Die Müll- und Plastikberge wachsen weltweit kontinuierlich an. Dabei handelt es sich vor allem um gemischte Abfälle, die hauptsächlich aus Kunst- und Verbundstoffen sowie organischen Anteilen wie Papier und Kartonagen bestehen. Für die Abfallaufbereitung ist die unterschiedliche Zusammensetzung herausfordernd, weil sich diese saisonal und regional stark unterscheidet.
Ein neues Projekt kombiniert nun erstmals Bilddaten mit Anlagendaten, um die Art und Zusammensetzung des Abfalls im laufenden Prozess zu beschreiben. Für „KI-Waste“ arbeiten das Institut für Maschinelles Sehen und Darstellen der Technischen Universität Graz und die Grazer Joanneum Research Forschungsgesellschaft zusammen. Ziel ist eine Erhöhung des Recyclinganteils um mindestens zehn Prozent.
Ungenutztes Potenzial
Weiterer Projektpartner ist Komptech, ein österreichischer Technologieanbieter von Maschinen und Systemen für die mechanische und biologische Behandlung fester Abfälle. „Die Digitalisierung bietet gerade in unserem Tätigkeitsbereich noch ungenutztes Potenzial“, betont Christian Oberwinkler, CTO von Komptech.
Damit Abfall für die nachfolgende Zerkleinerung korrekt definiert wird, muss der Materialstrom in einzelne Objekte unterteilt werden, heißt es in einer Pressemitteilung der TU Graz über das Projekt. Gleichzeitig sind Informationen über Klassenzugehörigkeit und Geometrie der Objekte nötig, um sie eindeutig einzuordnen.
Algorithmen lernen Abfallerkennung
Objekte gleicher Klasse wie zum Beispiel Holzpellets und Äste haben unterschiedliche Geometrien. Objekte ähnlicher Geometrie wie PET-Flaschen und Glasflaschen sind wiederum unterschiedlichen Klassen zuzuordnen. Um die räumlichen Eigenschaften der Objekte zu erfassen, wird 3D-Sensorik, wie Stereokameras oder Time-of-flight(TOF)-Kameras, verwendet.
2D-Sensoren beschreiben die Farbinformationen mit sehr hohen Auflösungen. Die Bildanalyse-Software wendet Deep-Learning-Algorithmen an, welche anhand von Trainingsdaten lernen, den Abfall zu erkennen und zu unterscheiden.
Optimierung von Anlagen
Um darüber hinaus die Zusammenhänge des Anlagenbetriebes besser zu verstehen, untersucht das Forscherteam Einflussfaktoren und Korrelationen in den Messdaten. Daraus werden Modelle abgeleitet, um die Anlage zu optimieren.
Ziel des Projektes ist eine Handlungsempfehlung, wie KI in der Prozessoptimierung für die Abfall- und Kreislaufwirtschaft eingesetzt werden kann. Abfallwirtschafts-Unternehmen profitieren dadurch von einer Effizienzsteigerung, einer erhöhten Recyclingrate und einem verringerten Energieverbrauch. (hp)
