Entwicklung eines Klassifikationsmodells zur sensorbasierten Sortierung von Kunststofffolien anhand von VIS-Aufnahmen

Kunststofffolien erweisen sich aufgrund ihrer geringen Schichtdicke als Herausfor-
derung für bestehende Nahinfrarot-Sortierer. Die geringe Interaktion zwischen Strahlung und Material erschwert eine zuverlässige Klassifizierung von Mono- und Multimaterialien. (Koinig et al. 2022) Maßnahmen sind notwendig, um auch aus diesem Abfallstrom die recyclingfähige Fraktion der Monomaterialien wiederzugewinnen, damit die von der EU für 2025 geforderte Recyclingquote für Verpackungsabfälle von 50 % erreicht werden kann (EUP 2018). Convolutional Neural Networks (CNN) bieten einen datenbasierten Ansatz zur Lösung dieses Klassifikationsproblems mit einer vergleichsweise einfachen Implementierung gegenüber bestehenden Klassifikationsmodellen. 17 CNNs wurden mit Datensätzen bestehend aus VIS-Aufnahmen via Transfer Learning auf die Klassifizierung von Mono- und Multimaterialien umgelernt und anschließend getestet. Unter den getesteten Netzwerken konnten für die Klassifizierung Genauigkeiten zwischen 63 % – 79 % erreicht werden. Einblicke in die Entscheidungsfindung der Netzwerke durch Class Activation Maps legen offen, dass materialunspezifische Merkmale wie Falten in der Folie oder Beschriftungen von den Netzwerken zur Klassifizierung herangezogen werden. Somit besteht auch hier das Problem einer unzuverlässigen Klassifizierung.
Anwendung eines solchen Klassifikationsmodelles könnte man in der Vorsortierung von Kunststofffolien zur Entlastung bestehender Nahinfrarot-Sortierer finden.