Topographiewerten in vorgegebener Reihenfolge aus der Topographie ermittelt.
Somit bestehen die Vergleichsdatensätze und die Prüfdatensätze aus einer Abfolge von charakteristischen Parametern der Topographie, die ein Identifizieren der Holzwerkstoffplatte ermöglichen. Die Abfolge der Parameter lässt sich bei dem Vergleichsschritt mittels eines geeigneten Algorithmus verarbeiten. Die Topographie kann auch durch ein mechanisches Abtasten der Oberfläche bestimmt werden, wozu unterschiedliche Verfahren bekannt sind. Beispielweise kann die Oberfläche entlang einer vorgegebenen Spur mit einem Taster, beispielsweise in
Form einer Tastnadel, abgefahren werden. Während der Bewegung des Tasters entlang der Spur werden die unterschiedlichen Höhen in Abhängigkeit vom zurückgelegten Weg als digitale Werte erfasst und mathematisch als Vektor gespeichert. Durch nebeneinander angeordnete Spuren können weitere Vektoren bestimmt werden, die dann auch als Matrix abgespeichert werden können. Ein derartiges Messverfahren ist von der Firma Keyence Corporation zur Messung der Oberflächenrauigkeit entwickelt worden.
Anstelle eines Tasters in Form einer Nadel kann auch ein Rasterkraftmikroskop eingesetzt werden.
Beim mechanischen Abtasten muss die Position der Messung genau spezifiziert werden, insbesondere wenn mehrfache Messungen, auch auf verschiedenen Seiten der Platte, durchgeführt werden. Die Position der Messung für den Vergleichsdatensatz auf der Oberfläche wird so festgelegt und gespeichert, dass sie für eine Aufnahme des Prüfdatensatzes wiederholt werden kann. Beispielsweise kann der Anfangspunkt der Messung durch Abstandsangaben ausgehend von einer Ecke einer Platte und die Richtung der abzutastenden Spur festgelegt werden.
Nach der Ermittlung eines Prüfdatensatzes wird ein Vergleich mit den in einer Datenbank gespeicherten Vergleichsdatensätzen durchgeführt, um bei einer ausreichenden Übereinstimmung, gegebenenfalls innerhalb vorgegebener Parametergrenzen, ein Identifizieren der Holzwerkstoffplatte zu erreichen.
Der Vergleich zwischen dem Prüfdatensatz und den Vergleichsdatensätzen erfolgt mittels mathematischer Methoden. In einer ersten bevorzugten Weise wird mit einem Algorithmus ein mathematisch definierter Abstand zwischen den Vergleichsdatensätzen und den Prüfdatensätzen berechnet, und anschließend wird der Abstand mit einem Schwellenwert verglichen. Wenn der berechnete Abstand geringer als der Schwellenwert ist, kann eine Übereinstimmung festgestellt werden. Damit wird ein deterministis ches Verfahren durchgeführt, das durch eine unmittelbare Vorschrift des gewählten Algorithmus vorgegeben ist Auch kann ohne einen Schwellwert der Vergleichsdatensatz, der von allen Vergleichsdatensätzen den geringsten Abstand zu dem Prüfdatensatz aufweist, als beste Übereinstimmung äusgewählt werden.
Ein Algorithmus ist dabei allgemein als eine eindeutige Handlungsvorschrift zur Losung eines Problems oder einer Klasse von Problemen zu verstehen. Algorithmen bestehen aus endlich vielen definierten Einzelschritten. Damit können sie insbesondere auch zur Ausführung in ein Computerprogramm implementiert werden. Bei der Problemlösung wird eine bestimmte Eingabe in eine bestimmte Ausgabe überführt Im Falle der unten beschriebenen Anwendung von neuronalen Netzwerken wird dann ein trainiertes neuronales Netzwerk anstelle eines zuvor genannten Algorithmus verwendet. Ein fertig trainiertes Netzwerk ist dann auch ein definiertes System, aber eine Beschreibung als Algorithmus ist hierbei nicht gegeben.
In einer weiteren Ausgestaltung des beschriebenen Verfahrens wird mindestens ein neuronales Netzwerk eines Systems für maschinelles Lernen verwendet Grundsätzlich erlaubt ein System für maschinelles Lernen den Einsatz einer Musteranalyse und einer Mustererkennung. Die dabei angewandte visuelle Intelligenz ermöglicht es, Bilder beziehungsweise Formen zu erkennen und zu analysieren. Als Anwendungsbeispiele seien hier allgemein die Handschrifterkennung öder das Identifizieren von Personen durch Gesichtserkennung genannt Neuronale Netze sind Netze aus künstlichen Neuronen und stellen einen Zweig der künstlichen Intelligenz dar. Die Topologie eines neuronalen Netzes besteht aus der Zuordnung von Verbindungen zu Knoten und wird für die spezifische Aufgabe trainiert, wobei das Netz durch folgende Methoden trainiert werden kann.
Einerseits kann die Entwicklung neuer Verbindungen, das Löschen existierender Verbindungen, das Ändern der Gewichtung durch Gewichtsfaktoren Wij von Neuron j zu Neuron i, das Anpassen der Schwellenwerte der Neuronen, sofern diese Schwellwerte besitzen, wobei erst bei Erreichen des Schwellenwertes das Neuron ein Signal an ein anderes Neuron abgibt, das Hinzufugen oder das Löschen von Neuronen sowie die Modifikation von Aktivierungs-, Propagierungs- oder Ausgabefunktionen angewendet werden, um das neuronale Netzwerk zu trainieren.
Andererseits wird ein neuronales Netz beim Training nicht selbstständig Änderungen an seiner eigenen Topologie vornehmen. Vielmehr probiert man zum Teil automatisiert verschiedene Topologien aus und lässt das neuronale Netz lernen, indem man gewisse Parameter innerhalb des Netzes anpassen lässt, was letztlich jeweils einem Lernschritt entspricht.
Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des neuronalen Netzes. Praktisch gesehen lernt ein Netz hauptsächlich durch Modifikation der Gewichte der Neuronen. Eine Anpassung des Schwellwertes kann hierbei parallel erfolgen.
In künstlichen neuronalen Netzen bezeichnet die Topologie die Struktur des Netzes. Damit ist im Allgemeinen gemeint, wie viele künstliche Neuronen sich auf wie vielen Schichten befinden, und wie diese miteinander verbunden sind. Künstliche Neuronen können auf vielfältige Weise zu einem künstlichen neuronalen Netz verbunden werden. Dabei werden Neuronen bei vielen Modellen in hintereinander liegenden Schichten angeordnet.
Das Training eines neuronalen Netzwerkes erfolgt mit einer möglichst großen Anzahl von Vergleichsbildern bzw. Vergleichsdaten, beispielsweise von 1.000 oder 10.000 Bildern. Als Eingabedaten in das neuronale Netzwerk können für das Training die gesamten Bilddaten oder eine mathematische Repräsentation der Bilddaten verwendet werden. Vorzugsweise werden als Vergleichsdatensätze die Graustufendaten im Raster der Vergleichsbilder dem neuronalen Netzwerk eingespeist. Dabei werden die Graustufen - wie oben bereits erläutert - in einem Wertebereich von beispielsweise 256 Graustufen zugeordnet
Insbesondere kann ein neuronales Netz, vorzugsweise ein Convolutional Neural Network (CNN), zunächst auf eine Vielzahl von Seitenkantenbildern in Form eines Autoencoders trainiert werden, um eine mathematische Repräsentation der Daten wie beispielsweise Graustufendaten zu erhalten. Hierbei werden die Bilder der ■ Seitenkanten in einem Encoder in eine Merkmalsrepräsentation überführt, deren Merkmale daraufhin gelernt werden, dass ausgehend von ihnen in einem Decoder wieder das ursprüngliche Bild zurückgewonnen werden kann. Auf diese Weise wird eine fehlertolerante Merkmalsrepräsentation der Holzstruktur generiert. Jeder
Vergleichsdatensätz und jeder Prüfdatensatz wird im Folgenden durch den Encoder in die Merkmalsrepräsentation überfuhrt Die Prüfsätze können somit in einem an die Holzstruktur angepassten Merkmalssatz mit den Vergleichsdatensätzen verglichen werden, ohne dass Merkmale manuell definiert werden müssten.
Um eine fehlertolerante, mathematische Repräsentation der Bilder erzeugen zu können, können beim beschriebenen Verfahren auch Autoencoder und Decoder eingesetzt werden, welche eventuelle Fehler im ursprünglichen Bild ausgleichen und somit eine fehlerreduzierte Bildvariante zum Training an das eigentliche neuronale N etzwerk weitergeben.
