Bild 1: Qualitätskontrolle durch Farbmessung umsetzen.

Bild 1: Qualitätskontrolle durch Farbmessung umsetzen.Mazet

Bei verschiedenen Anwendungen auf dem Gebiet der Farbmessung ist es wichtig zu wissen, wie sich genaue Messwerte ohne Drifteffekte erzielen lassen. Farbmessung und Farbwahrnehmung beruhen auf drei Variablen: Objekt, Licht, Beobachter. Weißes Licht erscheint oft farblos, aber eigentlich beinhaltet es alle Farben des sichtbaren Spektrums. Wenn weißes Licht ein Objekt erreicht, blockiert oder reflektiert dieses nur eine ausgewählte Menge an Farbe. Was bleibt, ist die wahrnehmbare Farbe.

Von Farbe und Faktoren

Ändert sich eine oder mehrere dieser Variablen, führt das zu unterschiedlicher Farbwahrnehmung. Dieser Effekt lässt sich gezielt einsetzen, etwa um ein Projekt zu fördern, kann aber auch ein technologisches Hindernis darstellen. Deshalb ist es wichtig, den gesamten Messaufbau vor der Entscheidung des allgemeineren technologischen Ansatzes zu bewerten.

Auf einen Blick

Farbsensoren ermöglichen die Entwicklung genauer und zuverlässiger Embedded-Messsysteme für diverse Anwendungsbereiche. Sie eignen sich für mobile Geräte sowie enge Bauräume. Wichtig ist das Wissen um den Detektor im Testaufbau und wie die Durchführung der Messungen vorgesehen ist. Beim Bewerten von Substanzen spielt die richtige Messmethode eine entscheidende Rolle.

Änderungen der Variablen können etwa beabsichtigt sein, um die Werte für die statistische Auswertung zu verwenden (Regressionsanalyse). Diese Methode schätzt die Beziehungswerte zwischen den Variablen ein und ermöglicht Rückschlüsse, die auf Unterschieden in Farbe und Spektrum basieren. Selbst bei Objekten oder Flüssigkeiten, die scheinbar klar beziehungsweise farblos sind, gibt es Methoden, die spezifischen Eigenschaften über das hyperspektrale Verfahren zu analysieren.

So ist es möglich, dass beispielsweise bei Verschiebungen des Einfallswinkels oder Veränderungen in der Verwendung des Beobachters/Detektors der Ausgabewert der jeweiligen Applikation stark abweicht.

Anhand der Anwendungsbeispiele im Bereich der Qualitätskontrolle sowie der Automatisierungs-, Lebensmittel- und Verarbeitungsindustrie lässt sich dies gut verdeutlichen. Die angegebenen ermittelten Messwerte und Genauigkeiten zeigen, was mit True-Color-Sensoren (XYZ-Sensoren mit Normspektralwertfunktion) oder Multispektralsensoren (Quasi-Spektrale-Sensoren) möglich ist.

Von Glucose, pH und Chemikalien

Die häufigsten Messungen in Bio-Analytik, Qualitätsmanagement, Lebensmittelverarbeitung oder medizinischer Industrie sind Glucose- oder pH-basiert (8). Das Pyranoseoxidase-Verfahren dient für Glucosemessungen mit Farbsensoren. Für diesen auf Transmission basierenden Testaufbau erfolgten Glucosemessungen über die indirekte Bestimmung. Dabei kam die chemische Verbindung ABTS als Redox-Indikator für den sichtbaren Spektralbereich zum Einsatz. So ließ sich der Anteil des einfallenden Lichts bei einer bestimmten Wellenlänge durch die Probe messen.

Einige der Substanzen waren farblos und wurden beispielsweise über Fluoreszenzverfahren gemessen. Dieses Verfahren ermöglicht, dass farblose Chemikalien bei bestimmten Wellenlängen unterschiedlich reagieren und somit verschiedene Analysemöglichkeiten entstehen. Die Verwendung des ABTS als Indikator bewirkt, dass die gemessenen Substanzen zu einem grünen Farbbereich reagieren.

Bild 2: Verschiedene Softdrink-Glucosemessungen mit Farbsensoren.

Bild 2: Verschiedene Softdrink-Glucosemessungen mit Farbsensoren.Mazet

Der Glucose-Testaufbau fand auch für Glucose-Messungen handelsüblicher Softdrinks Verwendung. Ergebnisse lagen im Bereich von 95+ mg/l für Cola und Sprite, 50+ mg/l für Eistee und fast 40 mg/l für Fruko, einem Erfrischungsgetränk aus der Türkei (Bild 2). Mit solchen Handheld-Geräten lassen sich Proben unterwegs analysieren. Um eine Messung einzuleiten, führt man eine Zero-Messung der Probe durch. Nach dem Zugeben des Indikators erfolgt eine zweite Messung, um die Probenzusammensetzung genau zu bestimmen.

