Refine
Document Type
Has Fulltext
- no (21)
Is part of the Bibliography
- no (21) (remove)
Keywords
- Neural networks (7)
- Fluorescence (6)
- Fluorescence lifetime imaging (6)
- FD-FLIM (5)
- Phase shift (5)
- Microscopy (4)
- fluorescence (4)
- Laser sources (3)
- MLP (3)
- Bandpass filters (2)
Existing plastic analysis techniques such as Fourier transform infrared spectroscopy and Raman spectroscopy are problematic because samples must be anhydrous and identification can be hindered by additives. This article describes a new approach that has been successfully demonstrated in which plastics can be classified by neural networks that are trained, validated, and tested by frequency domain fluorescence lifetime imaging microscopy measurements.
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. Frühere Studien zeigen, dass behandelte und unbehandelte Holzproben mit Hilfe von bildgebender Fluoreszenzabklingzeit Mikroskopie unterschieden werden können. 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 spätere Verwendung in einem automatischen Klassifizierungs- und Sortierprozess zu erleichtern. Die Evaluation der NN zeigt vielversprechende Ergebnisse zur automatisierten Klassifikation von Altholz.
The fast classification and identification of plastics presents a significant challenge. The study assesses the suitability of a Multilayer Perceptron to classify and identify commonly found plastic types using Rapid-FLIM, achieving an accuracy of 88.33%. @inproceedingsSchwarz:23, Increasing demand for wood products requires methods to determine its harvest origin and ensure sustainable and legal sourcing. In 15 out of 21 cases, the origin of Quercus robur was differentiable in FD-FLIM studies.
Holz ist ein vielseitig einsetzbarer nachwachsender Rohstoff. Neben seinem wirtschaftlichen Nutzen ist er für den Erhalt des Klimas unersetzlich. Eine sortenreine Sortierung für die Weiterverarbeitung von Altholz spielt für einen ressourcenschonenden Umgang eine wichtige Rolle. Um das Potenzial eines neuronalen Netzwerks basierend auf Messdaten der bildgebenden Fluoreszenzabklingzeitmessung für die Altholzsortierung aufzuzeigen, wurden zwei unterschiedliche Klassifikationsansätze auf Basis der Programmiersprache Python gewählt. Die Ergebnisse zeigen, dass die bildbasierte Klassifizierung der Holzart mit einer Genauigkeit von 47,36 % noch ausbaufähig ist. Eine datenbasierte Klassifizierung der Holzart mit einer Identifikationsgenauigkeit von 98,28 % ist dagegen vielversprechend.
Holz ist ein vielseitig einsetzbarer nachwachsender Rohstoff. Neben seinem wirtschaftlichen Nutzen ist er für den Erhalt des Klimas unersetzlich. Eine sortenreine Sortierung für die Weiterverarbeitung von Altholz spielt für einen ressourcenschonenden Umgang eine wichtige Rolle. Um das Potenzial eines neuronalen Netzwerks basierend auf Messdaten der bildgebenden Fluoreszenzabklingzeitmessung für die Altholzsortierung aufzuzeigen, wurden zwei unterschiedliche Klassifikationsansätze auf Basis der Programmiersprache Python gewählt. Die Ergebnisse zeigen, dass die bildbasierte Klassifizierung der Holzart mit einer Genauigkeit von 47,36 % noch ausbaufähig ist. Eine datenbasierte Klassifizierung der Holzart mit einer Identifikationsgenauigkeit von 98,28 % ist dagegen vielversprechend.
Development of a neural network to identify plastics using Fluorescence Lifetime Imaging Microscopy
(2022)
Plastics have become a major part of human’s daily life. An uncontrolled usage of plastic leads to an accumulation in the environment posing a threat to flora and fauna, if not recycled correctly. The correct sorting and recycling of the most commonly available plastic types and an identification of plastic in the environment are important. Fluorescence lifetime imaging microscopy shows a high potential in sorting and identifying plastic types. A data-based and an image-based classification are investigated using python programming language to demonstrate the potential of a neural network based on fluorescence lifetime images to identify plastic types. The results indicate that the data-based classification has a higher identification accuracy compared to the image-based classification.