Alternativ zu einem neuronalen Netz können auch andere Methoden des maschinellen Lernens (zum Beispiel Support Vektor Machines) oder mathematische Methoden eingesetzt werden. Des Weiteren kann beispielsweise eine Kreuzkorrelation zwischen zwei Bildern, das der Prüfdaten und das der Vergleichsdaten, berechnet werden. Alternativ können andere Metriken wie ein Root Mean Square Error oder eine Kosinus-Ähnlichkeit verwendet werden. Bei einer ausreichend hohen Ähnlichkeit kann eine Übereinstimmung erkannt werden. Für die Verwendung einiger Metriken kann es sinnvoll sein, die Pixel aus einer zweidimensionalen Matrix-Anordnung mittels einer festgelegten Operation in eine eindimensionale Vektor-Anordnung zu überführen.
Die Prüf- und Vergleichsdaten können auch mittels vorgegebener Bild-Merkmale wie beispielsweise einer Entropie, einer Verteilung von zusammenhängenden Bereichen oder einer dominanten Faser-Ausrichtung charakterisiert werden. Anhand dieser Merkmale kann dann ein Vergleich zwischen den Merkmalswerten eines vorliegenden Prüfbildes und verschiedener Vergleichsbilder durchgeführt werden. Das oben aufgezeigte technische Problem wird nun erfindungsgemäß durch ein Verfahren zum Identifizieren von Holzwerkstoffplatten gelöst, bei dem für eine Mehrzahl von Holzwerkstoffplatten für jede Holzwerkstoffplatte mindestens eine Klassifizierung ermittelt und gespeichert wird, bei dem mindestens ein Vergleichsbild für einen vorgegebenen Abschnitt einer Seitenkante jeder Holzwerkstoffplatte aufgenommen wird, bei dem ein Vergleichsdatensatz aus dem Vergleichsbild anhand der Struktur, insbesondere auf der Basis der Geometrie, der Topographie und/oder der Verteilung der Holzwerkstoffelemente ermittelt und gespeichert wird, bei dem ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den Vergleichsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste Vergleichsdatensatz einer Klassifizierung zugeordnet ist, bei dem zu mindestens einem späteren Zeitpunkt ein Prüfbild für den vorgegebenen Abschnitt einer Seitenkante einer Holzwerkstoffplatte aufgenommen wird, bei dem ein Prüfdatensatz aus dem Prüfbild anhand der Struktur, insbesondere auf der Basis der Geometrie, Topographie und/oder der Verteilung der Holzwerkstoffelemente in gleicher Weise wie bei den Vergleichsdatensätzen ermittelt wird, und bei dem jedem Prüfdatensatz mit dem trainierten neuronalen Netzwerk eine der Klassifizierungen zugeordnet wird. Somit kann durch das beschriebene Verfahren - ähnlich wie bei einer Schriftzeichenerkennung - während des Trainings des neuronalen Netzwerkes einer Mehrzahl von Vergleichsbildern eine Klassifizierung, beispielsweise ein Herstellungsort oder ein Hersteilungszeitraum zugeordnet werden. Mit dem trainierten neuronalen Netzwerk wird dann ein Prüfbild einer Klassifizierung zugeordnet. Die I dentifizierung besteht also lediglich in der Klassifizierung, ohne dass dabei eine eindeutige Zuordnung mit einer spezifischen H olzwerkstoffplatte erfolgt. Das oben aufgezeigte technische Problem wird erfindungsgemäß auch durch ein Verfahren zum Identifizieren von Holzwerkstoffplatten, bei dem mindestens ein Vergleichsbild für einen vorgegebenen Abschnitt einer Seitenkante jeder H olzwerkstoffplatte aufgenommen wird/bei dem ein Vergleichsdatensatz aus dem Vergleichsbild anhand der Struktur, insbesondere auf der Basis der Geometrie, der Topographie und/oder der Verteilung der Holzwerkstoffelemente ermittelt und gespeichert wird, bei dem ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den Vergleichsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste Vergleichsdatensatz unterschiedlich zu allen anderen Verglei chsdatens ätzen ist, bei dem nach Abschluss des Trainings für alle Vergleichsdatensätze ein mathematischer Vergleichswert, beispielsweise eine Zahl oder ein Vektor, erzeugt und abgespeichert wird, bei dem zu mindestens einem späteren Zeitpunkt ein Prüfbild für den vorgegebenen Abschnitt einer Seitenkante einer Holzwerkstoffplatte aufgenommen wird, bei dem ein Prüfdatensatz aus dem Prüfbild anhand der Struktur, insbesondere auf der Basis der Geometrie, Topographie und/oder der Verteilung der Holzwerkstoffelemente in gleicher Weise wie bei den Vergleichsdatensätzen ermittelt wird, bei dem für jeden Prüfdatensatz mit dem trainierten neuronalen Netzwerk ein mathematischer Prüfwert, beispielsweise eine Zahl oder ein Vektor, erzeugt und abgespeichert wird und bei dem die geprüfte Holzwerkstoffplatte bei einer Übereinstimmung des mathematischen Prüfwertes mit einem Vergleichswert als die Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist. Somit wird - ähnlich wie bei einer Gesichtserkennung - ein siamesisches neuronales Netzwerk eingesetzt, um eine Übereinstimmung eines Prüfbildes mit einem der
Vergleichsbilder feststellen zu können.
Ein siamesisches neuronales Netzwerk besteht dabei aus zwei identischen Teilnetzen, auch bekannt als Zwillingsnetzwerke, die an ihren Ausgängen verbunden sind. Die Zwillingsnetzwerke haben nicht nur eine identische Architektur, sondern teilen auch dieselben Schwellenwerte und Gewichte. Sie arbeiten parallel und sind für die Erstellung von V ektor darstellungen für die Eingaben verantwortlich. Letztlich werden die jeweils vom neuronalen Netzwerk errechnete Zahlenwerte oder Vektoren miteinander verglichen, die durch die neuronalen Netzwerke - ähnlich einem Algorithmus - berechnet werden.
In der Praxis können die beiden neuronalen Netzwerke auch nicht zeitlich parallel eingesetzt werden, sondern wird zunächst ein neuronales Netzwerk mit einer Vielzahl von Vergleichsbildern trainiert Der durch das Training festgelegte Aufbau des neuronalen Netzwerkes, insbesondere im Hinblick auf die Schwellenwerte der einzelnen Neuronen und der Gewichtungsfaktoren der Verbindungen zwischen den Neuronen, wird gespeichert und kann auf ein anderes neuronales Netzwerk bzw. das andere der siamesischen neuronalen Netzwerke übertragen werden.
Die nach Abschluss des Trainings mit zeitlichem Abstand jeweils ermittelten Vergleichswerte in Form von Zahlen oder Vektoren werden in einer Datenbank für einen späteren Vergleich mit Prüfwerten abgespeichert Dazu wird in der laufenden Produktion jede neue Holzwerkstoffplatte mit Vergleichsbildern erfasst, die Berechnung der Zahlenwerte oder Vektoren mit dem trainierten Netzwerk durchgeführt und abgespeichert. Ebenso wird mit den Vergleichsbildern verfahren, die beim Training des neuronalen Netzwerkes verwendet worden sind. Zu diesen H olzwerkstoffplatten werden die Zahlenwerte oder Vektoren in gleicher Weise berechnet und abgespeichert Bei der Prüfung, ob ein Prüfbild einem Vergleichsbild entspricht, wird dann ein solches in gleicher Weise aufgebautes neuronales Netz verwendet, um aus dem Prüfbild bzw. dem Prüfdatensatz einen Prüfwert in Form einer Zahl oder eines Vektors zu errechnen. Der Prüfwert wird dann mit den Vergleichswerten in der Datenbank verglichen und bei einer ausreichenden Übereinstimmung kommt das siamesische neuronale Netzwerk zu einer Identifizierung einer Holzwerkstoffplatte.
In bevorzugter Weise wird eine Kombination aus einer Klassifizierung durch das erstgenannte Verfahren und einer nachfolgenden Identifizierung durch das zweitgenannte Verfahren angewendet. Dadurch wird eine zu prüfende Holzwerkstoffplatte mittels des Prüfbildes zunächst einer Klassifikation, beispielsweise einem Herstellungsort, zugeordnet. Da somit eine Eingrenzung der Anzahl der möglichen Vergleichsbilder erreicht wird, kann für jede der möglichen Klassifikationseinheiten, hier der Herstellungsorte, eine geringere Menge an
Vergleichsbildern für das Training des neuronalen Netzwerkes herangezogen werden, wodurch die Genauigkeit und die Trefferquote verbessert werden können.
Bei den zuvor genannten Verfahren ist eine Trefferquote, also die Anzahl der richtigen Zuordnungen anteilig an den gesamten Zuordnungen, im Bereich von größer als 80%, vorzugsweise größer als 90%, ausreichend für eine gute Funktionsweise, wenngleich eine größtmögliche Trefferquote angestrebt wird.
In weiter bevorzugter Weise wird das Verfahren durch die folgenden Schritte ergänzt. Für die Mehrzahl von H olzwerkstoffp latten wird, vorzugsweise zu Beginn des
