DE4210157C2 - Verfahren zum Sortieren von Glasbruch - Google Patents

Description

Die Erfindung betrifft ein Verfahren zum Sortieren von Glasbruch, der aus einzelnen zu sortierenden Scherben besteht, nach Farben. Dabei wird um Glasbruch bei der Wiederverarbeitung von Altglas nach der Farbe, z. B. grün, braun und weiß oder auch nur "farbig" und weiß, sortiert. Die Glasscherben werden vereinzelt, so daß jede Glasscherbe für sich untersucht werden kann. An den einzelnen Glasscherben wird die spektrale Absorption oder Transmission bei zwei oder mehr verschiedenen Wellenlängen gemessen. Daraus können Meßdaten gewonnen werden, aus denen auf die Farbe der Glasscherben geschlossen werden kann. Über die Meßdaten erfolgt eine Klassifizierung. Nach Maßgabe dieser Klassifizierung werden Steuersignale zur Ansteuerung von Effektoren erzeugt. Die Effektoren bewirken eine Sortierung der Glasscherben.

Die DE 34 45 428 C2 beschreibt eine Glas-Sortiereinrichtung, bei welcher die Glasscherben durch einen Fallschacht fallen. Dabei fallen die Glasscherben durch Lichtschranken mit einer Lichtquelle und verschiedenen photoelektrischen Empfängern, die mit Hilfe von Filtern für verschiedene Wellenlängen empfindlich gemacht sind. Die Signale der Empfänger werden integriert. In Abhängigkeit von den Empfängersignalen werden Effektoren in Form von Abstreifern angesteuert. Die Glasscherben fallen auf ein Förderband und werden von den Abstreifern von dem Förderband in verschiedene Behälter geleitet.

Die EP 04 26 893 A1 beschreibt ebenfalls ein Verfahren und eine Vorrichtung zum Sortieren von Glasbruch, bei welcher die Intensität des durch die Scherben geleiteten Lichtes bei zwei verschiedenen Wellenlängen gemessen wird. Als Meßgröße zur Charakterisierung des Glases dienen die Differenzen der Intensitäten des bei den beiden Wellenlängen hindurchtretenden Lichts. Von den Glasscherben wird eine Fraktion abgetrennt, bei welcher die Differenz kleiner als ein erster Schwellwert und die Intensitäten größer als ein zweiter Schwellwert sind. Diese Glasscherben werden als farbloses Glas angesehen. Die Schwellwerte stellen die Klassifikationsparameter dar. Als Effektor dient dabei ein Druckluftstrom.

Bei der DE 37 31 402 A1 dienen Klappen als Effektoren. Die Unterscheidung der Farben der Glasscherben erfolgt durch Lichtschranken mit Farbfiltern.

Ein Aufsatz von Germer "Optoelektronischer Glasscherben- Sortierer" in "messen + prüfen/automatik" (1983), 286-288 beschreibt eine Sortiereinrichtung, bei welcher ebenfalls die Transmission bei zwei Wellenlängen im Grünen und im Roten gemessen wird, wobei als Meßgröße zur Charakterisierung der Art des Glases der Quotient der Transmission dient.

In allen Fällen müssen Schwellwerte als Klassifizierungsparameter festgelegt werden. Die Festlegung dieser Schwellwerte bringt Probleme mit sich.

Die US-PS 4 690 284 betrifft die Prüfung von Teilen auf Fehler mittels niederfrequenter akustischer oder elektromagnetischer Wellen. Die Klassierung ist hier "gut" oder "schlecht". Die Teile werden von einem Sender bestrahlt. die reflektierte Strahlung wird von einer Mehrzahl von Empfängern mit unterschiedlicher Intensität und Phase empfangen. Zusätzlich werden die Positionen der auf einer Rutsche bewegten Teile mittels der Lagesensoren abgegriffen. Es ergibt sich dabei eine Matrix von Intensitäten und Phasen der verschiedenen Empfänger für die verschiedenen Positionen. Die Matrix eines defekten Teils kann mit der Matrix eines intakten Teils verglichen und daraus ein Fehlersignal abgeleitet werden. Dieses Verfahren liefert eine sehr große Zahl von Daten, die schwierig zu verarbeiten sind. Die US-PS 4 690 284 sucht diese Datenmenge zu reduzieren. Das geschieht durch Vermessung einer "Fraktion" von guten Teilen. Diese guten Teile liefern an jedem der Empfänger eine Verteilung der Signale etwa in Form einer Gauß-Kurve. Diese Gauß-Kurven sind für die verschiedenen Empfänger unterschiedlich breit. Es werden dann für eine bestimmte Art von Teil diejenigen Empfänger ausgewählt, für welche diese Gauß-Kurve möglichst schmal ist und die möglichst empfindlich auf einen bestimmten Defekt ansprechen. Das bedeutet, daß das Signal bei Auftreten eines Defektes möglichst weit von der Gauß-Kurve entfernt ist, also deutlich außerhalb der Streubreite der guten Teile liegt. Damit wird die Anzahl der zu verarbeitenden Daten reduziert.