Bild 3: Das Quasispektrum von Rodamin 6G (absorptions- und emmissionsbasierend).

Bild 3: Das Quasispektrum von Rodamin 6G (absorptions- und emmissionsbasierend).Mazet

Diese Methode kann nicht nur Glucose- oder pH-Werte messen, sondern auch andere chemische Zusammensetzungen in den Proben. Dazu zählen Chlor, Kupfer, Nitrit oder Phosphat. Bei der pH-Wertermittlung mittels Absorptionsmessung ergaben sich Genauigkeitswerte im Bereich von 0,1. Wenn das Prinzip der Absorptionsmessung nicht genau genug ist, lassen sich die Ergebnisse durch den Einsatz von Fluoreszenzmessungen verbessern. Im Testaufbau war es möglich, Rodamin 6G (Bild 3) und Cumarin 1 mit einer Genauigkeit von 10-6 mol/l zu messen. Bei einer Schichtdicke von 200 µm Toluidinblau ließ sich eine Konzentration von 10 µmol detektieren (8).

Bei Sprit und Mineralölen

Kraftstoffe und Erdölerzeugnisse unterliegen meist strengen Regulierungen der internationalen Industrie. Die Farbe des Kraftstoffs oder Petroleums ist ein Indikator für verschiedene Elemente, beispielsweise Steuerklassen oder Nutzungsdomänen. Die ASTM D1500-, Pt-Co- oder Gardner-Farbskalen beschreiben Farbunterschiede von gelb-weißlich bis dunkel-orange-braun (Bild 4).

Bild 4: Beispielhafte Darstellung einer üblichen Erdöl-Farbtafel.

Bild 4: Beispielhafte Darstellung einer üblichen Erdöl-Farbtafel.Mazet

Die Norm ASTM-D-6045 (5) beschreibt das Normspektralwert-Messverfahren von Saybolt- und ASTM-Farben. Die Farbpalette ähnelt Bild 4. Die Saybolt-Farbskala dient der Einstufung von hellen Erdölprodukten, einschließlich Flugkraftstoffen, Kerosin sowie Naphtha, Weißölen oder Kohlenwasserstoffen. Dagegen eignet sich die ASTM-Farbskala für dunklere Erdölprodukte. Da die Farbunterschiede oft für das menschliche Auge kaum sichtbar sind, gestaltet sich die Messung der Farbunterschiede einzelner Saybolt-Proben komplex.

Bei einem spezifischen Testaufbau erkennen die Sensoren selbst feine Farbunterschiede. Um jedoch gute Ergebnisse mit Flüssigkeitsmessungen oder anderen auf Flüssigkeit basierenden Anwendungen zu erzielen, empfiehlt es sich, die mathematischen Algorithmen hinter dem Detektionsprozess zu verbessern. So lassen sich spektrale Informationen mit hoher Genauigkeit erfassen.

Bild 5: Eine Normspektralwertanalyse von Saybolt-Proben.

Bild 5: Eine Normspektralwertanalyse von Saybolt-Proben.Mazet

Dies lässt sich durch eine Simulation komplexer Nachweismethoden erreichen, etwa durch den Algorithmus der Partikelschwarmoptimierung unter Betrachtung der bekannten Eigenschaften der verwendeten Farbsensoren. Das Ergebnis von solchen Optimierungsverfahren ist eine Genauigkeit, die zwischen scheinbar gleichfarbigen Flüssigkeiten Unterschiede detektieren kann. Die  Messungen zeigen die Farbkoordinaten mehrerer gemessener Flüssigkeitsproben im Saybolt-Bereich innerhalb des CIE-Farbraums (5). Die Bereichswerte sind in der Norm festgelegt und zeigen, wie genau ein Farberkennungssystem sein muss, um die gegebene Norm zu erfüllen (Bild 5).

In der Druckindustrie

Die Druckindustrie stellt hohe Ansprüche an Farben und deren Reproduzierbarkeit. Es stellt sich die Frage: Was passiert, wenn die Corporate-Farben sich während einer Inline-Produktion ändern? Hält man die Produktion in der Zeit an, geht viel Geld verloren.

Ziel war die Entwicklung eines Testaufbaus, der absolute Farbwerte für Druckfarben erkennt. Um die erforderliche Zielgenauigkeit bewerten zu können, verglich man die gemessenen Werte mit den Referenzwerten eines Spektrometers. Ein Vorteil von Multispektralsensoren ist die höhere Genauigkeit und die Möglichkeit, spektrale Näherungsverfahren zu verwenden. Wenn die Druckfarben bekannt sind, lassen sich die Ergebnisse durch Kalibrierung der spezifischen Farben verbessern. Daher ist es möglich, eine absolute Genauigkeit von ΔE00 <1 zu erreichen – unabhängig von Standardbeobachter und -lichtquelle.