Verfahrens, ein Charakterisierungsdatensatz ermittelt und gespeichert, wobei jeder Vergleichsdatensatz mit dem Charakterisierungsdatensatz für die jeweilige Holzwerkstoffplatte verknüpft wird und bei dem der geprüften Holzwerkstoffplatte bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz der mit dem Vergleichsdatensatz verknüpfte Charakterisierungsdatensatz zugeordnet wird. Dabei können beide Datensätze separat gespeichert und mittels Pointer verknüpft sein, die Daten können aber auch als ein Datensatz gespeichert und insoweit verknüpft sein.
Die geprüfte Holzwerkstoffplatte wird somit durch weitere Daten und Informationen charakterisiert und die in dem Charakterisierungsdatensatz hinterlegten Informationen können für die weitere Logistik oder weitere Verarbeitung genutzt werden.
Als Charakterisierungsdaten können eines oder mehrere der folgenden Daten in den Charakterisierungsdatensatz zu Beginn oder ergänzend zu einem späteren Zeitpunkt geschrieben werden:
- Materialinformation zur Holzart bzw. zu Holzarten der eingesetzten Holzwerkstoffe,
- Materialinformationeil zur Rezeptur der verwendeten Bindemittel und weiterer
Additive,
- technische Datenblätter und Laborprotokolle
- Herstellungsparameter wie Temperatur, Druck und Zeitverlauf des Pressvorgangs,
- Produktionsdatum, Produktionszeit, Produktionsanlage und Produktionsstandort,
- Abmessungen bzw. Format, insbesondere Außenabmessungen und Schichtdicken,
- Art einer aufgebrachten Beschichtung bzw. eines Dekors,
- Zertifizierungen der Platte für das verwendete Holz nach den Normen FSC und PEFC für nachhaltige Waldwirtschaft und entsprechende ISO-Normen,
- Zertifizierungen der Platte in Bezug auf die Abgabe von flüchtigen Stoffen nach TSCA
Title VI, CARB2 und CE,
- Lagerorte und Lagerzeiten sowie Transportwege und Transportzeiten,
- Berechtigungsinformationen für ein nachträgliches Auslesen der Datensätze
Das zuvor beschriebene Identifizieren kann somit zu einer, zusätzlichen Zuordnung mindestens eines Datums der Charakterisierungsdaten zu einer geprüften Holzwerkstoffplatte führen. Die Zuordnung kann demnach eine Klassifizierung sein, in dem ein Produktionsort, Produktionsdatum, Produktionszeitpunkt und Produktionsanlage und/oder eine Holzart oder eine andere charakteristische Eigenschaft der geprüften Holzwerkstoffplatte zugeordnet wird. Diese Eigenschaft kann einer Vielzahl von Holzwerkstoffplatten zugeordnet werden, die somit klassifiziert werden.
In bevorzugter Weise wird bei einem Trennen der Holzwerkstoffplatte in mindestens zwei Teilformate der Charakterisierungsdatensatz um mindestens ein Datum ergänzt, das den Bearbeitungsschritt des Trennens der Holzwerkstoffplatte charakterisiert.
Das mindestens eine zusätzliche Datum kann den Zeitpunkt der Bearbeitung und/oder die neuen Abmessungen der Teilformate enthalten. Die weiteren unveränderten Seitenkanten bleiben mit den bisherigen Vergleichsbildern und Vergleichsdatensätzen verknüpft, die jedoch auch mit dem geänderten Charakterisierungsdatensatz verknüpft werden müssen.
Die einer geprüften Holzwerkstoffplatte zugeordneten Charakterisierungsdatei mit den klassifizierenden und/oder weiter identifizierenden Informationen können in der Verwertungskette vom Hersteller bis zum Endkunden in verschiedener Weise mit weiteren Daten verknüpft und präsentiert werden.
Dabei wird davon ausgegangen, dass das Erfassen des Prüfbildes insbesondere bei einem Endkunden jeweils vor Ort aufgenommen wird, vorzugsweise mit einem mobilen Gerät wie einem Smartphone. Die für die Aufnahme des Prüfbildes benutzte Anwendung (App) wird vom Hersteller der Holzwerkstoffplatte bereitgestellt, so dass eine direkte Datenverbindung mit einem oder mehreren Servern des Herstellers hergestellt werden kann. Nach einer der zuvor beschriebenen Alternativen oder nacheinander durchgefühlten Analysen erfolgt dann eine Charakterisierung bzw. Identifizierung der Holzwerkstoffplatte, so dass der Hersteller einerseits über den aktuellen Ort, den angemeldeten Benutzer und/oder die Art der Verwendung Daten erfassen kann. Andererseits kann der Hersteller weitere Daten zu dieser H olzwerksto ffplatte ermitteln und über die Anwendung (App) dem Benutzer präsentieren. In beiden Fällen ergibt sich ein Mehrwert, der durch die Anwendung einer der beschriebenen Verfahren ermöglicht wird.
Vorzugsweise können dem Benutzer zu der Holzwerkstoffplatte passende weitere Produktvorschläge unterbreitet werden. Beispielsweise können Vorschläge für weitere passende Produkte angezeigt werden, die mit der vorliegenden Holzwerkstoffplatte eingesetzt werden können, insbesondere unter B erücks ichtigung des mit der Holzwerkstoffplatte verbundenen Dekors. Ebenso können die Vorschläge weitere Holzwerkstoffplatten, Schichtstoffe oder Fußbodenpaneele aufweisen.
Darüber hinaus können Inspirationen für den Benutzer angezeigt werden, beispielsweise Fotos von Raumsituationen und/oder Möbel, in denen die Holzwerkstoffplatte verbaut wurde oder werden soll. Des Weiteren können auch betriebswirtschaftliche Informationen mit der
Charakterisierung oder gegebenenfalls Identifizierung der Holzwerkstoffplatte verbunden werden. Beispielsweise kann die Übermittlung einer Rechnung des Händlers bzw. des Herstellers mit der Aufnahme und Analyse des Prüfbildes oder auch eine Reklamationsb earbeitung verknüpft werden. Zudem kann ein 0 riginalitätsnachweis in Form eines Echtheitszertifikats übermittelt werden.
Ebenso kann das Kaufverhalten der Endabnehmer, beispielsweise eines Tischlers, erfasst werden, wenn die Holzwerkstoffplatte gescannt bzw. aufgenommen worden ist. Damit können individualisierte Angebote, Produktneuheiten oder Ähnliches zugesandt werden. Dadurch kann der Hersteller bzw. auch ein Händler Daten über die Verwendung, den Zeitpunkt der Verwendung und die Art des Einsatzes der Holzwerkstoffplatten ermittelt werden. Somit können unter anderem Informationen über das Bestellverhalten und über Lagerzeiten bei Händlern und Endabnehmern bis zur Verarbeitung erfasst werden. Im Folgenden wird die Erfindung anhand von Ausfiihrungsbeispielen mit Bezug auf die Zeichnung erläutert. In der Zeichnung zeigen
Fig. 1 bis 4 eine schematische Darstellung und Tabellen für ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit Anwendung an einem Abschnitt einer Seitenkante einer Holzwerkstoffplatte und Auswertung geometrischer Größen der Spanverteilung,
Fig.5 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit Anwendung von vier Abschnitten einer Seitenkante einer Holzwerkstoffplatte,
Fig. 6 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit Anwendung von zwei Abschnitten an jeder Ecke einer H olzwerkstoffplatte,
Fig. 7 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit Anwendung einer Mehrzahl von Abschnitten an einer Seitenkante einer H Olzwerkstoffplatte,
Fig. 8 eine schematische Darstellung für ein Weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit Anwendung an einem Abschnitt an einer Seitenkante einer Holzwerkstoffplatte und Auswertung eines Graustufenrasters der Spanverteilung, Fig, 9 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfmdungsgemäßen Verfahrens mit Anwendung an einem Abschnitt an einer Seitenkante einer Holzwerkstoffplatte und Auswertung von Höhenprofildaten der Spanverteilung,
Fig. 10 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfmdungsgemäßen Verfahrens mit einer Auswertung von Datensätzen der Spanverteilung mit Hilfe eines Trainings eines neuronalen Netzwerkes mit einer Mehrzahl von Vergleichsdatensätzen,
Fig. 11 das in Fig. 10 gezeigte neuronale Netzwerk bei einer Überprüfung eines
Prüfdatensatzes,
Fig. 12 eine schematische Darstellung für ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens mit einer Auswertung von Datensätzen der Spanverteilung mit Hilfe eines Trainings eines neuronalen Netzwerkes mit einer Mehrzahl von Vergleichsdatensätzen,
Fig. 13 das in Fig. 12 gezeigte neuronale Netzwerk bei einer Überprüfung eines Prüfdatensatzes,
Fig. 14 ein Beispiel einer Erfassung der Oberflächenstruktur mittels eines mechanischen Tasters und Fig. 15 eine zu vermessende Platte mit eingezeichneten Koordinaten.
In den Fig. 1 bis 4 ist ein erstes Ausführungsbeispiel eines Verfahrens zum Identifizieren von Holzwerkstoffplatten dargestellt.
