Neue Veröffentlichung präsentiert eine Methode zur automatisierten Stoffstromcharakterisierung von zerkleinertem Elektroschrott mittels künstlicher Intelligenz

Die Menge in Verkehr gebrachter elektrischer und elektronischer Geräte wächst rasant, wodurch dieser komplexe Stoffstrom noch weiter an Relevanz gewinnt. In der kürzlich erschienenen Studie wird eine innovative, kostengünstige Methode vorgestellt, bei der gängige RGB-Kameras in industriellen Sortieranlagen genutzt werden, um Materialflüsse von zerkleinertem Elektroschrott automatisiert zu analysieren.

Die Methode kombiniert modernste Deep-Learning-Verfahren zur Erkennung von Materialarten mit einer Schätzung einzelner Partikelmassen über Regressionsmodelle. Zunächst werden mittels eines YOLO v11-basierten Modells die wesentlichen Materialklassen – wie Eisenmetalle, Nichteisenmetalle, Kunststoffe und Leiterplatten – zuverlässig identifiziert. Anschließend kommen Regressionsmodelle des Maschinellen Lernens zum Einsatz, um auf Basis geometrischer und farbbezogener Merkmale die Masse einzelner Partikel vorherzusagen. Aus diesen Partikelmassen wird anschließend die Zusammensetzung des gesamten Materialflusses ermittelt.

Die Ergebnisse auf der Pilotanlage des Fraunhofer IWKS zeigen, dass die Vorhersage der Massenanteile je Materialklasse einen relativen Fehler von knapp unter 5 % erreicht (z.B. 20% Kunststoff ±1%), was einen attraktiven Ansatz für die kontinuierliche Prozessüberwachung und -optimierung darstellt.

Die vorgestellte Methode unterstützt Betreiber von Sortieranlagen nicht nur bei der präzisen Erfassung von Materialflüssen, sondern leistet auch einen Beitrag zur Optimierung von Wiederaufbereitungsprozessen und zur Erhöhung der Recyclingquoten. Die Ergebnisse unterstreichen, dass moderne Bildverarbeitungsalgorithmen und Machine-Learning-Techniken allein mit RGB-Daten eine vielversprechende Alternative zu teureren und aufwendigen Sensorsystemen oder einer manuellen Sortieranalyse darstellen.

In einem nächsten Schritt soll die Methode auf weitere Materialien und Stoffströme ausgeweitet werden.

Die Publikation „Automated material flow characterization of WEEE in sorting plants using deep learning and regression models on RGB data“ wurde in einer Kooperation zwischen Mitarbeitenden der Arbeitsgruppe SuR und des Fraunhofer IWKS erarbeitet und ist hier ab sofort frei als Open-Access-Publikation verfügbar.