F&E-Kooperationsprojekt

Entwicklung von Atemschutzmasken  im Rastermaß, entsprechend Gesichtsformen, als Rahmenkonstruktion für Aufnahme wechselbarer FFP2-Vlieseinlagen

Vorbemerkung:

Zielsetzung des Projektes war die Entwicklung von Atemschutzmasken, die zu konkurrenzfähigen Kosten eine höhere Dichtigkeit im Vergleich zu anderen handelsüblichen Produkten erreichen sollten. 

Die Dichtigkeit einer Atemschutzmaske steht im kausalen Zusammenhang mit ihrer Passform. Deshalb wäre eine individuell “maßgeschneiderte Maske” aus dem 3D-Drucker auf Basis eines Gesichtsscans die in dieser Hinsicht optimale Lösung. Da allerdings die Herstellungskosten bei diesem Fertigungsverfahren bei großen Stückzahlen nicht sinken, wäre aus Kostengründen kein marktfähiges Produkt zu erwarten.

Die Projektbeteiligten haben deshalb folgende Vorgehensweise als zielführend betrachtet:

1. Entwicklung einer Maske in sieben Größen  mit auswechselbaren Vlieseinlagen, die eine nicht ganz optimale Passform kompensieren und im Spritzgussverfahren hergestellt werden sollten.
2. Ermittlung von 7 Gesichtsgrößen nach repräsentativen Kriterien.
3. Entwicklung einer App mit folgenden Hauptfeatures:
   – Scanfunktion zum Scannen/Vermessen des eigenen Gesicht
   – Zuordnung/Auswahl der am besten passenden Maskengröße  für die Nutzer:innen

Die Punkte 2. und 3. waren die Arbeitspakete der EXCIT3D GmbH im Projekt 

Zu den EXCIT3D-Arbeitspaketen gehörten folgende Schritte:

A. Programmierung der App-Funktionalitä

1. Setup ARKit Gesichtserkennung 
2. Austausch des Standard Gesichtsmodell mit einem Gesicht-Mesh bei dem die Vertexpunkte eingezeichnet sind. 
3. Einzeichnen der potenziellen Maskenformen anhand der gegeben Vertices 
4. Auslesen aller Vertexpositionen aus der Gesichtserkennung 
5. Auslesen der Relevanten Punkte der Gesichtserkennung 
6. Erstellen einer Funktion zum Export der Gesichtsmaske als STL-Datei für den 3D-Druck zum Vergleich mit realen Köpfen 
7. Erstellung einer Funktion die den Frame “freeze”  und die relevanten Punkte erkennt und ausgibt
8. Erstellung einer Funktion zur Erkennung relevanter Gesichtsmerkmale z.b lange Nase, breite Wangenknochen, langes Gesicht, breites Gesicht
9. Vermeidung von Mimik-Unregelmäßigkeiten
   Um Ungenauigkeiten zu vermeiden, darf die gescannte Person ihr Gesicht nicht verziehen. Um dies zu erreichen, wurde ein Feature zur Erkennung von Mimik ( Lächeln, Lachen, Mund offen, Augen geschlossen, Augen zukneifen, unzufrieden schauen) entwickelt.
   

B. Ermittlung von 7 Maskenrahmen-Größenklassen

• Erstellung einer Gesichtsdatenbank für die Generierung der Maskenrahmen mit 300 Gesichter 
• Gleichverteilung männlich und weiblich
• Frontal und Seitenansicht, um daraus 3D-Modelle generieren zu können.
• Gesichter ab 18 bis 90 (keine Teenager und Kinder, da die Gesichter zu stark abweichen und die Zielpersonen  erwachsene krankenpfleger:innen sind)
• Pro Altersjahrzehnt gleich viele Gesichter 
• Verteilung auf verschiedene ethnische Gruppen
• Fokus auf den Typus “europäische Gesichter”.
• Erstellung von 3D Modellen. Anhand der Bilder. 
• Größe/Skalierung der Bilder/Kopfe konnte anhand des durchschnittliche Irisdurchmessers von 5 mm gewährleistet werden

  

 

    zum Detailgrad der Köpfe

 

Um zu einer den Anforderungen gemäßen Erstellung von den den 7 Maskenrahmen-Größenklassen zu kommen, wurden zwei Ansätze verfolgt

 

Ansatz 1: 

Erstellung von 7 Maskenrahmen-Größenklassen über Machine Learning (K-Means Algorithmus)

Dabei wird zunächst festgelegt, wie viele Aufteilungen man am Ende haben möchte. Der Algorithmus entscheidet sich dann für eine zufällige Aufteilung der Daten in Cluster. Zu diesen Clustern wird dann ein Clusterzentrum berechnet, auch Schwerpunkt genannt. Dach werden die Daten dem neuen Clusterzentrum zugeteilt und ein neues Clusterzentrum wird berechnet. Dies wird mehrere Male wiederholt, bis sich die verschiedenen Clusterzentren nicht mehr bewegen. 

