KI und moderne Sensorik können dabei helfen, Holz aus Sperrmüll effizienter, kostengünstiger und in größeren Mengen zurückzugewinnen und damit das Prinzip der Kreislaufwirtschaft stärken. Ein entsprechendes, auf vier verschiedenen Sensortypen und KI basierendes Verfahren hat ein Forschungsverbund unter Koordination des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung IOSB im Vorhaben ASKIVIT entwickelt. Der Ansatz erreichte bei praxisnahen Messreihen eine Sortiergenauigkeit von über 95 Prozent.
Sperrmüll stellt eine bedeutende Rohstoffquelle dar: Rund ein Viertel der in Deutschland jährlich anfallenden über zwei Millionen Tonnen Sperrmüll besteht aus stofflich wiederverwertbarem Holz. Während andere Abfallströme wie Altglas oder Verpackungen längst weitgehend automatisiert sortiert werden, erledigen diesen Job beim Altholz aus Sperrmüll im Wesentlichen noch immer menschliche Arbeitskräfte. Eine maschinelle Sortierung kann nicht nur die Wirtschaftlichkeit erhöhen, sondern gleichzeitig eine Lösung für den Arbeitskräftemangel bieten.
Im Vorhaben ASKIVIT entwickelte ein Forscherteam einen Ansatz für eine sensor- und KI-gestützte, automatische Sperrmüllsortierung. Da Sperrmüll aus sehr unterschiedlichen Materialien besteht und Verdeckungen, Verschmutzungen oder Alterungsprozesse die Erkennung erschweren, kombiniert der Ansatz die Stärken mehrerer Sensortypen und führt ihre Informationen per KI zusammen. Zum Einsatz kamen eine RGB-Kamera, eine Nahinfrarot(NIR)-Hyperspektralkamera sowie Thermografie- und Terahertz-Sensorik, wobei die beiden letzteren bislang in der industriellen Abfallsortierung kaum genutzt werden.
Die Forschenden erfassten mit diesen Sensoren reale Sperrmüllproben, die sie als Trainingsmaterial für KI-Systeme klassifizierten. Die so entstandenen umfangreiche Bilddatensätze stellen eine in dieser Form einzigartige, multimodale Datenbasis für die Sperrmüllklassifikation dar. Teile davon stehen anderen Forschenden über die Forschungsdatenplattform Fordatis der Fraunhofer-Gesellschaft sowie über einen Open-Access-Artikel in Nature Scientific Data zur Verfügung.
Die besten Ergebnisse erzielte ein Ansatz, bei dem die Auswertungen der einzelnen Sensoren zunächst getrennt erfolgen und erst am Ende zu einer gemeinsamen Entscheidung zusammengeführt werden (Late-Fusion-Ansatz). Hierbei konnte der Terahertz-Sensor mit seiner hohen Sensitivität für metallische Materialien punkten. Die Gesamtsortiergenauigkeit dieses Ansatzes lag bei 95,6 Prozent.
Schließlich untersuchten die Forschenden in einem Feldtest die Möglichkeit, das Multisensorsystem partiell in eine Sortiermaschine zu integrieren. In einer solchen Maschine läuft der Sperrmüll stark zerkleinert über ein Band. Die Forschenden installierten wenige Zentimeter nach der Sensorlinie quer zum Band Druckluftdüsen, die vom KI-Modell in Echtzeit angesteuert wurden und Objekte gezielt ausschleusen sollten. Bei einer praxisüblichen Bandgeschwindigkeit von drei Metern pro Sekunde hatte das System nach der Bildauswertung ca. 30 Millisekunden Zeit für seine Sortierentscheidung. Im Ergebnis wurde bereits eine hohe Reinheit erreicht, falsch sortierte Teilstücke waren überwiegend mechanisch bedingt und nicht auf Fehler des KI-Modells zurückzuführen.
Insgesamt erwies sich der Ansatz als vielversprechend und einer manuellen Sperrmüllsortierung in Geschwindigkeit und Präzision überlegen. „Die Technologie steigert die Effizienz und spart Kosten, wir sehen große Marktchancen etwa in der Recyclingindustrie oder zur Inline-Inspektion in der Produktion,“ so Dr. Robin Gruna vom Fraunhofer IOSB.