In Fig. 1 ist ein Photographie eines Stückes einer Seitenkante 2 einer Holzwerkstoffplatte in einer Seitenansicht dargestellt. Am rechten Rand der Ansicht ist eine rechtwinklige Ecke 4 angeordnet, die eine Referenz für ein Maß „da" verwendet werden kann, um die Position eines Abschnitts 6 festzulegen. Der Abschnitt 6 ist mit einer gestrichelten Hilfslinie gezeigt, die jedoch nicht auf der Seitenkante selbst angebracht ist. Die Seitenkante 2 ist nicht weiter bedruckt oder sonst markiert. Fig. 2 zeigt den Abschnitt 6 in einer separaten Ansicht
In einem weiteren Schritt des Verfahrens wird nun ein Vergleichsbild für den Abschnitt 6 der Seitenkante 2 mit einer nicht dargestellten Kamera aufgenommen und ausgewertet Dazu wird eine herkömmliche Bildanalyse-Software benutzt wie beispielsweise OpenCV, scikit-image, Google Cloud Vision API, Microsoft Computer Vision API, vlfeat, dlib, Matlab Image Processing Toolbox, etc. und eine Anzahl von einzelnen Holzwerkstoffspäne erkannt. Die Umrisse der erkannten Späne werden zu einem Teil von der Software anhand vorgegebener Kriterien wie Größe oder Fläche bestimmt. Diese ist exemplarisch für einen langen Span in den Fig. 1 und 2 gezeigt, dessen Fläche durch eine konstante graue Einfärbung markiert ist.
Wie in Fig. 2 für den ausgewählten Span gezeigt ist, werden die erkannten Späne nach Länge dl und Winkel ct der Ausrichtung der Späne in Bezug auf die Erstreckungsrichtung [horizontal in Fig. 2) vermessen, die entsprechenden Daten für N=20 Späne sind in Fig. 3 als Tabelle zum Teil aufgelistet
Fig. 4 zeigt die graphische Darstellung der Daten nach der Tabelle in Fig. 3, wobei die Länge dl in Richtung der x-Achse und der Winkel « relativ zur x-Achse als Vektoren eingezeichnet sind. Die entsprechenden Vektoren vi, V2, V3 und V20 sind in Fig. 4 eingezeichnet Durch eine Projektion der Vektoren auf die x-Achse durch B erücksichtigung des Kosinuswertes zum Winkel a und Bildung des Absolutwertes [Betrag) ergeben sich dann die Werte Betrag dx in der rechten Spalte der Tabelle in Fig. 3. Ein Vorteil der Betragsbildung bei den Werten dx(N) besteht darin, dass der Wert der gleiche ist, unabhängig von der Ausrichtung der Holzwerkstoffplatte bei der
Aufnahme des Bildes.
Bildet man anschließend die Summe der Beträge dx über N=1 bis 20, so ergibt sich ein spezifischer Wert für den Abschnitt 6, der das Identifizieren der H olzwerksto ffplatte ermöglicht. Somit wird bei dem dargestellten und beschriebenen Verfahren ein Vergleichsdatensatz, hier als Summe der Werte N=1 bis 20 über die Beträge dx(N) sowie die Einzelwerte dx(N) aus dem Vergleichsbild anhand der Geometrie der Holzwerkstoffelemente der Späne ermittelt und gespeichert.
Zu mindestens einem späteren Zeitpunkt nach der Herstellung, also beispielsweise noch während der Lagerung im Herstellungsbetrieb, während des Transportes und weiterer Lagerung und/oder während des Einsatzes der Holzwerkstoffplatten für eine Weiterverarbeitung beispielsweise als Möbelplatte, wird ein Prüfbild für den vorgegebenen Abschnitt der Seitenkante einer Holzwerkstoffplatte aufgenommen.
Das Prüfbild wird einer gleichen Analyse, wie zuvor anhand der Fig. 1 bis 4 erläutert worden ist, unterzogen und ein Prüfdatensatz wird aus dem Prüfbild anhand der Geometrie der Holzwerkstoffelemente (Späne, Fasern) in gleicher Weise wie bei den Vergleichsdatensätzen ermittelt. Anschließend wird der Prüfdatensatz mit den in der Datenbank gespeicherten Vergleichsdatensätzen von der Vielzahl von Holzwerkstoffplatten verglichen. Die geprüfte H olzwerksto ffplatte wird dann bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz als die H olzwerksto ffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist.
Das Prüfbild wird dabei bevorzugt mit einer gleichen Kamera und bei gleichen Belichtungssituationen aufgenommen. Das Verfahren kann aber auch so robust gegenüber Schwankungen sein, dass beispielsweise eine fest installierte Kamera nach der Herstellung der Holzwerkstoffplatte das Vergleichsbild aufnimmt, während das Prüfbild zu einem späteren Zeitpunkt mit einer mobilen Kamera, insbesondere auch mittels einer Kamera eines Smartphones aufgenommen werden kann.
Die Datenbank ist allgemein auf einem Server gespeichert, der über ein lokales Netzwerk der H erstellungs statte und/oder über das Internet mit den Recheneinheiten für das Erstellen von Vergleichsdatensätzen und den Recheneinheiten für das Erstellen der Prüfdatensätze verbunden ist und einen Datenaustausch ermöglicht.
Fig. 5 zeigt ein weiteres Ausführungsbeispiel eines Verfahrens zum Identifizieren von H olzwerkstoffplatten, bei dem im Vergleich zum Beispiel nach den Fig. 1 bis 4 insgesamt vier Abschnitte 6a, 6b, 6c und 6d definiert werden, die mit den Abständen dai, da2, das und da4 von der Ecke 4 beabstandet angeordnet sind.
Anschließend werden Vergleichsbilder für die vier Abschnitte 6a, 6b, 6c und 6d an der Seitenkante 2 aufgenommen und für jeden Abschnitt 6a, 6b, 6c und 6d wird in der zuvor erläuterten Weise eine Summe und gebildet. Die Zahlenwerte der vier Summen werden dann in der Reihenfolge der Abschnitte in einen 4-dimensionalen Vektor V geschrieben, der den Vergleichsdatensatz bildet.
Bei einer späteren Überprüfung einer Holzwerkstoffplatte werden dann in gleicher Weise an einer vorgegebenen Seitenkante die in den vorgegebenen Abschnitten dai, da2, da3 und da4 positionierten vier Abschnitte photographiert und, wie zuvor beschrieben, ausgewertet und ein Vektor V als Prüfdatensatz gebildet. Dieser Prüfdatensatz wird dann mit den in der Datenbank gespeicherten Vergleichsdatensätzen verglichen. Bei einer Übereinstimmung zwischen dem Prüfdatensatz und einem der Vergleichsdatensätze wird dann die geprüfte Holzwerkstoffplatte als die Holzwerkstoffplatte identifiziert, für die der Vergleichsdatensatz erzeugt worden ist. Der Vergleichsdatensatz und der Prüfdatensatz sind somit als eine Abfolge von Strukturwerten für einen vorgegebenen Anteil der Holzwerkstoffelemente ermittelt worden. Fig. 6 zeigt ein weiteres Ausführungsbeispiel des Verfahrens zum Identifizieren von H olzwerkstoffplatten, bei dem an jeder der vier Ecken einer rechteckigen H olz werksto ffplatte an jeder der beiden angrenzenden Seitenkanten, vorliegend angrenzend zur Ecke mit einem Wert für den Abstand da gleich Null, ein Abschnitt definiert. Somit werden acht Vergleichsbilder für acht Abschnitte 6a bis 6h erzeugt und weiter verarbeitet.
In dieser Weise ist jede Holzwerkstoffplatte so oft mit einem Vergleichsbild verknüpft, dass in einfacher Weise jede Holzwerkstoffplatte unabhängig von ihrer Lage identifizierbar ist. Wenn also für einen Prüfvorgang für nur einen der acht Abschnitte mit Vergleichsdatensätzen ein Prüfbild aufgenommen und ein Prüfdatensatz ermittelt wird, dann kann die Holzwerkstoffplatte gleichwohl identifiziert werden.
Fig. 7 zeigt ein weiteres Ausführungsbeispiel des Verfahrens, bei dem Vergleichsbilder für eine Mehrzahl von Abschnitten 6a bis 6e in vorgegebenen Abständen D entlang zumindest eines Teils einer Seitenkante 2 aufgenommen und Vergleichsdatensätze für die Vergleichsbilder erzeugt werden. Der vorgegebene Abstand kann dabei an der Auflösung der Vergleichsbilder bzw. an der räumlichen Auflösung einer aus den Vergleichsbildern ermittelten Graustufenverteilung, siehe die Diskussion der Fig. 8 unten, angepasst sein.
Zu dem mindestens einen späteren Zeitpunkt kann dann entsprechend dem Raster, also vorzugsweise willkürlich, ein Prüfbild in dem Bereich der Mehrzahl von Abschnitten der Seitenkante aufgenommen werden, ohne dass eine exakte Positionierung des aufgenommenen Prüfbildes erforderlich ist. Anschließend wird wieder ein Prüfdatensatz für den Vergleich mit den Vergleichsdatensätzen ermittelt. Die weitere Verarbeitung entspricht dann den vorigen Beispielen. Da die Strukturen der Seitenkanten selbst für die Identifizierung herangezogen werden, ist es für eine Identifizierung erforderlich, dass die Strukturen erhalten bleiben bzw. nur in geringem Maße verändert werden. Wenn die Strukturen aber zu stark verändert werden, ist eine neue Erstellung von Vergleichsbildern und Vergleichsdatensätzen erforderlich. Daher wird bei einer weiteren Ausgestaltung des Verfahrens vorgesehen, dass nach einem Bearbeiten mindestens einer Seitenkante der Holzwerkstoffplatte für diese mindestens eine Seitenkante für mindestens einen Abschnitt mindestens ein Vergleichsbild aufgenommen und ein Vergleichsdatensatz ermittelt wird. Dabei bedeutet ein Bearbeiten insbesondere ein Abtragen von Material, beispielsweise ein Fräsen oder Schleifen.