So erhält man für einen Punkt am Maskenrahmen dann in unserem Fall sieben Clusterzentren. Dieser K-means Algorithmus muss dann für jeden Punkt im Maskenrahmen wiederholt werden. 

• Das Ergebnis des K-means auf jeden Maskenrahmen Punkt sah dann folgendermaßen aus
• Das Problem, das bei der Machine-Learning-Variante mit K-means aufgetreten ist, war, dass die berechneten Punkte nicht eindeutig einem Maskenrahmen zugeordnet werden konnten. Demzufolge war dieser Ansatz zu verwerfen.

Ansatz 2: 

Erstellung von 7 Maskenrahmen-Größenklassen über eine selbst konzzierte Mittelwert-Methode mit Vertexes

Aus den vorhandenen Kopfmodelle wurden Mittelwert Köpfe berechnet. Hierfür wurden alle Vertexes von allen Köpfen in der Datenbank zusammengerechnet und für jeden Vertex ein Mittelwert berechnet. 

Um die Daten besser auszuwerten, wurde eine Funktion geschrieben, die die Kopfmodelle nach ihrer Größe sortiert. 

Da 7 Maskenrahmen zu erstellen waren, wurden also die Köpfe auf 7 Größenklassen aufgeteilt und für jede Größenklasse aus den Köpfen der Mittelwert berechnet (das macht 42/43 Köpfe pro Maskenrahmen, was unseren Datensatz pro Maskenrahmen etwas klein erscheinen lässt. Generell lässt sich davon ausgehen, dass in Maskenrahmen 1 mehr weibliche Köpfe vorhanden sind und in 7 mehr männliche.

Von den 7 Köpfen wurden dann an den relevanten Stellen die Rahmen abgeleitetund ausmodelliert

In einem weiteren Schritten wurden die sieben Maskengrößen in die App eingefügt 

 

C.  Erstellung eines Vergleichs- und Auswahl-Algorithmus

Anschließend wurde ein Algorithmus erstellt, der die erkannten Punkte des Gesichtes mit den verschieden Maskenrahmen vergleicht.

Der Algorithmus berechnet die Distanz zwischen dem Gesicht und dem vorhandenen Rahmen. Dabei wurde an den markanten Punkten Nase und Kinn eine entsprechende Hierarchie eingeführt, die festlegt, an welchen Stellen der Sitz der Maske überproportional wichtig ist. Diese Ergebnisse fließen in die Berechnung ein.

Abschließend wird ein Masken-Score errechnet, der besagt, wie gut die Maske zum bzw. zur Nutzer:inn passt.

Stichproben

Da wir die 7 Maskenrahmen mit dem 3D-Drucker ausgedruckt haben, konnten wir bei Stichprobentests mit realen Probanden, feststellen, ob die virtuell ermittelte Maskengröße, in ausgedruckter Form auch die tatsächlich am besten passende Maske ist. Dies war in 96% der Tests der Fall. 

Abschließende Arbeiten an der App

Abschließend wurde die UI verbessert, so dass der Nutzer intuitiv mit der App interagieren kann.

Fazit

Als Ergebnis de Arbeitspakete liegt ein fertiges Programm zur Erfassung, Vermessung, Klassifizierung, Vergleich  und Zuordnung dreidimensionaler menschlichen Gesichter oder anderer 3D-Objekte vor, der neben dem Einsatzgebiet “Atemschutzmasken” auch für andere Zwecke genutzt werden kann. Beispiele sind:

• Bestrahlungsmasken
• Labormasken
• Industriemasken

Haben wir Ihr Interesse geweckt?

Wir freuen uns auf Ihre Kontaktaufnahme:

EXCIT3D GmbH
Mankhauser Str. 1
42699 Solingen

Telefon:
+49 (0) 212 26049777
+49 (0) 212 26049778
E-Mail: info@excit3d.de

© EXCIT3D GmbH 2023