🤖 AI

Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

Diese Arbeit evaluiert One-Vs-All- und One-Vs-Rest-Klassifizierungsstrategien für die automatisierte Abfalltrennung in Deutschland unter Verwendung eines konfidenzgesteuerten Human-in-the-Loop-Ansatzes, um die Reduzierung von Fehlklassifizierungen mit dem menschlichen Annotationsaufwand in Einklang zu bringen und zugleich kommunalspezifische Trennschemata zu berücksichtigen.

Ursprüngliche Autoren: Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Mülltrennung mit einem smarten Assistenten

Stellen Sie sich vor, Sie leben in einer Stadt, in der die Regeln für die Müllentsorgung kompliziert sind. In einer Nachbarschaft gehört ein Pizzakarton in den Papierkorb; im nächsten Ort gehört er in den Restmüll. Diese Verwirrung führt dazu, dass viel Müll am falschen Ort landet, was unsere Fähigkeit zur Wiederverwertung (was das Papier die „Kreislaufwirtschaft“ nennt) beeinträchtigt.

Die Autoren dieser Arbeit wollten eine smarte mobile App entwickeln, die wie ein hilfreicher Assistent fungiert. Man macht ein Foto von seinem Müll, und die App sagt einem genau, welchen Behälter man benutzen soll. Um dies zu ermöglichen, mussten sie einem Computer (Künstlicher Intelligenz) beibringen, wie man verschiedene Arten von Abfall erkennt.

Die Kernfrage: Wie sollte der Computer „denken“?

Das Hauptproblem, das die Arbeit behandelt, ist: Was ist der beste Weg, um den Computer das Sortieren von Müll beizubringen?

Sie verglichen zwei verschiedene „Lehrstile“ (Klassifizierungsstrategien):

Der „Alles-in-einem“-Coach (One-vs-All / OvA):
- Die Analogie: Stellen Sie sich einen einzelnen Lehrer vor, der vor einer Klasse von sechs Schülern steht (die sechs Arten von Müll repräsentieren: Papier, Plastik, Glas usw.). Der Lehrer sieht sich ein Stück Müll an und fragt: „Zu welchem von euch gehört das?“ Der Lehrer wählt den Schüler mit dem höchsten Vertrauen aus.
- Wie es funktioniert: Der Computer lernt eine einzige große Regel, um alle sechs Arten gleichzeitig zu unterscheiden.
Das „Spezialisten“-Team (One-vs-Rest / OvR):
- Die Analogie: Stellen Sie sich ein Team aus sechs verschiedenen Experten vor. Jeder Experte kennt nur eine Sache perfekt.
  - Experte A weiß nur: „Ist das Papier oder NICHT Papier?“
  - Experte B weiß nur: „Ist das Plastik oder NICHT Plastik?“
  - Und so weiter.
- Wie es funktioniert: Der Computer fragt alle sechs Experten. Wenn der „Papier“-Experte „Ja!“ sagt und alle anderen „Nein!“ sagen, dann ist es Papier. Wenn zwei Experten gleichzeitig „Ja!“ schreien, wird der Computer verwirrt.

Das Experiment: Goslars Müll

Die Forscher haben nicht einfach nur geraten; sie bauten einen echten Test mit Daten aus der Stadt Goslar, Deutschland, auf.

Sie sammelten über 22.000 Fotos von Müll (wie Flaschen, Dosen, Essensreste und Glas).
Sie stellten sicher, dass die Fotos wie im echten Leben aussah (einige waren schmutzig, einige lagen im Schatten, einige lagen auf der Straße), damit die KI nicht einfach nur saubere Bilder auswendig lernt.
Sie trainierten sowohl den „Alles-in-einem“-Coach als auch das „Spezialisten“-Team mit denselben Fotos und testeten sie an neuen, unbekannten Fotos.

Die Ergebnisse: Wer hat gewonnen?

