Der Beitrag behandelt die Entwicklung und Validierung eines datengetriebenen Analysesystems zur automatisierten Erkennung biegeschlaffer Materialien wie Textilien, Leder oder Folien. Ziel ist die adaptive Steuerung eines modularen Greifersystems, das seine Prozessparameter dynamisch an erkannte Materialeigenschaften anpasst. Grundlage bildet ein bildgebendes Verfahren, bei dem eine Industriekamera hochauflösende Texturinformationen erfasst. Diese Bilddaten werden durch Data Augmentation erweitert und anschließend mittels klassischer Merkmalsextraktionstechniken (LBP, GLCM, HOG) in charakteristische Texturbeschreibungen überführt.

Zur Klassifikation der Materialien werden maschinelle Lernverfahren wie Support Vector Machines und Random Forests eingesetzt. Im Fokus des Beitrags steht der systematische Vergleich verschiedener Merkmals- und Klassifikationsmethoden, inklusive strukturierter Datenaufbereitung und Trainingsprotokolle. Die Validierung anhand eines Datensatzes mit über 50 Textilien zeigt, dass bestimmte Merkmals-Klassifikations-Kombinationen Genauigkeiten und F1-Scores von über 95 % erreichen. Damit wird das hohe Potenzial datengetriebener Texturanalyse für eine robuste, echtzeitfähige Materialerkennung in der industriellen Automatisierung belegt.