Bild 6: Cyan-Druckfarb-Beispiel vor der Optimierung bei einem Wert von ΔE00 = 1,47.

Bild 6: Cyan-Druckfarb-Beispiel vor der Optimierung bei einem Wert von ΔE00 = 1,47.Mazet

Ein Multispektralsensor und ein mehrkanaliger Transimpedanzverstärker mit flexiblen Verstärkungsstufen unterstützten die Messungen. Für die Zielkalibrierung fand eine Farbpalette der Avian-Keramik-Basis-Serie Verwendung. Die Herausforderung war, die Gesamtgenauigkeit der Druckfarberkennung basierend auf dem spezifischen Anwendungsaufbau zu verbessern. Eine weiße LED fungierte als Standardlichtquelle.

Mittels einer Regressionsgleichung für spektrale Approximation (6) lässt sich eine mittlere Genauigkeit ΔE00 von 0,25 für Cyan erzielen.

Bild 7: Cyan-Druckfarb-Beispiel nach Optimierung bei einem Wert von ΔE00 = 0,25.

Bild 7: Cyan-Druckfarb-Beispiel nach Optimierung bei einem Wert von ΔE00 = 0,25.Mazet

Die Anfangswerte ohne Optimierung lagen bei ΔE00 = 1,47 (Bild 6 und 7). Eine ähnliche Verbesserung ergab sich bei Magenta, mit einem Maximal-ΔE00 von 2,4 vor der Optimierung und nur noch 0,91 danach. Die Messwerte für Gelb schließlich erreichten einen Maximal-ΔE00 von 1,39 vor der Optimierung und lagen anschließend bei 0,28.

Vielfalt der Messmethoden

Die Auswahl der Messmethoden verdeutlicht, dass sich mit Farbsensoren zahlreiche genaue und zuverlässige Embedded-Messsysteme für unterschiedliche Anwendungsbereiche entwickeln lassen. Gleichzeitig ermöglicht die kompakte Baugröße den Einsatz in mobilen Geräten oder engen Umgebungen. Das Wissen um die Art des eingesetzten Detektors ist genauso wichtig wie der Ablauf der Messungen (9).

Bild 8: Beispielhafte Probenmessreihe im CIE1931-Farbraum.

Bild 8: Beispielhafte Probenmessreihe im CIE1931-Farbraum.Mazet

Die Wahl der richtigen Messmethode (Emission, Remission oder Transmission) ist für eine genaue Bewertung von verschiedenen Substanzen oder Elementen entscheidend. Zum Beispiel reagieren Flüssigkeiten anders als feste Objekte und das Messen von Reflexion oder Fluoreszenz erfordert einen veränderten Messaufbau.

Messungen bestätigen, dass sich die Farbwahrnehmung nicht mit üblichen physikalischen Größen wie Spannung, Druck oder Dichte vergleichen lässt. Da die Hauptvariablen der Farberkennung sich applikativ stark unterscheiden (Objekt, Licht und Beobachter),gilt es, die Farbmessaufgaben auf die jeweilige Anwendung zuzuschneiden und zu kalibrieren. Definierte Referenz- oder Zielwerte sind erforderlich, um das spezifische ΔE00 von Farbkoordinaten in bestimmten Farbräumen zu vergleichen (Bild 8). Bei allen Messungen ließ sich die Genauigkeit durch den Einsatz intelligenter Optimierungsprozesse und Algorithmen verbessern.

Literaturhinweise

(1) MAZeT-Webseite: http://www.mazet.de.

(2) Produktinformationen zu Farbsensoren: http://www.mazet.de/en/products/jencolor.

(3) Application note, Kalibrierung von JENCOLOR-Sensoren am Beispiel LED-Lichtquellen, MAZeT GmbH, 2012.

(4) F. Hailer, F. Krumbein, Application of JENCOLOR multispectral sensors in dermatology, Ilmenau University of Technology (Thur.), 2011, urn:nbn:de:gbv:ilm1-2011imeko-083:6,

http://www.db-thueringen.de/servlets/DerivateServlet/Derivate-24432/ilm1-2011imeko-083.pdf.

(5) ASTM D6045 – Standard Test Method for Color of Petroleum Products by the Automatic Tristimulus Method http://www.astm.org/Standards/D6045.htm.

(6) Walter Alt, Nichtlineare Optimierung, Vieweg+Teubner, 2002, ISBN-Nr.: 978-3-528-031-93-0.

(7) DIN5033. Farbmessung; Normvalenz-Systeme.

(8) University of Applied Sciences Jena – Forschungsbericht, 2011, ISBN-Nr.: 978-3-932-886-27-0.

(9) Hrsg. Ch. Eckert, Sensortechnik aktuell, 2013, ISBN 978-3-8356-3370-4, S. 26-29.