Research publications

Abstract:

Die Textilindustrie steht vor enormen ökologischen Herausforderungen, die auf ein lineares Wertschöpfungsmodell zurückzuführen sind. Dieses kennzeichnet sich durch kurze Nutzungsdauern, eine geringe Wiederverwendungsquote und geringes Faser-zu-Faser Recycling der Textilien. So wird ein großer Teil der nicht wiederverwendbaren textilen Reststoffe deponiert oder energetisch verwertet. Die Alttextilien werden von Sortierbetrieben entweder für das Recycling oder für den Weiterverkauf vorbereitet. Hier benötigt es neue Technologien zur Merkmalserkennung von Textilien, um die manuellen Prozessschritte zu ersetzen und zu verbessern. Herausforderungen der bisher händischen Sortierung sind der Arbeitskräftemangel und die unzureichende Objektivität und Qualität der Sortierung. In diesem Artikel werden neue Lösungen zur Automatisierung der Merkmalserkennung ausgewertet.

Herausforderungen in der Altkleidersortierung

Gegenwärtig fallen 7 bis 7,5 Millionen Tonnen textiler Reststoffe in der EU-27 und der Schweiz jährlich an - dies entspricht mehr als 15 Kilogramm pro Person [HJL+22]. Die größte Quelle dafür sind entsorgte Kleidungsstücke und Heimtextilien von Verbrauchern - sie machen etwa 85 Prozent der gesamten textilen Reststoffe aus. Diese großen Mengen an textilen Reststoffen müssen sortiert und verarbeitet werden. Aktuell wird die von Verbrauchern aussortierte Kleidung in Altkleidercontainern entsorgt. Von dort aus werden sie in Sortierbetriebe transportiert, in denen jedes Kleidungsstück inspiziert und händisch in verschiedene Kategorien sortiert wird. Es wird beispielsweise zwischen Qualität oder Art des Materials unterschieden. Diese Schritte gilt es zu automatisieren, um die Anzahl der Fehlsortierungen zu reduzieren und die Limitationen der manuellen Sortierung zu überwinden. Die manuelle Sortierung von Altkleidern ist durch den Arbeitskräftemangel und die unzureichende Qualität stark limitiert. Es gibt erste Ansätze, um die Herausforderungen zur Merkmalserkennung der Textilien zu lösen. Durch Nahinfrarotspektroskopie kann beispielsweise das Material des Textils erkannt und identifiziert werden. Allerdings können mit der Technologie weitere wichtige Merkmale wie die Art des Kleidungsstücks, die Marke und der Zustand nicht analysiert werden. Für die Auswertung dieser Merkmale können allerdings Bildverarbeitungssysteme verwendet werden. Einen Ansatz für die Auswertung von Bildmerkmalen bietet die Software Google Lens.

Die Funktion von Google Lens

Google Lens ist eine Bilderkennungssoftware von Google, die auf maschinellem Lernen und künstlicher Intelligenz basiert. Mit Hilfe der Kamera eines Smartphones kann Google Lens Bilder von Objekten, Texten oder Landschaften erfassen, diese erkennen und interpretieren. Die Technologie ist in der Lage, eine Vielzahl von Objekten und Materialien zu identifizieren und auf entsprechende Webseiten zu verweisen. Die Suchergebnisse werden nach Relevanz und Ähnlichkeit mit dem Objekt auf dem Foto klassifiziert. [Taf21] Darüber hinaus kann Google Lens auch QR-Codes scannen und automatisch Webseiten öffnen, Adressen suchen und Termine in den Kalender eintragen. Die Software ist auch in der Lage, Texte in anderen Sprachen zu erkennen und zu übersetzen, was besonders nützlich für Reisende ist. Insgesamt bietet Google Lens eine schnelle und effektive Möglichkeit, visuelle Informationen zu interpretieren und zu nutzen, um den Benutzern eine bessere Erfahrung zu bieten. Diese Eigenschaften machen einen Einsatz von Google Lens in der Altkleidersortierung interessant. Die Software ist bereits mit einer großen Menge von Daten trainiert und ermöglicht einen gezielten Zugriff auf sämtliche im Internet vorhandene Informationen zu einem Kleidungsstück.