Insbesondere gilt dieses auch dann, wenn die Holzwerkstoffplatte aufgetrennt wird und zwei oder mehr Teilformate zugeschnitten werden. Dann wird bei einer weiteren Ausgestaltung des Verfahrens vorgesehen, dass nach einem Trennen einer der Holzwerkstoffplatten in mindestens zwei Teilformate für jedes entstehende Teilformat an mindestens einer neu entstandenen Seitenkante der Teilformate für mindestens einen Abschnitt mindestens ein Vergleichsbild aufgenommen wird und ein Vergleichsdatensatz ermittelt wird.
Zuvor sind die Ausgestaltungen des Verfahrens beschrieben worden, bei denen 2D- Kameras zum Einsatz gekommen sind und bei denen in jedem Bild die erfasste Struktur des Holzwerkstoffes analysiert wird, bei dem aus der Struktur der Holzwerkstoffelemente Strukturwerte durch die Länge als längste Erstreckung in der Form und durch die Ausrichtung, also der Richtung der längsten Erstreckung in der Form der Holzwerkstoffelemente in Bezug auf die Abmessungen des aufgenommenen Abschnitts der Seitenkante die Vergleichsdatensätze und Prüfdatensätze bestimmt werden. Darüber hinaus kann auch alternativ oder zusätzlich durch die Form, durch den Umfang und/oder durch die Fläche der Holzwerkstoffelemente Information für die Vergleichsdatensätze und Prüfdatensätze gewonnen werden. Die 2D-Bilder, also die Vergleichsbilder und die Prüfbilder, können mit herkömmlichen Kameras aufgenommen werden, beispielsweise allgemein CCD-
Kameras, Spiegelreflexkameras (DSLR), spiegellose Systemkameras (DSLM) oder Kameras von mobilen Endgeräten wie Smartphones oder Tablets. Ein 2D-Bild kann aber auch mit einer für jeden Bildpunkt Spektraldaten ermittelnden spektralen
Kamera gewonnen werden. Das Bild kann dabei im RGB-Farbraum mit den Werten für rot (R), grün (G) und blau (B) oder im L*a*b*-Farbraum mit Pixelwerte L*, a*, oder b* für Helligkeit (L*), rot-grün Farbintensität (a*) und blau-gelb Farbintensität (b*) oder in anderen Farbräumen gespeichert sein.
Ein weiteres Ausführungsbeispiel weist eine andere Bildanalyse auf, wobei nicht die vorhandenen Strukturen ermittelt werden, sondern bei dem - wie in Fig. 8 gezeigt ist - jedes Bild des Abschnitts 6 angrenzend an die Ecke 4 der Seitenkante 2 entsprechend eines vorgegebenen Rasters in Bezug auf die in Fig. 8 horizontale Ausrichtung des Abschnitts 6 in Pixelbereiche unterteilt wird. Jedes Quadrat des Rasters umfasst eine Mehrzahl von Pixel des aufgenommenen Bildes und stellt einen Pixelbereich dar. Jedem Pixelbereich wird dann ein aus den einzelnen Pixeln errechneter und gemittelter Pixelwert aus den Helligkeitswerten zugeordnet und der Vergleichsdatensatz bzw. der Prüfdatensatz wird dann als eine Abfolge von gemittelten Pixelwerten 10, 75, 190, 205, ... in einem Wertebereich von (0 ... 255] in einer vorgegebenen Reihenfolge aus den Pixelbereichen ermittelt. Daraus ergibt sich wieder ein Vektor V mit einer Vielzahl von Werten, der in Fig. 8 mit einer Reihe von Werten abschnittsweise gezeigt ist. Anstelle eines Helligkeitswertes kann auch mindestens ein Farbwert eines Farbkanals als Pixelwert berechnet werden. Der so ermittelte Vergleichsdatensatz und der Prüfdatensatz werden dann in der oben beschriebenen Weise verarbeitet, um das Verfahren durchzufuhren. Eine weitere Ausgestaltung des Verfahrens zum Identifizieren von
Holzwerkstoffplatten ist in Fig. 9 gezeigt. Dargestellt ist erneut die Seitenkante 2 der Holzwerkstoffplatte wie in Fig. 1, der gewählte Abschnitt 6 ist angrenzend an die Ecke 4 der Holzwerkstoffplatte angeordnet.
Bei dem Verfahren werden dann die Bilder, also die Vergleichsbilder und die Prüfbilder, jeweils mit einer 3D-Kamera aufgenommen werden, die als LIDAR-Kamera als eigenständige Kamera oder als Teil eines Smartphones oder als eine zwei Kameras aufweisende stereoskopische Kamera ausgebildet ist.
Zu jedem Bild wird dann die Topographie ermittelt und aus der Topographie wird ein diese Topographie wiedergebendes Profil erzeugt. Aus dem Profil können unterschiedliche Parameter wie das Höhenlinienprofil als Ganzes oder in Abschnitten, eine Dreiecksvermaschung oder Abschnitte der Dreiecksvermaschung als Top ographie werte abgeleitet werden und der V ergleichs datensatz bzw. der Prüfdatensatz werden danach als eine Abfolge von Topographiewerten in vorgegebener Reihenfolge aus der T opographie ermittelt.
Ausgehend von einem Höhenprofil kann die Form der Höhenlinien direkt analysiert werden. Es können mehrere Schwarz-Weiß-Bilder generiert werden, wobei bei jedem Bild ein Höhenschwellwerten vorgegeben wird, und Bereiche schwarz gefärbt werden, deren Höhe unterhalb des Schwellwerts liegen und solche weiß gefärbt werden, deren Höhe größer oder gleich dem Schwellwert liegen. Hieraus können Eigenschaften der binären Bild-Elemente ausgewertet werden wie beispielsweise die größte zusammenhängende Fläche, die Verteilung der Größen von Einzelflächen und/oder das Verhältnis von Haupt- zu Nebenachsen in einzelnen Flächen.
Ebenso kann ein Tiefenbild in ein Graustufenbild überführt werden, das sich aus Pixeln zusammensetzt, die jeweils eine Tiefe des Oberflächenprofils beschreiben. Ein niedriger Wert nahe 0 kann beispielsweise Bereiche kennzeichnen, die nah an der vermessenden Kamera liegen, also nach an einer imaginären perfekt glatten Oberfläche. Höhere Werte >0 können für eine Vertiefung wie etwa einen Freiraum zwischen zwei Fasern stehen. Die Skala kann natürlich auch umgekehrt angelegt sein. Auch kann die dreidimensionale Struktur direkt, ohne Überführung in ein zweidimensionales Äquivalent analysiert werden. Hierfür können verschiedene 3D- Kenngrößen herangezogen werden, insbesondere gemäß der Norm EN ISO 25178. Zur Auswertung einer dreidimensionalen Oberfläche werden Kenngrößen und Messverfahren spezifiziert, durch die die Oberflächen vermessen und somit zur Identifizierung verwendet werden können.
Neben der Auswertung von Höhenlinien der Topographie kann, wie erwähnt, auch aus einer großen Anzahl von Einzelpunkten, die die Oberfläche der Struktur der Seitenkante repräsentieren, ein digitales Modell erstellt werden. Das kann entweder durch eine Dreiecksvermaschung (Triangulated Irregulär Network) erfolgen oder durch Approximation eines rechteckigen Gitternetzes. Dieses Höhenmodell wird mit einer horizontalen Ebene in der gewünschten Höhe geschnitten, das Ergebnis ist die Höhenlinie.
Als weitere Parameter können Amplitudenkenngrößen verwendet werden, die beispielsweise die Höhenstruktur der Oberfläche mit einzelnen Werten beschreiben und auf eine 2D-Profilschnittauswertung zurückgehen. Sie werden von der linienhaften 2D- auf die flächenhafte 3D-Auswertung übertragen. Weitere Parameter sind eine flächenbezogene arithmetische Mittenrauheit (Sa), eine flächenbezogene Kernrauheitstiefe (Sk), eine flächenbezogene gemittelte Rautiefe (Sz) oder ein flächenbezogener quadratischer Mittenrauwert (Sq). Da die Oberfläche der Seitenkante einer Holzwerkstoffplatte in diesen Parametern unterschiedliche Werte annehmen kann, kann in einem Raster, entsprechend dem Raster nach Fig. 8 für jedes Feld des Rasters einer oder mehrere dieser Parameter bestimmt werden, deren Zahlenwerte zusammen in einen spezifischen Vektor eingeschrieben werden.
Weitere räumliche Kenngrößen beschreiben das Strukturmuster der Oberfläche. Hierfür wird die Autokorrelationsfunktion ACF eingesetzt und als Parameter können, wieder bevorzugt in einem Raster, die Autokorrelationslänge (Sal) und/oder das Textur-Aspekt- Verhältnis (Str) verwendet werden.
Des Weiteren sind hybride Kenngrößen bekannt, die vertikale und räumliche Kenngrößen kombinieren, um die Steigung zu bestimmen. Als Parameter können dabei die mittlere quadratische Oberflächensteigung (Sdq) und/oder das Verhältnis der realen Oberfläche zur Messfläche ( Sdr ), erneut bevorzugt im Raster angeordnet, verwendet werden. Bei den zuvor erläuterten Verfahren werden die Prüfdatensätze mit den
