KI-gesteuerte intelligente Sortierung: über die klassische sensorgestützte Sortierung hinaus

Jahrelang galten optische Sortierung und sensorgestützte Sortierung (SBS) als dasselbe. Das vorherrschende Vorgehen war einfach: den passenden Sensor für einen Abfallstrom wählen, ihn sauber kalibrieren und sein Signal über vorgegebene Schwellwerte, Regellogik oder, in begrenztem Umfang, klassische Verfahren des maschinellen Lernens auswerten.

Dieser Ansatz funktionierte, solange die Materialunterschiede deutlich genug und die Entscheidungsgrenzen einfach waren. Je heterogener die Abfallströme und je komplexer die Zusammensetzungen wurden, desto deutlicher zeigten sich jedoch die Grenzen rein sensor- und schwellwertgetriebener Systeme.

Ohne Innovation liegt ein Unternehmen auf der Intensivstation!

Sylvain Montmory

Die Ära der klassischen sensorgestützten Sortierung

Klassische sensorgestützte Sortiersysteme beruhten auf einer deterministischen Auswertung der Sensorsignale. War die Messmodalität einmal gewählt, etwa Röntgendurchstrahlung für den Dichtekontrast, Bildgebung im Sichtbaren für die Farbtrennung oder induktive Erfassung für Metalle, stützte sich die Klassifikationslogik meist auf Schwellwerte oder einfache Regressionsverfahren.

Beispiel: In einem Röntgendurchstrahlungssystem (XRT) für Metalle wird ein Stück der Schwerfraktion zugeordnet, sobald die geschätzte effektive Ordnungszahl oder der Dichtekennwert einen vorgegebenen Schwellwert überschreitet. In einem SWIR-basierten Kunststoffsortierer gilt ein Stück als Zielmaterial, sobald die Reflexion in einem bestimmten Wellenlängenband einen kalibrierten Schwellwert überschreitet.

Technisch waren diese Systeme alles andere als simpel. Im Gegenteil: Sie verlangten sorgfältige Kalibrierung, eine stabilisierte Umgebung, Weiß- und Schwarzabgleich und laufende Wartung, damit die Messungen über die Zeit konstant blieben. Röntgen-, Hyperspektral- oder Spektroskopiesysteme in der rauen Umgebung des Recyclings zu betreiben ist technisch anspruchsvoll und oft kapitalintensiv.

Die Klassifikationslogik selbst blieb weitgehend binär und regelbasiert, auch deshalb, weil die mechanischen Trennsysteme selbst binär waren: ausschleusen oder durchlassen. Die meisten Anlagen arbeiteten daher in recht einfachen Entscheidungsrahmen.

Dieses Vorgehen funktionierte gut, solange die Materialunterschiede groß und mit einer einzigen Messmodalität klar trennbar waren.

Mit zunehmend heterogenen Abfallströmen stießen diese deterministischen Ansätze jedoch an strukturelle Grenzen.

Der Bruch, den die künstliche Intelligenz bringt

Künstliche Intelligenz hat industrielle Systeme tiefgreifend verändert, und das Recycling bildet keine Ausnahme. Klassische Bildverarbeitung verlangte von Ingenieuren, die Regeln zur Unterscheidung der Objekte ausdrücklich festzulegen: Formdeskriptoren, Konturheuristiken, Texturfilter, spektrale Schwellwerte. Solche regelbasierten Systeme sind aufwendig zu pflegen und lassen sich unter realer Variabilität schlecht verallgemeinern.

Überwachtes Lernen und insbesondere Deep Learning erlauben es Modellen dagegen, die unterscheidenden Merkmale direkt aus gelabelten Datensätzen zu lernen. Statt Entscheidungsregeln von Hand festzulegen, gewinnen neuronale Netze hochdimensionale Repräsentationen, die an die menschliche Wahrnehmungsleistung heranreichen und sie mitunter übertreffen.

KI auf RGB-Bildern kann die menschliche Sortierfähigkeit erreichen; ihre eigentliche Wirkung entfaltet sie jedoch erst bei komplexen Sensordaten. Die Verbindung fortgeschrittener Messverfahren mit datengetriebenen Modellen verändert grundlegend, wie Sortierentscheidungen zustande kommen.

Die weiterreichenden Folgen von KI im Recycling, vom Aufbau der Datensätze über die Modelldrift bis zur langfristigen Betriebsstabilität, verdienen eine eigene Betrachtung und werden gesondert behandelt. Hier geht es darum, wie KI die Auswertung von Sensordaten innerhalb von Sortierarchitekturen verändert.

 

Intelligente Sortierung: KI auf fortgeschrittenen Sensoren

Intelligente Sortierung ist das Zusammentreffen fortgeschrittener Messtechnik mit künstlicher Intelligenz. Statt einfache Schwellwerte auf Röntgen-, Hyperspektral- oder Spektroskopiesignale anzuwenden, verarbeiten KI-Modelle heute hochdimensionale Sensorausgaben und erkennen Muster, die einer klassischen Kalibrierlogik verschlossen bleiben. Das eröffnet Fähigkeiten jenseits der menschlichen Wahrnehmung.

Zum Beispiel: das Erkennen elementarer Spurensignaturen, die auf bestimmte Legierungszusammensetzungen hinweisen; das Auffinden gefährlicher Bauteile wie eingebauter Batterien in Elektroaltgeräten, was die Brandgefahr senkt; das Erkennen feiner Zusammensetzungsunterschiede zwischen optisch ähnlichen Werkstoffen; und das Trennen von Legierungsfamilien, die Dichte oder Farbe teilen, sich aber im Elementprofil unterscheiden.

KI-Modelle, die auf Multisensordaten trainiert sind, nutzen Zusammenhänge zwischen spektralen Merkmalen, geometrischer Struktur und Dichtekennwerten auf eine Weise, die sich mit schwellwertbasierter, linear trennender Logik nicht abbilden lässt. Das ist der Übergang von der sensorgestützten Sortierung, also Sensor plus Regelauswertung, zur intelligenten Sortierung: Sensor plus adaptive, datengetriebene Auswertung.