Jan. 2023 – Okt. 2023
Projektarbeit
Annegret Umann, Clara Kristen & Katharina Seiffarth
Jede Farbe des Spektrums birgt ein Geheimnis und verschlüsselt verborgene Details, die mit Hilfe der hyperspektralen Bildgebung betrachtet werden können. Diese Projektarbeit beschäftigte sich daher mit der Aufnahme hyperspektraler Daten von Methylenblaulösungen, deren Spektrenextraktion und der Klassifizierung dieser mittels Algorithmen zur Mustererkennung des maschinellen Lernens. Zur Entwicklung einer automatisierten Konzentrationsbestimmung wurde der Klassifikator „Support Vector Machine“ (SVM) genutzt.
Hierfür erfolgte die Aufnahme hyperspektraler Datenwürfel einer Konzentrationsreihe von Methylenblau in wässriger Lösung, die später als Test- und Trainingsdaten für die SVM dienten. Um diese effektiv nutzen zu können, halfen Python-Algorithmen bei der Kalibrierung und Verarbeitung der akquirierten Daten. Eine anschließende spektrale Hauptkomponentenanalyse, kurz PCA, die bei der Dimensionsreduktion eine wichtige Rolle spielt, ermittelte die für das Klassifizierungstraining benötigten Hauptkomponenten des Konzentrationssystems. Durch den Vergleich tatsächlicher Konzentrationen mit Vorhersagen der trainierten SVM bei einer charakteristischen Wellenlänge von 672 nm ergab sich hierbei eine Genauigkeit von 80% bzw. 95% bei Auslassung der geringsten Konzentrationsstufe.
Des Weiteren resultiert aus der aufgestellten linearen Abhängigkeit der spektralen Antwort von der Probenkonzentration die Möglichkeit der kontinuierlichen Konzentrationsbestimmung im Messbereich. Somit gelang den Studenten der Nachweis diskret auswertbarer sowie zuverlässiger Klassifizierungsalgorithmen mit Hilfe der Aufnahmen des Messplatzes für hyperspektrale Bildgebung.
DE 
EN