Vergleichsdatensätzen verglichen, wobei bevorzugt mit einem Algorithmus ein mathematisch definierter Abstand zwischen den Vergleichsdatensätzen und den Prüfdatensätzen berechnet wird, bei dem der Abstand mit einem Schwellenwert verglichen wird und bei dem dann, wenn der Abstand geringer als der Schwellenwert ist, eine Üb ereinstimmung festgestellt wird.
Die Algorithmen können dabei unterschiedlich mathematisch formuliert sein und die Abstände durch verschiedene Approximationen berechnet werden. Eine erste übliche Abstandsmetrik ist etwa ein Root Mean Square Error (RMSE), bei dem für jedes Element eine Differenz der Merkmalswerte zwischen den Prüf- und den Vergleichsdaten berechnet wird, diese Differenz quadriert, die quadrierten Differenzen für alle Merkmale aufaddiert und anschließend die Wurzel aus der Summe gezogen wird,
Alternativ kann eine Kosinus-Ähnlichkeit C verwendet werden, insbesondere wie folgt. Werte von -1 geben einen großen Unterschied an, Werte nahe 1 eine hohe Übereinstimmung. Die zuvor beschriebenen Algorithmen verwirklichen eine direkte mathematische
Beziehung zwischen den Eingabewerten und dem Ausgabewert, sie können insoweit deterministisch bezeichnet werden und mit einem Programm direkt berechnet werden.
Bei einer alternativen Ausgestaltung der beschriebenen Varianten des Verfahrens kann auch ein maschinell lernendes neuronales Netzwerk eingesetzt werden. Im beschriebenen Verfahren können verschiedene Arten neuronaler Netzwerke eingesetzt werden, beispielsweise auch Convolutional Neural Networks (CNN).
Allgemein können künstliche neuronale Netze auf der Vernetzung vieler McCulloch- Pitts-Neuronen oder leichter Abwandlungen davon basieren. Grundsätzlich können auch andere künstliche Neuronen Anwendung in künstlichen Intelligenzen finden, beispielsweise das High-Order-Neuron.
Unter Verwendung eines Graphen, siehe nachfolgend Fig. 10 und 11, können Schichten mit Neuronen als Knoten (Kreise) und ihre Verbindungen als Kanten
(Verbindungslinien) dargestellt werden. Die Eingabeschicht wird auch als eine Schicht aus Knoten dar gestellt. Die hinterste Schicht des Netzes, deren Neuronenausgaben meist als einzige außerhalb des Netzes sichtbar sind, wird Ausgabeschicht genannt. Davor liegende Schichten werden entsprechend als verdeckte Schicht bezeichnet.
Maschinelle Lernverfahren dienen dann dazu, ein neuronales Netz so zu modifizieren, dass es für bestimmte Eingangsmuster (Vergleichsdatensätze) zugehörige Ausgabemuster (beispielsweise Übereinstimmung ja / nein) erzeugt. Beim überwachten Lernen wird dazu dem künstlichen neuronalen Netzwerk ein Eingangsmuster gegeben und die Ausgabe, die das neuronale Netz in seinem aktuellen Zustand produziert, mit dem Wert verglichen, den es ausgeben soll. Durch Vergleich von Soll- und Istausgabe kann auf die vorzunehmenden Änderungen der Netzkonfiguration geschlossen werden und in umgekehrter Richtung das neuronale Netzwerk erneut durchlaufen werden. Das Training eines neuen neuronalen Netzes mit einer großen Anzahl von Daten ist rechenintensiv und zeitaufwändig. Insbesondere im Bereich der Erkennung von Objekten in Bildern mit Deep Leaming wird eine enorme Rechenleistung benötigt, um das Netz z.B. mit Millionen von Bildern jeweils für viele Trainingszyklen (Epochen) zu trainieren. Ein Convolutional Neural Network (CNN) lernt dabei zunächst die relevanten Strukturen und Formen zu unterscheiden und daraus dann weniger abstraktere Objekte abzuleiten und zu erkennen.
Für ein Training eines neuen neuronalen Netzes kann es daher sinnvoll sein, mit der Hilfe von Transfer Leaming auf diesen bereits gelernten Features eines fertig trainierten Netzes aufzubauen. Dabei werden z.B. die fertig trainierten Layer eines neuronalen Netzwerks übernommen und nur der Output-Layer wird auf die Anzahl der zu erkennenden Objektklassen des neuen Netzes angepasst und nachtrainiert.
Der Vorteil besteht darin, dass das neuronale Netz bereits Formen und Strukturen erkennen und unterscheiden kann, und es muss nur eine neue Zuordnung der Objekt- Klassen lernen. Die fertig trainierten Schichten werden dabei entweder konstant gehalten und nur am Output-Layer wird nachtrainiert oder es werden einige oder alle Schichten auf Basis des aktuellen Trainings-Stands weiter trainiert.
Das oben beschriebene Verfahren kann nun mit Hilfe eines neuronalen Netzwerkes so umgesetzt werden, dass ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den Vergleichsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste Vergleichsdatensatz einer Klassifizierung zugeordnet ist und dass jeder Prüfdatensatz mit dem trainierten neuronalen Netzwerk eine der Klassifizierungen zugeordnet wird.
Somit wird einer Mehrzahl von Vergleichsbildern eine gleiche Klassifikation zugeordnet, also beispielsweise ein Herstellungsort. Diese Vorgehensweise entspricht der einer Schrifterkennung, bei der verschieden geschriebene einzelne Buchstaben durch ein trainiertes neuronales Netzwerk jeweils einer Klassifikation eines konkreten Buchstabens zugeordnet werden können.
Des Weiteren kann das Verfahren auch so durchgeführt werden, dass ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den Vergleichsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste Vergleichsdatensatz unterschiedlich zu allen anderen Vergleichsdatensätzen ist, bei dem nach Abschluss des Trainings für alle Vergleichsdatensätze ein mathematischer Vergleichswert, vorzugsweise in Form einer Zahl oder eines Vektors, erzeugt und abgespeichert wird, dass für jeden Prüfdatensatz mit dem trainierten neuronalen Netzwerk ein mathematischer Prüfwert, ebenfalls vorzugsweise in Form einer Zahl oder eines Vektors, erzeugt und abgespeichert wird und dass die geprüfte Holzwerkstoffplatte bei einer Übereinstimmung des mathematischen Prüfwertes mit einem Vergleichswert als die Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist.
Hierbei wird ein sogenanntes siamesisches neuronales Netzwerk angewendet, bei dem zwei identisch arbeitende neuronale Netzwerke Vergleichs- und Prüfwerte erzeugen, die miteinander verglichen werden können. In diesem Fall kann eine eindeutige Zuordnung eines Prüfbildes zu einer Holzwerkstoffplatte anhand der Vergleichsbilder erfolgen. Diese Vorgehensweise entspricht der einer Gesichtserkennung.
In weiter bevorzugter Weise werden die beiden beschriebenen Alternativen des Verfahrens nacheinander angewendet, indem vorab für eine Klassifizierung des
Prüfbildes durchgeführt wird und indem das Verfahren für Vergleichsbilder jeder der zur Verfügung stehenden Klassifizierungen separat durchgeführt wird.
Somit kann zunächst durch eine Klassifizierung die Holzwerkstoffplatte einem Herstellungsort oder einer Herstellungsanlage zugeordnet werden. Danach kann auf ein siamesisches neuronales Netzwerk zugegriffen werden, dass auf Holzwerkstoffplatten trainiert worden ist, die ausschließlich auf dieser H erstellungsanlage hergestellt worden sind. Dadurch kann eine schrittweise und modularer aufgebaute Identifizierung erreicht werden.
In Fig. 10 ist nun eine schematische Darstellung eines Trainings eines neuronalen Netzwerks 10 gezeigt, das aus einer Eingangsschicht 12, verborgenen Schichten 14 und einer Ausgangsschicht 16 besteht. Eine Mehrzahl von Vergleichsdatensätzen V werden über eine Schnittstelle 20 in die Eingangsschicht 12 eingegeben, wobei das Training mit der Maßgabe erfolgt, dass jeder eingespeiste Vergleichsdatensatz V einer Klassifizierung A oder B zugeordnet ist Ein solches Training erfolgt mit einer großen Anzahl von Vergleichsdatensätzen, beispielsweise mit 10.000 Vergleichsdatensätzen.
Durch eine Rückkopplung der Ergebnisse jedes Trainingsdurchlaufes kann durch eine Veränderung bzw. Anpassung der Parameter des neuronalen Netzwerkes wie Schwellenwert jedes Knotens bzw. Neurons (Kreise in den verborgenen Schichten 14) und die Gewichtsfaktoren wjj von Neuron j zu Neuron i das Training solange durchgeführt werden, bis eine sichere Klassifizierung der Vergleichsdatensätze durch das neuronale Netzwerk sichergestellt werden kann.