Die durch die Sortierung gebildeten Fraktionen sind um so wertvoller, je sauberer die Trennung der verschiedenen Farben des Glases erfolgt. Das gilt insbesondere für farbloses Glas, wo schon geringe Anteile von farbigem Glas den Wert des Altglases erheblich herabsetzen. Die Einstellung der Klassifikationsparameter ist daher sehr kritisch.

Andererseits sind die Werte der Meßgrößen, z. B. des Quotienten der Transmissionen bei zwei verschiedenen Wellenlängen, für eine Fraktion von Glasscherben, z. B. von grünem Glas, keineswegs einheitlich. Diese Werte können innerhalb der Fraktion in mehr oder weniger weiten Grenzen schwanken. Die Werte können weiterhin von anderen Einflüssen abhängen, beispielsweise vom Grad der Verschmutzung oder von der Umgebungstemperatur oder Luftfeuchtigkeit (Feuchtigkeit, gefrorene Feuchtigkeit oder Beschlagen von Glasscherben). Die Einstellung der Klassifikationsparameter ist daher nicht einfach.

Der Erfindung liegt die Aufgabe zugrunde, bei der Sortierung von Glasbruch, optimale Klassifikationsparameter zu finden, die nach objektiven Kriterien bestimmt sind.

Das erfindungsgemäße Verfahren umfaßt die im Patentanspruch 1 aufgeführten Verfahrensschritte.

Die Einstellung der Klassifikationsparameter erfolgt somit aufgrund einer Untersuchung der Meßdaten für bestimmte Fraktionen. Diese Fraktionen, die z. B. nur grüne Glasscherben der zu erwartenden Art enthalten, werden aufgegeben. Für die Teile der Fraktionen werden die Werte der Meßgröße und vorzugsweise deren Häufigkeitsverteilung ermittelt. Es ergeben sich dann z. B. eine oder mehrere Glockenkurven. Aus diesen Häufigkeitsverteilungen ergeben sich Klassifikationsparameter, z. B. Schwellwerte für die Quotienten von Transmissionen, nach denen die Teile optimal klassifiziert und den verschiedenen Fraktionen zugeordnet werden können. Diese Klassifikationsparameter werden dann automatisch eingestellt. Wird die Einrichtung zum Sortieren von statistisch anderem Glasbruch oder unter anderen Bedingungen betrieben, kann sie die dafür optimalen Klassifikationsparameter wieder anhand Musterfraktionen "lernen".

Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.

Ein Ausführungsbeispiel der Erfindung ist nachstehend unter Bezugnahme auf die zugehörigen Zeichnungen näher erläutert.

Fig. 1 ist eine schematische Darstellung einer Einrichtung zum Sortieren von verschiedenfarbigem Altglas.

Fig. 2 ist eine schematische Darstellung der Sensoranordnung und der Signalverarbeitung bei einer Anordnung nach Fig. 1.

Fig. 3 zeigt die Transmission von verschiedenen Glassorten als Funktion der Wellenlänge,

Fig. 4 ist ein Diagramm und zeigt die verschiedenen Stufen der Signalverarbeitung zur Bestimmung der optimalen Klassifikationsparameter.

Fig. 5 zeigt als Beispiel drei Häufigkeitsverteilungen für die Meßdaten bei der Einrichtung von Fig. 1 und 2, wenn nacheinander einheitliche Fraktionen von Altglas aufgegeben werden.

Fig. 6 zeigt als Beispiel einer "selbst lernenden" Signalverarbeitung ein neuronales Netz.

In Fig. 1 ist mit 10 eine Rutsche bezeichnet, auf welche Altglas in Form von Glasbruch aufgegeben werden kann. Die Rutsche ist so ausgebildet, daß eine Vereinzelung der Glasscherben stattfindet. Die Glasscherben passieren daher eine Meßstation 12 einzeln. Die Meßstation 12 enthält eine Beleuchtungseinrichtung 14 auf einer Seite der dort lichtdurchlässigen Rutsche 10. Die Beleuchtungseinrichtung 14 schickt weißes Licht durch die vorbeibewegten Glasscherben. Das Licht wird von einem Sensorkopf 16 empfangen. Mit 18 ist ein Objektivschutz zum Schutz der im Sensorkopf 16 enthaltenen Objektive bezeichnet. Die vom Sensorkopf 16 erhaltenen Signale sind auf eine Rechen- und Steuereinheit 20 geschaltet. Die Rechen- und Steuereinheit 20 liefert an einem Ausgang 22 Signale zur Ansteuerung eines Effektors 24. Der Effektor ist hier eine Druckluftdüse, durch welche die vom Ende der Rutsche 10 herabfallenden Glasscherben entweder über eine Verteilerrutsche 26 in einen ersten Behälter 28 geleitet wird, wenn der Druckluftdüse keine Druckluft zugeführt wird, oder über eine Verteilerrutsche 30 in einen zweiten Behälter 32. Es kann natürlich auch in gleicher Weise eine Verteilung auf drei Behälter erfolgen.

In Fig. 2 ist schematisch die Meßstation 12 dargestellt. Die Beleuchtungseinrichtung 14 enthält eine weiße Lichtquelle 34. Das Lichtbündel von der Lichtquelle 34 wird über ein optisches System 36 durch die längs einer Bahn 38 vorbeibewegten Scherben 40 geleitet.

Das Licht wird von dem Sensorkopf 16 erfaßt. Der Sensorkopf 16 enthält zwei photoelektrische Sensoren 42 und 44. Vor den Sensoren 42 und 44 sind je ein Filter 46 bzw. 48 angeordnet. Das Licht von der Beleuchtungseinrichtung wird durch eine Optik 50 bzw. 52 auf dem jeweiligen Sensor 42 bzw. 44 gesammelt.

Die Sensoren 42 und 44 liefern Signale, die der Transmission des jeweiligen Glases der Scherbe 40 bei der durch das Filter 46 bzw. 48 bestimmten Wellenlänge proportional sind. Nach (nicht dargestellter) Normierung werden die Signale der Sensoren 42 und 44 durch Logarithmiermittel 54 bzw. 56 logarithmiert. Das liefert das Transmissionsvermögen des Glases bei den verschiedenen Wellenlängen jeweils multipliziert mit der Dicke des Glases. Durch Quotientenbildung, dargestellt durch Block 58, fällt die Dicke des Glases heraus, da das Licht beider Wellenlängen durch die gleiche Dicke von Glas hindurchgelaufen ist.

Die erhaltenen Quotienten sind Meßdaten, die für die Farbe des Glases charakteristisch sind. Das ist aus Fig. 3 ersichtlich. Fig. 3 zeigt die Transmissions verschiedener Glassorten in Abhängigkeit von der Wellenlänge. Man sieht, daß der Quotient der Transmissionsvermögen bei zwei verschiedenen Wellenlängen für die Farbe des Glases charakteristisch ist, wenn die Wellenlängen geeignet gewählt sind.

Der besseren Anschaulichkeit halber sind die Verhältnisse nachstehend anhand der (nicht logarithmierten) Transmissionen erläutert.

Mißt man etwa bei einer Wellenlänge in der Nähe des Minimums 60 der Transmissionskurve 62 für grünes Glas und in der Nähe des Maximums 64 dieser Transmissionskurve 62, dann ergibt der Quotient für grünes Glas einen Wert in der Nähe von 0,5, für braunes Glas einen Wert in der Nähe von null, während der Quotient für weißes Glas etwa eins ist. Legt man zwischen diese Werte Schwellen und betrachtet Glas, für das der Quotient etwa kleiner als 0,25 ist als "braun", Glas, bei welchem der Quotient zwischen 0,25 und 0,75 liegt als "grün" und Glas, bei dem der Quotient über 0,75 liegt als "weiß", dann kann man anhand dieser Schwellen das Glas sortieren. Die Schwellen stellen dabei "Klassifikationsparameter" dar.

Diese Klassifikation anhand des Bereiches in dem der Quotient der Transmissionsvermögen liegt, ist in Fig. 2 durch Block 66 angedeutet. In Abhängigkeit von der Klassifizierung wird ein Steuersignal erzeugt. Das ist durch Block 68 dargestellt. Das Steuersignal steuert den Effektor 24 an. Das ist durch Block 70 dargestellt. Der Effektor 24 leitet die betreffende Glasscherbe in den ihrer Farbe entsprechenden Behälter.

Es ist einleuchtend, daß die Transmissionskurven z. B. von grünen Glasscherben nicht alle genau der Kurve 62 von Fig. 3 entsprechen. "Grünes" Glas kann verschiedene Farbtöne und dementsprechend auch verschiedene Transmissionskurven haben. Veränderungen der Transmissionskurven treten auch durch anhaftende Etiketten und sonstige Verschmutzungen auf. Der Charakter der Transmissionskurve ist zwar im wesentlichen der gleiche, es treten aber Abweichungen von dem Verlauf nach Fig. 3 auf. Das führt dann dazu, daß auch die Quotienten der bei den beiden ausgewählten Wellenlängen gemessenen Transmissionen in einem gewissen Bereich schwanken können. Die genaue Festlegung der Schwellen für die Klassifizierung bietet daher Schwierigkeiten.

Führt man Messungen mit einer Fraktion von Glas bekannter Art, also z. B. von braunem Glasbruch typischer Zusammensetzung durch, und klassifiziert die damit erhaltenen Quotienten ("Meßdaten") der Größe nach, dann ergibt sich eine bestimmte Häufigkeitsverteilung. Eine solche Häufigkeitsverteilung ist in Fig. 5 durch eine Kurve 72 dargestellt. Führt man nacheinander die gleichen Mesungen mit typischem Glasbruch von grünem und weißem Glas durch, so ergeben sich Kurven, wie sie in Fig. 5 mit 74 und 76 dargestellt sind. Die Kurven von Fig. 5 sind dabei schematisch als eine Art Gaußkurve dargestellt. Sie können aber durchaus andere Form haben.

Aus den so ermittelten statistischen Häufigkeitsverteilungen der Meßdaten können die Klassifikationsparameter, also hier die Schwellen für die Quotienten der Transmissionsvermögen optimal festgelegt werden. Die Schwelle kann an die Stelle gelegt werden, wo sich die Kurven 72 und 74 schneiden, wie die Schwelle 78. Die Schwelle kann aber auch wie bei der Kurve 76 so gelegt werden, daß die Häufigkeit einen bestimmten Wert unterschreitet. Das ergibt etwa eine Schwelle 80.

Mit einer solchen statistischen Auswertung ergibt sich eine sicherere Festlegung der Klassifikationsparameter. Diese Auswertung gestattet eine Optimierung nach bestimmten Kriterien. Die Festlegung ist unabhängig von Willkür und Fehleinschätzungen des Benutzers.

Die statistische Auswertung kann benutzt werden, um die Klassifikationsparameter an der Einrichtung zum Sortieren von Schüttgut automatisch einzustellen. Das ist in Fig. 4 schematisch dargestellt.

Es wird eine erste Charge z. B. von braunem Glas aufgegeben. Als Meßdaten werden die Quotienten der Logarithmen der Intensitäten bei zwei vorgegebenen Wellenlängen gebildet. Das ist durch Block 82 in Fig. 4 dargestellt. Die so eingegebenen Meßdaten werden digitalisiert und durch einen Rechner der Größe nach klassifiziert. Diese Klassifikation ist eine Feinklassifikation der Meßdaten, die noch nichts mit der Klassifikation der Glassorten zu tun hat. Diese Klassifikation entspricht etwa der Teilung der Abszisse in Fig. 5. In Fig. 4 ist die Klassifikation durch Block 84 dargestellt. Der Rechner addiert die Zahl der Meßgrößen gleicher Klasse auf und bildet so eine Häufigkeitsverteilung. Das entspräche der Kurve 72 von Fig. 5. Die Bildung einer Häufigkeitsverteilung ist in Fig. 4 durch den Block 86 dargestellt. Die Häufigkeitsverteilung wird gespeichert. Das ist durch Block 88 dargestellt.

Nach Speichern der ersten Häufigkeitsverteilung wird eine Charge von Altglas der nächsten Farbe, also z. B. von grünem Glasbruch, aufgegeben. Das ist durch eine Schleife 90 symbolisiert. Wenn alle Farben auf diese Weise vermessen sind, wenn also drei Häufigkeitsverteilungen nach Art von Fig. 5 gespeichert sind, werden die Schwellen oder Klassifikationsparameter durch den Rechner optimiert. Das ist durch Block 92 dargestellt. Nach Maßgabe dieser Optimierung werden in der Anlage automatisch die Klassifikationsparameter vorgegeben. Das ist in Fig. 4 durch Block 94 dargestellt.

In diese automatische Vorgabe fließen noch andere Einflußgrößen ein, welche die Meßdaten beeinflussen können. Das kann z. B. die Temperatur oder die Luftfeuchtigkeit sein. Der Einfluß solcher Einflußgrößen kann etwa dadurch ermittelt werden, daß ein und dieselbe Charge von Glasbruch bei verschiedenen Luftfeuchtigkeiten in der beschriebenen Weise vermessen wird. Aus einer Luftfeuchtigkeitsmessung (oder Messung einer sonstigen Einflußgröße), die durch Block 96 dargestellt ist, werden die optimierten Klassifizierungsparameter modifiziert.

Die beschriebene Einrichtung kann in verschiedener Weise modifiziert werden. Statt der Logarithmen der Transmissionen und deren Quotienten können andere Funktionen spektraler Eigenschaften des zu sortierenden Glases als Meßdaten benutzt werden. Das beschriebene Prinzip kann auf die Sortierung anderer Schüttgüter nach anderen Kriterien angewandt werden.

Statt einer Auswertung der statistischen Häufigkeitsverteilung der Meßdaten kann auch als "selbst lernende" Signalverarbeitung ein neuronales Netz vorgesehen sein. Ein solches neuronales Netz ist in Fig. 6 dargestellt.

Mit 100 ist ein neuronales Netz bezeichnet, das mit dem Algorithmus der "Backpropagation" arbeitet. Das neuronale Netz hat im vorliegenden Fall fünf Eingänge 102, 104, 106, 108 und 110. Auf diese Eingänge 102, 104, 106, 108 und 110 sind als Meßdaten die Transmissionen I bei drei verschiedenen Wellenlängen und die Verhältnisse der Logarithmen der Transmissionen bei der ersten und der zweiten bzw. bei der dritten und der zweiten Wellenlänge aufgeschaltet. Das neuronale Netz hat drei Ausgänge 112, 114 und 116. Der Ausgang 112 ist der Glasfarbe "grün" zugeordnet, der Ausgang 114 ist der Glasfarbe "braun" zugeordnet und der Ausgang 116 ist der Glasfarbe "weiß" zugeordnet. In einem Trainingsprozeß werden wieder Fraktionen z. B. von als Glasbruch vorliegendem Altglas vermessen. Die Meßdaten für z. B. grünes Glas werden nacheinander auf die Eingänge 102 bis 110 aufgeschaltet. Der Ausgang 112 wird auf "Hoch", oder logisch eins, gesetzt. Die Ausgänge 114 und 116 werden auf "null" gesetzt. Durch Iterationsschritte entsprechend einem "Backpropagation"- Algorithmus werden die Gewichte in dem neuronalen Netz stufenweise in dem Sinne verändert, daß ein "Hoch" oder "logisch eins" am Ausgang 112 und "logisch null" an den Ausgängen 114 und 116 durch eingegebene "grüne" Meßdaten erhalten wird. Es werden also von den Ausgängen 112, 114 und 116 her die an den Eingängen 102 bis 110 eingegebenen Meßdaten durch iterative Veränderung der Gewichte möglichst angenähert.

Daher wird dieser Algorithmus als "Backpropagation" bezeichnet. Dieser Algorithmus ist an sich dem Fachmann geläufig und braucht daher hier nicht im einzelnen beschrieben zu werden (vgl. z. B. Ritter, Martinetz und Schulten "Neuronale Netze", 2. Auflage 1991, Addison-Wesley Publishing Company, insbes. Seiten 53 bis 60). Dieses Trainieren wird dann mit einer Fraktion von "braunem" Glas und einer Fraktion von "weißem" Glas wiederholt.

Nach Trainieren des neuronalen Netzes wird bei Eingabe der Meßdaten von z. B. grünem Glas vorwiegend ein Ausgangssignal an dem Ausgang 112 erscheinen. Die Signale an den Ausgängen 114 und 116 sind wesentlich schwächer. Entsprechend wird bei Eingabe von braunem Glas vorwiegend ein Ausgangssignal an dem Ausgang 114 und bei Eingabe von Meßdaten von weißem Glas vorwiegend ein Ausgangssignal an dem Ausgang 116 erscheinen. Die Signale an den jeweils anderen Ausgängen sind wesentlich schwächer. Durch Vorgabe eines Schwellwertes, dargestellt durch die Blöcke 118, 120 und 122, können dann eindeutige Klassifikationsaussagen "grün", "braun" oder "weiß" gewonnen werden. Nach Maßgabe dieser Klassifikationsaussagen werden die Effektoren angesteuert, so daß die Glasscherben in den entsprechenden Behälter sortiert werden.

"Meßdaten" sind hier die auf die Eingänge 102 bis 110 aufgeschalteten Größen. "Klassifikationsparameter" sind die Gewichte des neuronalen Netzes, die sich nach dem Trainieren des neuronalen Netzes einstellen.

Die Verwendung eines neuronalen Netzes für die Klassifikation hat den Vorteil, daß für die Bestimmung der Klassifikationsparameter die physikalischen Zusammenhänge zwischen Meßdaten und "Klasse" der zu sortierenden Teile nicht bekannt zu sein brauchen. Das kann von Bedeutung sein beim Sortieren von verschmutzten Glasscherben, bei denen solche Zusammenhänge u. U. unbekannt und nicht ohne weiteres herleitbar sind.

Claims (4)

1. Verfahren zum Sortieren von Glasbruch, der aus einzelnen zu sortierenden Scherben besteht, nach Farben, mit den Verfahrensschritten:

• (a) Vorbereitung einer typischen ersten Fraktion von reinem Glasbruch einer ersten Farbe,
• (b) Messung der spektralen Transmission jeder Scherbe der ersten Fraktion des Glasbruchs bei wenigstens zwei Wellenlängen und Bildung einer Funktion der gemessenen spektralen Transmissionen als Meßgröße,
• (c) Vorbereitung einer typischen zweiten Fraktion von reinem Glasbruch einer zweiten Farbe,
• (d) Messung der spektralen Transmission jeder Scherbe der zweiten Fraktion des Glasbruchs bei wenigstens zwei Wellenlängen und Bildung der besagten Funktion der gemessenen spektralen Transmissionen als Meßgröße,
• (e) Bestimmung von Klassifikationsparametern, die nach vorgegebenen Kriterien optimiert sind, für die Zuordnung von Scherben zu Farben unter Berücksichtigung der in den typischen Fraktionen auftretenden Werte der Meßgröße, und
• (f) Klassifikation von unbekannten Scherben und Zuordnung zu der ersten oder der zweiten Farbe nach den Werten der Meßgröße der unbekannten Scherben mit den aus den typischen Fraktionen bestimmten Klassifikationsparametern.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die als Meßgröße bestimmte Funktion der spektralen Transmissionen das Verhältnis der Logarithmen der spektralen Transmissionen bei zwei Wellenlängen ist und als Klassifikationsparameter Grenzwerte dieser Meßgröße bestimmt werden, welche die Klassierung der Teile nach Farben festlegen.

3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß zur Bestimmung der Klassifikationsparameter die Häufigkeitsverteilung der Werte der Meßgröße in den verschiedenen Fraktionen des Glasbruches bestimmt und gespeichert wird.

4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß

• (a) in einem Trainingsvorgang Werte von Meßgrößen einer Fraktion des Glasbruches mit einer bestimmten Farbe nacheinander auf ein neuronales Netz aufgeschaltet werden, dessen Gewichte in dem Trainingsvorgang solange nach einem Algorithmus des neuronalen Netzes veränderbar sind, bis die Werte der Meßgrößen der zu der Fraktion gehörenden Scherben mit der erforderlichen Wahrscheinlichkeiten der betreffenden Farbe zugeordnet werden, wobei diese Gewichte Klassifikationsparameter darstellen, und
• (b) für die Scherben eines unbekannten Glasbruches die Werte der Meßgrößen bestimmt und auf das neuronale Netz aufgeschaltet werden, wobei das neuronale Netz eine Zuordnung oder Nichtzuordnung der Scherben zu der Farbe vornimmt.