Automatisierung der optischen Bewertung von Siedlungsabfällen mittels künstlicher Intelligenz

• Kevin Alexander Höfle
• Tobias Althoff
• Prof. Dr. Ralf Holzhauer

Sortenreine Siedlungsabfallströme bilden eine Grundlage für die nachhaltige Etablierung einer zirkulären Wertschöpfung. Die schnelle und kostengünstige Beschreibung der stofflichen Zusammensetzung von Siedlungsabfallströmen ist ein wesentlicher Bestandteil vor dem Hintergrund von ökonomischen und ökologischen Rahmenbedingungen in der Siedlungsabfallwirtschaft. Im Rahmen einer Siedlungsabfallanalyse wurde unter realen Rahmenbedingungen geprüft, ob durch die Implementierung eines bildverarbeitenden Verfahrens und unter Anwendung von aktuellen Deep-Learning Architekturen eine quantitative Bestimmung von Stoffanteilen in den Siedlungsabfallströmen Leichtverpackungen (LVP) und Papier, Pappe und Kartonagen (PPK) aus technischer Sicht möglich ist. Der Beitrag gibt einen Überblick über den Stand der Technik von künstlicher Intelligenz in der Siedlungsabfallwirtschaft, die methodische Vorgehensweise und Ergebnisse einer künstlichen Intelligenz zur quantitativen Bestimmung von Stoffanteilen aus vorliegenden Bilddaten. Des Weiteren gibt der Beitrag einen Ausblick auf den Einsatz von Deep-Learning-Architekturen bezogen auf Potenziale in der Siedlungsabfallwirtschaft. Durch die Veröffentlichung wird außerdem aufgezeigt, dass sich durch künstliche Intelligenz optische Sichtkontrollen in der Abfallwirtschaft automatisieren und manuelle Messfehler in der Praxis reduzieren lassen.

Pure-variety municipal waste streams form the basis for a sustainable establishment of circular value creation. Quick and cost-effective description of the material composition of municipal waste streams is an essential component against the background of economic and ecological framework conditions in municipal waste management. Within the framework of a municipal waste analysis, it was examined under real conditions whether the implementation of an image-processing procedure and the application of current deep learning architectures would enable a quantitative determination of material proportions in the municipal waste streams of light packaging and paper, cardboard and paperboard from a technical point of view. The paper gives an overview of the state of the art of artificial intelligence in municipal waste management, the methodological approach and results of artificial intelligence for the quantitative determination of material proportions. Furthermore, the paper provides an outlook for the use of deep learning architectures in relation to potentials in municipal waste management. The publication also shows that artificial intelligence can be used to automate visual inspections in waste management and reduce manual measurement errors.