Das neuronale Netzwerk ist damit so eingerichtet, dass gemäß Fig. 11 einem Prüfdatensatz P mit dem trainierten neuronalen Netzwerk eine der Klassifizierungen A oder B zugeordnet wird. Als Klassifizierungen A und B können dabei der · Herstellungsort, das Herstellungsdatum, die Plattendicke der Holzwerkstoffplatte oder andere allgemeine Daten verwendet werden. Eine Klassifikation umfasst daher eine Mehrzahl von zugehörenden Holzwerkstoffplatten, wobei die Klassifikation als eine mögliche Form der Identifizierung angesehen wird.
Durch das Training mit einer Vielzahl von Vergleichsdatensätzen wird das neuronale Netzwerk so trainiert, dass die Holzwerkstoffplatten, zu denen die für das Training verwendeten Vergleichsdatensätze gehören, vom trainierten Netzwerk klassifiziert werden können. Darüber hinaus können auch Holzwerkstoffplatten klassifiziert werden, deren Vergleichsdatensätze nicht für das Training verwendet worden sind.
Insbesondere gilt diese Eigenschaft des trainierten Netzwerks für Holzwerkstoffplatten, die erst nach dem Training hergestellt worden sind und einer der Klassifikationen zugeordnet werden können.
Die Fig. 12 und 13 zeigen eine weitere Anwendung von neuronalen Netzwerken.
Fig. 12 zeigt schematisch ein ähnliches neuronales Netzwerk wie die Fig. 10 und 11.
• Das neuronale Netzwerk wird mit den Vergleichsdatensätzen V mit der Vorgabe trainiert, dass jeder eingespeiste Vergleichsdatensatz V unterschiedlich zu allen anderen Vergleichsdatensätzen ist. Zudem können dem neuronalen Netz auch jeweils zwei gleiche Bilder mit der Vorgabe eingespeist werden, dass es sich hierbei um zwei identische Bilder handelt. Die Anzahl der Vergleichsdatensätze ist groß und liegt beispielsweise im Bereich größer als 10.000. Das neuronale Netzwerk wird beim Training derart verändert, dass unterschiedliche Vergleichsdatensätze unterschieden werden können und dass nach Abschluss des Trainings für alle Vergleichsdatensätze V ein von allen anderen Vergleichswerten verschiedener mathematischer Vergleichswert Z erzeugt und abgespeichert wird. Die Vergleichswerte Z der entsprechenden Holzwerkstoffplatten werden dabei verknüpft und abgespeichert.
Das neuronale Netz wurde trainiert, um eine Aufnahme eines Prüfbildes mit den bestehenden Aufnahmen zu vergleichen und festzustellen, ob das aufgenommene Prüfbild eine bereits bestehende Platte zeigt. Das geschieht gemäß Fig. 13 dadurch, dass für den aus dem Prüfbild erzeugten Prüfdatensatz einer zu prüfenden Holzwerkstoffplatte mit dem trainierten neuronalen Netzwerk ein mathematischer Prüfwert Y erzeugt und zumindest zeitweise abgespeichert wird. Anschließend wird die geprüfte Holzwerkstoffplatte bei einer Übereinstimmung des mathematischen Prüfweites Y mit einem Vergleichswert Z als die mit dem Vergleichswert Z verknüpfte ursprüngliche Holzwerkstoffplatte identifiziert.
In bevorzugter Weise werden als Vergleichsdatensätze und Prüfdatensätze die Graustufendatensätze der Vergleichsbilder und Prüfbilder dem neuronalen Netzwerk eingespeist, wie sie im Zusammenhang beispielsweise der Fig. 8 erläutert worden sind.
In den Fig. 14 und 15 wird ein weiteres Ausführungsbeispiel des zuvor beschriebenen Verfahrens gezeigt, bei dem die Oberflächenstruktur einer Holzwerkstoffplatte mechanisch abgetastet und somit die Topographie als ein Höhenlinienprofil ermittelt wird. Dazu sind Vorrichtungen einsetzbar, die auch für die Messung einer Oberflächenrauigkeit eingesetzt werden.
Ein mechanischer Taster 30, der eine Tastspitze 32 aufweist, wird unter einer vorgegebenen Vorspannung auf die zu vermessende Oberfläche der Seitenkante 2 gedrückt und in einer mit einem Pfeil gekennzeichneten Richtung verfahren. In vorgegebenen Zeitabständen wird die Auslenkung der Tastspitze 32 gemessen und - vorliegend in Einheiten von 0,5 - quantifiziert. Daraus ergibt sich ein für die Oberflächenstruktur charakteristisches Tiefenprofil, das graphisch als Bild und mathematisch als eine Zahlenreihe (in Fig. 14 unterhalb dargestellt) erfasst und gespeichert wird.
Fig. 15 zeigt die Oberfläche einer Seitenkante 2 mit eingezeichneten Linien zur Bestimmung der Position und der Messstrecke. Die Pfeile a und b mit jeweils vorgegebenen Längen kennzeichnen den Startpunkt der Messstrecke, die mit c gekennzeichnet ist und die ebenfalls eine vorgegebene Länge aufweist.
In bevorzugter Weise können mit einer Mehrzahl von Startpunkten, beispielsweise durch eine Mehrzahl von Pfeile ai, ..., an eine Mehrzahl von Messstrecken ci, ..., cn bestimmt werden. Wenn dieses Messstrecken vermessen worden sind, kann aus den n verschiedenen Höhenprofilen mathematisch eine Matrix aus den n Vektoren gebildet werden.
Aus einzelnen Vektoren oder aus einer Mehrzahl von Vektoren können dann Vergleichsbilder und Prüfbilder bzw. die zugehörigen Vergleichsdatensätze und Prüfdatensätze erzeugt werden.
Bei allen zuvor erläuterten Ausgestaltungen des Verfahrens findet eine Identifizierung von H olzwerkstoffplatten statt. In bevorzugter Weise wird in einem Verfahrensschritt für die Mehrzahl von Holzwerkstofiplatten ein Charakteris ierungs datensatz ermittelt und gespeichert. Jeder Vergleichsdatensatz wird dann mit dem Charakterisierungsdatensatz für die jeweilige Holzwerkstoffplatte verknüpft und der geprüften Holzwerkstoffplatte wird bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz der mit dem Vergleichsdatensatz verknüpfte Charakterisierungsdatensatz zugeordnet. Somit können der geprüften Holzwerkstoffplatte mittels der Identifizierung der Holzwerkstoffplatte charakteristische Daten zugeordnet werden.
Mit dem Vergleichsdatensatz wird der Charakterisierungsdatensatz verknüpft und in einer Datenbank werden der Vergleichsdatensatz und der
Charakterisierungsdatensatz gespeichert, entweder als getrennte und mit Pointern verknüpfte Datensätze oder als ein kombinierter Datensatz.
Beispielsweise wird in dem Charakterisierungsdatensatz mindestens ein Datum gespeichert, das ausgewählt ist aus der nicht abschließenden Liste:
- Materialinformation zur Holzart bzw. zu Holzarten der eingesetzten Holzwerkstoffe,
- Materialinformationen zur Rezeptur der verwendeten Bindemittel und weiterer Additive,
- technische Datenblätter und Laborprotokolle
- Herstellungsparameter wie Temperatur, Druck und Zeitverlauf des Pressvorgangs, - Produktionsdatum und Produktionsstandort,
- Abmessungen bzw. Format, insbesondere Außenabmessungen und Schichtdicken,
- Art einer aufgebrachten Beschichtung bzw. eines Dekors,
- Zertifizierungen der Platte für das verwendete Holz nach den Normen FSC und PEFC für nachhaltige Waldwirtschaft und entsprechende ISO-Normen,
- Zertifizierungen der Platte in Bezug auf die Abgabe von flüchtigen Stoffen nach TS CA Title VI, CARB2 und CE,
- Lagerorte und Lagerzeiten sowie Transportwege und Transportzeiten,
- Berechtigungsinformationen für ein nachträgliches Auslesen der Datensätze.
Mit diesen Daten des Charakterisierungsdatensatzes kann die zugeordnete Holzwerkstoffplatte charakterisiert werden, wobei im Laufe der weiteren Behandlung der Holzwerkstoffplatte weitere Daten hinzugefügt werden können. Somit sind die Charakterisierungsdaten nach der Herstellung der Holzwerkstoffplatte ermittelbar und können bei der weiteren Verarbeitung und Behandlung berücksichtigt werden.
Insbesondere dann, wenn die Holzwerkstoffplatte durch einen Verarbeitungsschritt aufgetrennt wird, wird für jedes Teilformat der Charakterisierungsdatensatz der aufgetrennten Holzwerkstoffplatte mit dem jeweiligen Vergleichsdatensatz verknüpft. Somit werden der Charakterisierungsdatensatz der ursprünglichen
Holzwerkstoffplatte mit den erzeugten Teilformaten verknüpft und gegebenenfalls Daten zum Auftrennen der Holzwerkstoffplatte den Charakterisierungsdaten hinzügefügt. Dazu werden den Charakterisierungsdaten beispielsweise der Bearbeitungszeitpunkt und die neuen Abmessungen des Teilformates hinzugefügt. Die weiteren Vergleichsdaten der unveränderten Seitenkanten des Teilformates werden dann ebenfalls mit dem geänderten Charakterisierungsdatensatz verknüpft.

