KI in der Schmutzwäsche-Sortierung

Im Leuchtturmprojekt KI in der Schmutzwäschesortierung beschäftigen wir uns mit der Entwicklung eines humanzentrierten KI-gesteuerten Identifikationsmoduls zur Sortie-rung von Wäschestücken nach Waschkategorien. Diese Entwicklung soll in der Praxis dazu beitragen, dass die hochbelastende und potenziell gesundheitsgefährdende manuelle Sortierung von Schmutzwäsche nicht mehr wie im bisherigen Umfang von Menschen geleistet werden muss. Eine KI-gestützte Identifikation, verbunden mit einem Handhabungsgerät könnte die Sortierung in weiten Teilen autonom übernehmen. Neben der optimalen Unterstützung von Mitarbeitenden sind die Erklärung und Transferierbarkeit der KI, sowie die Entwicklung eines Schulungsprogramms, um Akzeptanz sowie Verständnis bei den Nutzer:innen zu verstärken, Forschungsschwerpunkte des Projekts. Es soll eine Mensch-Maschine-Interaktion entwickelt werden, die es Mitarbeitenden ermöglicht die KI selbst nachzutrainieren und zu überwachen. Hierdurch ergeben sich neue, zukunftsfähige Arbeitsfelder für die Beschäftigten in Industriewäschereien. Zuerst wurde anhand des Versuchsstandes ein initialer Datensatz aus 9405 Bildern erstellt. Zu jedem der Bilder existieren Informationen über die Farbe, den Typ und zumeist auch über die Kontaminierung, die Schäden und das Material. Anschließend wurden neuronale Netze sowohl zur Extraktion der Region des Wäschestücks als auch zu der Klassifikation der Waschkategorien trainiert, d.h. die Netze lernten zu erkennen, was zum Wäschestück gehört und was nicht und Wäschestücke, Farben und Ver-schmutzungen zu erkennen. Durch einen am aktiven Lernen orientierten Prozess konnten dabei 2091 Segmentierungen automatisch erstellt werden, d.h. ohne menschliche Eingabe der Annotationen. Für die Optimierung dieser neuronalen Netze wurden zusätzlich auch noch vortrainierte Netze nachtrainiert, welches allgemein als Transfer Learning (transferiertes Lernen) bezeichnet wird. Hinsichtlich des Aktiven Lernens wurde der CEAL-Algorithmus erläutert und damit die Sicherheit der Netze bei der Klassifikation bestimmt. Für visuelle Erklärungen wurde Layerwise Relevance Propagation umgesetzt. Wir haben erste Erkenntnisse bzgl. der Sortierung erlangen können und für einige Kate-gorien bereits sehr zufriedenstellende Ergebnisse erlangt. Durch die beiden neuronalen Netze konnten gute Erkennungsgenauigkeiten für alle Kategorien, insbesondere der Farbe, erzielt werden. Hierbei muss jedoch beachtet werden, dass die Datensätze und dementsprechend vor allem die Validierungsdatensätze klein sind. Es ist unbedingt notwendig, den Datensatz zu vergrößern. Dabei sollte höchste Priorität sein, die Aufnahme und Annotation in einer Wäscherei zu verlagern, um möglichst automatisiert und möglichst schnell Daten aufnehmen und annotieren zu können.