Google Lens für die Sortierung von Altkleidern

In einer Versuchsreihe am Institut für Textiltechnik wurde der Einsatz von Google Lens in der Altkleidersortierung getestet. Dabei stand die Auswertung der Genauigkeit von Google Lens zur Erkennung von verschiedenen Merkmalen im Vordergrund. In dem Versuch wurde die Informationsgewinnung durch den Einsatz von Google Lens in den folgenden sechs Merkmalen geprüft:

• Typ des Textils bzw. Art der Bekleidung
• Farbe
• Material
• Marke
• Preisklasse
• Geschlecht

Die Versuchsdurchführung ist in die folgenden drei Schritte aufgeteilt: Aufnahme von Bildern, Auswertung der Bilder mit Google Lens und Auswertung der fünf relevantesten Suchergebnisse hinsichtlich der sechs Merkmale. Die Aufnahme der Bilder erfolgt in einem statischen Versuchsaufbau. Die Textilien werden auf einem ebenen Untergrund ausgebreitet und von oben unter Beleuchtung fotografiert (siehe Abbildung 1). Für die Auswertung des Versuches werden die sechs Merkmale in definierte Ausprägungen eingeteilt (z. B. werden sechs Preisklassen definiert). Die Auswertung erfolgt anhand der ersten fünf von Google vorgeschlagenen Ergebnisse. Für die Vergleichbarkeit der Ergebnisse erfolgt eine Einteilung in ein Punktesystem: pro Textil wird je ein Punkt pro Merkmal und Treffer vergeben, wenn dieses Merkmal richtig erkannt wird, sodass pro Textil und Treffer maximal 6 Punkte zu vergeben sind. Ein Merkmal gilt als richtig erkannt, wenn die Information eindeutig aus dem Text auf der weitergeleiteten Webseite hervorgeht. Insgesamt werden 90 Textilien ausgewertet. Die Trefferquote wird als Quotient aus der erreichten Punktzahl und der maximal erreichbaren Punktzahl angegeben.

Zunächst erfolgt eine Auswertung des Einflusses des Alters eines Textils auf die Treffergenauigkeit: neuere Textilien erreichen eine Treffergenauigkeit von 32,96 %, wohingegen ältere Textilien (älter als 30 Jahre) eine Treffergenauigkeit von lediglich 22,58 % erreichen. Dieser Umstand ist auf die höhere Verfügbarkeit von Daten neuer Textilien zurückzuführen. Auch bei der Art der Textilien zeigen sich Unterschiede in der Auswertung: Heimtextilien weisen lediglich eine Trefferquote von 15,00 % auf, wohingegen Textilien in der Kategorie „Bluse/Hemd“ eine Trefferquote von 45,33 % aufweisen. Am besten wird die Art der Bekleidung erkannt (56,22 % Trefferquote), wohingegen die Marke nur zu 4,67 % erkannt wird. Dieser Umstand ist sowohl auf die große Ähnlichkeit verschiedener Marken als auch auf die teilweise nur geringe direkte Erkennbarkeit von Markennamen oder Logos zurückzuführen. Auch das Material wird nur zu ca. 13,11 % richtig erkannt, da dieses Merkmal nicht direkt visuell zu erkennen ist. Zuletzt bietet auch die Betrachtung der Unterschiede in Abhängigkeit der Relevanz der Treffer kein eindeutiges Ergebnis: beim ersten und relevantesten Treffer liegt die durchschnittliche Trefferquote bei 29,66 % und beim zweiten bis fünften Treffer ebenfalls zwischen 25,19 % und 32,09 %. Anzumerken ist allerdings, dass die Ergebnisse insgesamt nicht ausreichend sind. Für einen sinnvollen Einsatz der Technologie sind Trefferquoten von ca. 90-95 % erforderlich. So lässt sich insgesamt feststellen, dass Google Lens mit dem gewählten Versuchsaufbau und der gewählten Auswertelogik nicht für den Einsatz in der Altkleidersortierung geeignet ist.

Weiterentwicklung der Technologie

Eine Lösungsmöglichkeit zur Weiterentwicklung der Technologie liegt in der erweiterten Auswertung von Informationen. Zum Beispiel können zusätzlich auch Bilder auf der Webseite (z. B. Fotos von Etiketten) oder der Seitenquelltext ausgewertet werden. Außerdem ist die Einteilung der Merkmalskategorien kritisch zu prüfen, da diese einen erheblichen Einfluss auf die Auswertung hat. Weiterhin sind Änderungen am Versuchsaufbau denkbar: eine Lösung könnte z. B. in der Aufhängung von Textilien bestehen oder in der Änderung der Beleuchtung. Außerdem kann die Suche in Google Lens mit Texten verknüpft werden, sodass eine Suche näher eingegrenzt und mit zusätzlichen Sensoren verknüpft werden könnte. Diese Lösungsmöglichkeiten werden in weiteren Projekten und Versuchen am ITA weiterentwickelt.

Insgesamt zeigen die Ausführungen in diesem Artikel, dass Google Lens noch keine adäquate Lösung für die automatisierte Auswertung in der Altkleidersortierung darstellt. Die Ausführungen zeigen allerdings auch Potentiale für die Weiterentwicklung der Technologie auf. Auch eine Kombination mit weiterer Sensorik (z. B. NIR) oder eigens entwickelten Algorithmen zur Bildauswertung ist vielversprechend.

Bildunterschriften:

Abbildung 1: Aufbau des Versuches (eigene Darstellung)

Literatur:

[HJL+22]                       Hedrich, Saskia; Janmark, Jonatan; Langguth, Nikolai; Magnus, Karl-Hendrik; Strand, Moa:
Scaling textile recycling in Europe - turning textile waste into value: Juli 2022

[Taf21]                           Taffel, S.:
Google’s lens: computational photography and platform capitalism
Media, Culture & Society Band:43 (2021) H. 2, S. 237–255

Einleitung, Problemstellung und Zielsetzung

In Deutschland führt sowohl der demografische Wandel der Gesellschaft als auch Verletzungen infolge von Traumata zu einem hohen Anteil von Personen mit behandlungsbedürftigen Erkrankungen des Herz-Kreislauf-Systems oder Verletzungen an Gefäßen und inneren Organen. Zur Behandlung von Verletzungen an inneren Organen, Gefäßen oder Nerven sind meist komplexe Eingriffe (Anastomosen) erforderlich, bei denen aufwändige Fixierungen und Nahtführungen erforderlich sind. Diese komplizierten und aufwändigen Prozeduren sind häufig mit langen Eingriffszeiten verbunden, die wiederum direkt mit erhöhten Komplikationsraten korrelieren [1‑3]. Zur Überbrückung solcher Defekte werden zunehmend tubuläre Kunststoffimplantate entwickelt, die jedoch kein Einwachsen von Gewebezellen ermöglichen und damit dem Konzept der regenerativen Medizin entgegenstehen, das die Wiederherstellung von Körpergeweben und ‑zellen anstrebt. Darüber hinaus kommt es bei der Auffüllung der Defekte häufig zu Störungen der Regeneration durch die nicht an die Biomechanik angepassten strukturmechanischen Eigenschaften. Ferner verhindern die fehlende Interkonnektivität der Porenräume der Ersatzstrukturen das Einwachsen von Zellen, das Zellwachstum, die Nährstoffversorgung und den Abtransport der Stoffwechselprodukte.

Im Rahmen des in vitro Tissue Engineerings werden neben statischen Zellkultursystemen auch dynami­sche Systeme entwickelt. Diese basieren beispielsweise auf kontinuierlichen oder pulsierenden Flüssigkeitsströmungen oder auf einer zyklischen Dehnung des eingespannten Zellträgersystems bzw. der Unterlage [4]. Eine Nachbildung der natürlichen mechanischen Wachstumsstimuli ist mit solchen Bio­reaktorsystemen jedoch nicht möglich, da sich insbesondere in größeren Strukturen eine lokal erhöhte Strömungsgeschwindigkeit entlang der größten Durchgangsporen bzw. lediglich eine Überströmung des gesamten Zellträgersystems einstellt und in mechanisch stimulierten Systemen unerwünschte Spannungsspitzen und undefinierte Verzerrungen im Bereich der Klemmen und Auflagen auftreten.

Da der native Aufbau der vier wichtigsten Gewebetypen (Binde- und Stützgewebe, Nerven-, Muskel- und Epithelgewebe) aus denen Organe, wie Knochen, Blutgefäße, Muskeln, Sehnen und Bänder, gebildet sind, aus faserartigen Konstrukten besteht, lassen sich diese mit textilen Strukturen besonders gut biomimetisch nachbilden. Mithilfe vorbedachter Faseranordnungen können dreidimensionale, kom­plexe Geometrien mit interkonnektierenden Porenräumen aufgebaut werden, an der sich Zellen in ihrer Wachstumsrichtung orientieren können [5]. Deshalb sind faserbasierte High‑Tech Strukturen zur Überwindung der Limitationen aktuell verfügbarer Implantate besonders prädestiniert.

Daher wurden im Rahmen des IGF-Forschungsvorhabens TexMedActor (21022 BR/1) neuartige Textilstrukturen mit materialintrinsischem Formänderungsvermögen für die regenerative Medizin mit einer Vielzahl von unterschiedlichen Anwendungsfeldern, insbesondere der Anastomose, entwickelt. Das verfolgte Konzept sieht hierbei die textiltechnologische Realisierung von Strukturen mit einem Formgedächtniseffekt vor. Die Textilien sollen gezielt vorbestimmte Geometrien annehmen können, um sich an Defekte interaktiv anzupassen und um komplexe Eingriffe zum Überbrücken bzw. zum Stützen von Defekten an inneren Organen wie Gefäßen und Nerven zu vereinfachen. Ein weiterer Wirkmechanismus soll darüber hinaus die elektromechanische Stimulation mit dem Ziel der aktiven, gezielten Anregung des Zellwachstums ermöglichen. Somit soll die Regeneration beschleunigt bzw. überhaupt erst ermöglicht werden, da die erforderlichen Stimuli zur gewebe- und zellangepassten Wachstumsanregung insbesondere bei schwach bzw. nicht durchbluteten Körpergeweben, wie Knorpeln, Sehnen, Bändern, oder bei Wundheilungsstörungen oder chronischen Wunden fehlen. Es sollen weiterhin neuartige Bioreaktoren mittels intrinsischen Eigenschaften der textilen Strukturen entwickelt werden, die den Wirkmechanismus zur elektromechanischen Stimulation nutzen, um selbst in hochkomplexen und großskaligen Zellträgerstrukturen die Zellen an jeder Stelle gleichmäßig zu stimulieren. Die mechanischen Reize gehen hierbei vom Material selbst aus. Diese materialintrinsische Stimulation stellt eine neue Methode für die optimale Zellkultivierung dar, sodass die Zellen auf den textilen Zellträgerstrukturen unter Verzicht auf extern angelegte Flüssigkeitsströmungen oder mechanische Verformungen stimuliert werden können. Damit sollen zwei anerkannte medizintechnische Probleme behoben werden: 1) Komplizierte, aufwändige und mit minimalinvasiven Verfahren schwer oder nicht zu realisierende Operationen an innenliegenden Organen, Gefäßen oder Nerven sowie 2) fehlende gewebe- und zellangepassten Stimuli zur Anregung des Wachstums seitens der bisher verwendeten Ersatzstrukturen und ‑materialien sowie derzeit verfügbarer dynamischer Zellkultursysteme.

Danksagung

Das IGF-Vorhaben 21022 BR/1 der Forschungsvereinigung Forschungskuratorium Textil e.V. wurde über die AiF im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Wir danken den genannten Institutionen für die Bereitstellung der finanziellen Mittel. Darüber hinaus möchten wir den Mitgliedern des Projektbegleitenden Ausschusses für ihre Unterstützung während der Projektbearbeitung danken.

In Anbetracht dieser Problemstellung forschen an der RWTH Aachen University das Institut für Textiltechnik (ITA) und das Lehr- und Forschungsgebiet Technologie der Energierohstoffe (TEER) gemeinsam mit der Skantherm GmbH & Co. KG und der Culimeta Textilglas-Technologie GmbH & Co. KG im Rahmen des FNR-Projekts „PartEX4Abholz“ an der Entwicklung eines neuen, hocheffizienten Abscheiders, der die partikelförmigen (festen und flüssigen) Emissionen aus dem Abgas von handbeschickten Holzöfen abscheidet und sequestriert. Der innovative Ansatz besteht in der Nutzung neuartiger Filtersysteme auf Basis textiler Strukturen.

Im Gegensatz zu den auf dem Markt erhältlichen E-Abscheidern erzeugt die zu entwickelnde Filterlösung nicht nur keine Rußflocken, es werden auch die groben Partikel durch das Filtersystem effizient im Filtermedium gespeichert. Außerdem wird eine hohe Abscheideleistung gegenüber flüchtigen und kondensierten organischen Substanzen erreicht. Die Herausforderung liegt dabei nicht nur in der Abscheidung der prozessimmanenten ultrafeinen (< 100 nm) Partikel durch Diffusionsabscheidung an sich, sondern vielmehr das Erreichen einer hohen und damit wirtschaftlichen Standzeit (hohe Speicherkapazität).

Unter Einsatz des neuen Filtersystems sollen die emittierten Partikel und Stäube von Holzfeueröfen gemäß dem Umweltzeichen "Der Blaue Engel" auf 15 mg/m³ reduziert werden. Mit ersten Projektergebnissen wird im ersten Quartal 2023 gerechnet.