Claims

P a t e n t a n s p r ü c h e
1. Verfahren zum Identifizieren von Holzwerkstoffplatten, bei dem mindestens ein Vergleichsbild für einen vorgegebenen Abschnitt einer
Seitenkante für eine Mehrzahl von Holzwerkstoffplatten aufgenommen wird, bei dem ein Vergleichsdatensatz aus dem Vergleichsbild anhand der Struktur, insbesondere auf der Basis der Geometrie, der Topographie und/oder der Verteilung der Holzwerkstoffelemente, ermittelt und gespeichert wird,- bei dem zu mindestens einem späteren Zeitpunkt ein Prüfbild für den vorgegebenen Abschnitt einer Seitenkante einer Holzwerkstoffplatte aufgenommen wird, bei dem ein Prüfdatensatz aus dem Prüfbild anhand der Struktur, insbesondere auf der Basis der Geometrie, Topographie und/oder der Verteilung der Holzwerkstoffelemente, in gleicher Weise wie bei den V ergleichsdatensätzen ermittelt wird, bei dem der Prüfdatensatz der geprüften Holzwerkstoffplatte mit den Vergleichsdatensätzen von mehreren Holzwerkstoffplatten verglichen wird und bei dem die geprüfte Holzwerkstoffplatte bei einer Üb ereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz als die Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist.
2. Verfahren nach Anspruch 1, bei dem Vergleichsbilder für mehrere Abschnitte an mindestens einer der Seitenkanten, insbesondere jeweils für mindestens einen Abschnitt an jeder Seitenkante der Holzwerkstoffplatte aufgenommen werden und für jedes Vergleichsbild ein Vergleichsdatensatz ermittelt wird.
3. Verfahren nach Anspruch 2, bei dem für einen Teil der mehreren Abschnitte mit Vergleichsdatensätzen, insbesondere an einem Abschnitt von mehreren Abs chnitten mit Vergleichsdatensätzen, jeweils ein Prüfbild aufgenommen wird und ein Prüfdatensatz ermittelt wird.
4. Verfahren nach Anspruch 2 oder 3, bei dem Vergleichsbilder für eine Mehrzahl von Abschnitten in vorgegebenen Abständen entlang zumindest eines Teils einer Seitenkante aufgenommen und Vergleichsdatensätze für die Vergleichsbilder erzeugt werden und bei dem zu dem mindestens einen späteren Zeitpunkt ein Prüfbild in dem Bereich der Mehrzahl von Abschnitten der Seitenkante aufgenommen wird und ein Prüfdatensatz für den Vergleich mit den Vergleichsdatensätzen ermittelt wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem nach einem Bearbeiten mindestens einer Seitenkante der Holzwerkstoffplatte für diese mindestens eine Seitenkante für mindestens einen Abschnitt mindestens ein Vergleichsbild aufgenommen wird und ein Vergleichsdatensatz ermittelt wird.
6. Verfahren nach einem der Ansprüche 1 bis 4, bei dem nach einem Trennen einer der Holzwerkstoffplatten in mindestens zwei Teilformate für jedes entstehende Teilformat an mindestens einer neu entstandenen Seitenkante der Teilformate für mindestens einen Abschnitt mindestens ein neues Vergleichsbild aufgenommen wird und ein neuer Vergleichsdatensatz ermittelt wird und bei dem für jedes Teilformat jeder neue Vergleichsdatensatz mit der ursprünglichen Holzwerkstoffplatte verknüpft wird.
7. Verfahren nach einem der Ansprüche 1 bis 6, bei dem in jedem Bild die erfasste Struktur des Holzwerkstoffes analysiert wird, bei dem aus der Struktur der Holzwerkstoffelemente Strukturwerte durch die Form, den Umfang, die Fläche, die Länge und/oder die Ausrichtung der Holzwerkstoffelemente in Bezug auf die Abmessungen des aufgenommenen Abschnitts der Seitenkante bestimmt werden und bei dem der Vergleichs datensatz und der Prüfdatensatz als eine Abfolge von Strukturwerten für einen vorgegebenen Anteil der Holzwerkstoffelemente ermittelt werden.
8. Verfahren nach einem der Ansprüche 1 bis 6, bei dem jedes Bild entsprechend eines vorgegebenen Rasters in Bezug auf die Ausrichtung des Abschnitts der aufgenommenen Seitenkante in Pixelbereiche unterteilt wird, bei dem jedem Pixelbereich ein aus den einzelnen Pixeln errechneter, vorzugsweise gemittelter Pixelwert, also ein Helligkeitswert und/oder mindestens ein Farbwert, zugeordnet wird und bei dem der Vergleichsdatensatz bzw. der Prüfdatensatz als eine Abfolge von Pixelwerten in einer vorgegebenen Reihenfolge aus den Pixelbereichen ermittelt werden.
9. Verfahren nach einem der Ansprüche 1 bis 6, bei dem zu jedem Bild die Topographie ermittelt wird, bei dem aus der Topographie ein Höhenlinienprofil, Abschnitte des Höhenprofils, eine Dreiecksvermaschung oder Abschnitte der Dreiecksvermaschung als T opographiewerte abgeleitet werden und bei dem der Vergleichsdatensatz bzw. der Prüfdatensatz als eine Abfolge von Topographiewerten in vorgegebener Reihenfolge aus der Topographie ermittelt werden.
10. Verfahren nach einem der Ansprüche 1 bis 9, bei dem mit einem Algorithmus ein mathematisch definierter Abstand zwischen den Vergleichsdatensätzen und den Prüfdatensätzen berechnet wird, bei dem der Abstand mit einem Schwellenwert verglichen wird und bei dem dann, wenn der Abstand geringer als der Schwellenwert ist, eine Übereinstimmung festgestellt wird oder bei dem dann für den geringsten Abstand eine Übereinstimmung festgestellt wird.
11. Verfahren nach einem der Ansprüche 1 bis 9, bei dem ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den Vergleiehsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste Vergleichsdatensatz einer Klassifizierung zugeordnet ist und bei dem jedem Prüfdatensatz mit dem trainierten neuronalen Netzwerk eine der Klassifizierungen zugeordnet wird.
12. Verfahren nach einem der Ansprüche 1 bis 9, bei dem ein neuronales Netzwerk eines Systems für maschinelles Lernen mit den
Vergleichsdatensätzen mit der Vorgabe trainiert wird, dass jeder eingespeiste
Vergleichsdatensatz unterschiedlich zu allen anderen Vergleichsdatensätzen ist, bei dem nach Abschluss des Trainings für alle Vergleichsdatensätze ein mathematischer Vergleichswert erzeugt und abgespeichert wird, bei dem für jeden Prüfdatensatz mit dem trainierten neuronalen Netzwerk ein mathematischer Prüfwert erzeugt und abgespeichert wird und bei dem die geprüfte Holzwerkstoffplatte bei einer Üb er einstimmung des mathematischen Prüfwertes mit einem Vergleichswert als die
Holzwerkstoffplatte identifiziert wird, für die der Vergleichsdatensatz erzeugt worden ist.
13. Verfahren nach Anspruch 11 und 12, bei dem das Verfahren nach Anspruch 11 für eine Klassifizierung des Prüfbildes durchgeführt wird und bei dem das Verfahren nach Anspruch 12 für Vergleichsbilder in jeder der zur Verfügung stehenden Klassifizierungen separat durchgeführt wird.
14. Verfahren nach einem der Ansprüche 1 bis 13, bei dem für die Mehrzahl von Holzwerkstoffplatten ein Charakterisierungsdatensatz ermittelt und gespeichert wird, bei dem jeder Vergleichsdatensatz mit dem Charakterisierungsdatensatz für die jeweilige Holzwerkstoffplatte verknüpft wird und bei dem der geprüften Holzwerkstoffplatte bei einer Übereinstimmung des Prüfdatensatzes mit einem Vergleichsdatensatz der mit dem Vergleichsdatensatz verknüpfte Charakterisierungsdatensatz zugeordnet wird.
15. Verfahren nach Anspruch 14, bei dem in dem Charakterisierungsdatensatz mindestens ein Datum gespeichert wird, das ausgewählt ist aus der Liste:
- Materialinformation zur Holzart bzw. zu Holzarten der eingesetzten Holzwerkstoffe,
- Materialinformationen zur Rezeptur der verwendeten Bindemittel und weiterer Additive,
- technische Datenblätter und Laborprotokolle
- Herstellungsparameter wie Temperatur, Druck und Zeitverlauf des Pressvorgangs,
- Produktionsdatum, Produktionszeit und Pro dukti onsstandort,
- Abmessungen bzw. Format, insbesondere Außenabmessungen und Schichtdicken,
- Art einer aufgebrachten Beschichtung bzw. eines Dekors,
- Zertifizierungen der Platte für das verwendete Holz nach den Normen FSC und PEFC für nachhaltige Waldwirtschaft und entsprechende ISO-Normen, - Zertifizierungen der Platte in Bezug auf die Abgabe von flüchtigen Stoffen nach TSCA Title VI, CARB2 und CE,
- Lagerorte und Lagerzeiten sowie Transportwege und Transportzeiten,
- Berechtigungsinformationen für ein nachträgliches Auslesen der Datensätze.
16. Verfahren nach Anspruch 15, bei dem nach einem Trennen einer der Holzwerkstoffplatten in mindestens zwei Teilformate der den Teilformaten zugeordnete Charakterisierungsdatensatz um ein Datum ergänzt wird, das den Bearbeitungsschritt des Trennens der Holzwerkstoffplatte in mindestens zwei T eilformate charakterisiert
EP22723611.4A 2021-04-22 2022-04-20 Verfahren zum identifizieren von holzwerkstoffplatten Pending EP4327302A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP21169861.8A EP4080405A1 (de) 2021-04-22 2021-04-22 Verfahren zum identifizieren von holzwerkstoffplatten
PCT/EP2022/060318 WO2022223563A1 (de) 2021-04-22 2022-04-20 Verfahren zum identifizieren von holzwerkstoffplatten

Publications (1)

Publication Number Publication Date
EP4327302A1 true EP4327302A1 (de) 2024-02-28

Family

ID=75639786

Family Applications (2)

Application Number Title Priority Date Filing Date
EP21169861.8A Pending EP4080405A1 (de) 2021-04-22 2021-04-22 Verfahren zum identifizieren von holzwerkstoffplatten
EP22723611.4A Pending EP4327302A1 (de) 2021-04-22 2022-04-20 Verfahren zum identifizieren von holzwerkstoffplatten

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP21169861.8A Pending EP4080405A1 (de) 2021-04-22 2021-04-22 Verfahren zum identifizieren von holzwerkstoffplatten

Country Status (5)

Country Link
US (1) US20240185411A1 (de)
EP (2) EP4080405A1 (de)
CA (1) CA3215993A1 (de)
DE (1) DE112022002283A5 (de)
WO (1) WO2022223563A1 (de)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012083769A1 (zh) * 2010-12-24 2012-06-28 深圳兆日科技股份有限公司 一种利用物质自身物理特征的防伪方法和***
DE102013004332B4 (de) 2013-03-14 2016-05-12 Fritz Egger Gmbh & Co. Og Verfahren und Vorrichtung zur Herstellung eines Lignocellulose enthaltenden, plattenförmigen Werkstoffs

Also Published As

Publication number Publication date
EP4080405A1 (de) 2022-10-26
US20240185411A1 (en) 2024-06-06
CA3215993A1 (en) 2022-10-27
WO2022223563A1 (de) 2022-10-27
DE112022002283A5 (de) 2024-03-14

Similar Documents

Publication Publication Date Title
EP2144036B1 (de) Verfahren und Vorrichtung zur 3D-Digitalisierung eines Objekts
DE102018129425B4 (de) System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
DE102013205762B4 (de) Informationsverarbeitungsvorrichtung, die eine dreidimensionale Formvermessung durchführt, Informationsverarbeitungsverfahren und Speichermedium
DE102017215334A1 (de) Verfahren, Computerprogrammprodukt und Messsystem zum Betrieb mindestens eines Triangulations-Laserscanners zur Identifizierung von Oberflächeneigenschaften eines zu vermessenden Werkstücks
DE112014004190T5 (de) Positurschätzverfahren und Roboter
DE4309802A1 (de) Produktionsnahe Farbkontrolle mit bildgebenden Sensoren
DE102009023756B4 (de) Verfahren zum Herkunftsnachweis und zur Urheberschaft von Bildern
EP4072808B1 (de) Computergestütztes verfahren und einrichtung zur prüfung einer sichtbetonqualität
DE102014114440A1 (de) Verfahren zum Klassifizieren eines bekannten Objekts in einem Sichtfeld einer Kamera
DE112010002677T5 (de) Verfahren und vorrichtung zum bestimmen einer formübereinstimmung in drei dimensionen
EP2641539A1 (de) Verfahren zum Bestimmen der Abmessungen eines Körperteils; Verfahren und Vorrichtung zum Bestimmen der Abmessungen eines Kleidungsstücks
DE102016100134B4 (de) Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen
DE102016100132B4 (de) Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen
DE102017219244B4 (de) Inspektionsbedingungsbestimmungseinrichtung, inspektionsbedingungsbestimmungsverfahren und inspektionsbedingungsbestimmungsprogramm
DE112019006855T5 (de) Simulationsvorrichtung und simulationsverfahren
DE102005043753A1 (de) Verfahren zur Bestimmung der Raumkoordinaten von Oberflächenpunkten eines Prüflings und Vorrichtung zur Durchführung des Verfahrens
WO2022223563A1 (de) Verfahren zum identifizieren von holzwerkstoffplatten
DE102018218611B4 (de) Verfahren und Recheneinrichtung zum Erzeugen eines dreidimensionalen CAD-Modells
DE102019100011B4 (de) Verfahren zur 3D-Rekonstruktion eines Objekts
DE102014108924B4 (de) Ein halbüberwachtes Verfahren zum Trainiern eines Hilfsmodells zur Erkennung und Erfassung von Mehrfachmustern
DE102006051710A1 (de) Längennormierung
WO2003034327A1 (de) Automatische ermittlung von geometrischen modellen für optische teilerkennungen
WO2020126926A1 (de) Kalibrierungsverfahren zur verbesserung der prüfung von authentifizierungsmustern durch digitale bildaufnahmegeräte
DE102004007049A1 (de) Verfahren zur Klassifizierung eines Objekts mit einer Stereokamera
AT514749A1 (de) Verfahren zum Prüfen der Oberfläche von Gegenständen und Münze mit Echtheitsmerkmal

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231005

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR