@inproceedings{DietlmeierRajanLeiteretal.2023, author = {Dietlmeier, Maximilian and Rajan, Aromal Somarajan and Leiter, Nina and Wohlschl{\"a}ger, Maximilian and Versen, Martin}, title = {Klassifizierung von Altholz durch FD-FLIM Bilder mit neuronalen Netzen}, series = {Tagungsband AALE 2023}, booktitle = {Tagungsband AALE 2023}, doi = {10.33968/2023.24}, year = {2023}, abstract = {Holz ist eine der wichtigsten erneuerbaren Ressourcen und kann recycelt werden, wobei derzeit nur unbehandeltes Holz in mehreren Lebenszyklen verwendet werden kann. Allerdings werden in Altholzsortieranlagen meist behandeltes und unbehandeltes Altholz gemischt angeliefert und es gibt keine automatische Klassifizierung zur sortenreinen Sortierung. Fr{\"u}here Studien zeigen, dass behandelte und unbehandelte Holzproben mit Hilfe von bildgebender Fluoreszenzabklingzeit Mikroskopie unterschieden werden k{\"o}nnen. Um den Prozess der Klassifizierung von Altholz anhand von Fluoreszenzabklingzeitbildern zu automatisieren, werden zwei neuronale Netzwerke (NN) evaluiert. Das erste NN ist ein MLP (Multi Layer Perceptron), das das Altholz anhand von Erwartungswert und Standardabweichung eines Fluoreszenzabklingzeitbildes klassifiziert. Das zweite untersuchte NN ist ein CNN (Convolutional Neural Network), das das Holz direkt anhand der Fluoreszenzabklingzeitbilder klassifiziert. Beide Netzwerke sind in Python implementiert, um die sp{\"a}tere Verwendung in einem automatischen Klassifizierungs- und Sortierprozess zu erleichtern. Die Evaluation der NN zeigt vielversprechende Ergebnisse zur automatisierten Klassifikation von Altholz.}, language = {de} }