Neues Working Paper: Wie KI die Schmutzwäschesortierung verbessert
Im Leuchtturmprojekt KI in der Schmutzwäschesortierung beschäftigen sich die Universität Bielefeld, die DAA Westfalen und die IG Metall mit der Entwicklung eines humanzentrierten KI-gesteuerten Identifikationsmoduls. Dieses sortiert Wäschestücke nach Waschkategorien im Unternehmen Kannegiesser. Diese Entwicklung soll in der Praxis dazu beitragen, dass die hochbelastende und potenziell gesundheitsgefährdende Handsortierung 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. Erste Zwischenergebnisse werden in einem neuen Working Paper vorgestellt.
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.
Neuronale Netze für die Klassifikation von Schmutzwäsche
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. Das heißt die Netze lernten zu erkennen, was zum Wäschestück gehört und was nicht. Außerdem können sie Wäschestücke, Farben und Verschmutzungen erkennen. Durch einen am aktiven Lernen orientierten Prozess konnten dabei 2091 Segmentierungen automatisch erstellt werden 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.
Validierung braucht Daten
Wir haben erste Erkenntnisse bzgl. der Sortierung erlangen können und für einige Kategorien 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.
Working Paper-Reihe
Damit die künftige Arbeitswelt nicht allein technologisch geprägt wird, braucht es eine ganzheitliche Gestaltung – im Dreiklang von Mensch, Organisation und Technik. Deshalb führt das Kompetenzzentrum Arbeitswelt.Plus Erkenntnisse der Arbeitsforschung im Kontext von KI-Anwendungen zusammen und entwickelt daraus passende Lösungen für mittelständische Unternehmen. Mit dieser Working Paper-Reihe geben wir Einblicke in die laufende Forschung der Wissenschaftler:innen des Kompetenzzentrums und möchten gleichzeitig einen Beitrag zur Diskussion rund um aktuelle Themen aus den Feldern Künstliche Intelligenz und Arbeitsforschung leisten.