1. Gesamtgenauigkeit (Wer hat am meisten richtig gemacht?)

Der Gewinner: Der „Alles-in-einem“-Coach (OvA) war etwas besser. Er machte insgesamt weniger Fehler.
Der Zweitplatzierte: Das „Spezialisten“-Team (OvR) machte etwas mehr Fehler (etwa 5 Fehler mehr bei 2.000 Tests).

2. Der „Vertrauens“-Test (Wer weiß, wann er unsicher ist?)
Dies ist der interessanteste Teil der Arbeit. Die Forscher wollten wissen: Wenn der Computer unsicher ist, können wir ihm sagen, dass er einen Menschen um Hilfe bitten soll?

Der „Alles-in-einem“-Coach: Wenn dieser Coach falsch liegt, ist er oft sehr sicher, obwohl er falsch liegt. Es ist wie ein Schüler, der sich zu 100 % sicher ist, dass er recht hat, aber eigentlich falsch liegt. Da er so selbstbewusst ist, meldet das System den Fehler nicht zur menschlichen Überprüfung an, und der Fehler schlüpft durch.
Das „Spezialisten“-Team: Dieses Team ist viel besser darin, zuzugeben, wenn es verwirrt ist.
- Manchmal schreien zwei Experten gleichzeitig „Ja!“ (z. B. „Es ist Plastik!“ und „Es ist Glas!“). Dieser Konflikt signalisiert hohe Unsicherheit.
- Manchmal ist sich kein Experte sicher (alle sagen „Vielleicht“).
- Die Magie: Die Forscher fanden heraus, dass, wenn sie einen Menschen baten, nur die Fotos zu prüfen, bei denen das „Spezialisten“-Team verwirrt war (speziell wenn Experten uneinig waren oder unsicher waren), sie über 50 % aller Fehler erfassen konnten, während sie den Menschen nur aufforderten, weniger als 5 % der gesamten Fotos zu prüfen.

Warum ist das wichtig?

Die Arbeit kommt zu dem Schluss, dass der „Alles-in-einem“-Coach zwar insgesamt etwas genauer ist, das „Spezialisten“-Team aber viel besser darin ist, seine Grenzen zu kennen.

Flexibilität: Wenn eine Stadt ihre Regeln ändert (z. B. „Jetzt recyceln wir auch Pizzakartons!“), ist es einfach, einen einzelnen „Spezialisten“-Experten auszutauschen, ohne das gesamte System neu trainieren zu müssen.
Human-in-the-Loop: Der „Spezialisten“-Ansatz ist perfekt für ein System, bei dem ein Mensch die schwierigen Fälle überprüft. Er spart menschliche Zeit, da er nur den Müll markiert, der tatsächlich verwirrend ist, anstatt den Menschen zu bitten, alles zu überprüfen.

Zusammenfassung

Die Arbeit zeigt, dass für eine smarte Mülltrennungs-App gilt:

Wenn Sie einfach nur die höchstmögliche Punktzahl wollen, verwenden Sie den Einzel-Coach (OvA).
Wenn Sie ein System wollen, das flexibel ist und weiß, wann es um menschliche Hilfe bitten muss, um seine Fehler zu korrigieren, verwenden Sie das Team von Spezialisten (OvR).

Dieses Gleichgewicht ist entscheidend, um die „Kreislaufwirtschaft“ zum Funktionieren zu bringen, in der Ressourcen effizient wiederverwendet werden und menschliche Anstrengungen klug eingesetzt werden, um die blinden Flecken der KI zu beheben.

Technischer Überblick: Effiziente Abfalltrennung für die Kreislaufwirtschaft

Problemstellung
Der Übergang zu einer Kreislaufwirtschaft wird durch die Komplexität der Abfallentsorgungsvorschriften behindert, die zwischen europäischen Kommunen erheblich variieren. In Deutschland unterscheiden sich beispielsweise die Sortieranforderungen nicht nur zwischen den Bundesländern, sondern auch zwischen den einzelnen Landkreisen. Diese Heterogenität erschwert es den Bewohnern, ihren Abfall korrekt zu entsorgen, was zu hohen Fehlwurfquoten führt (in Deutschland werden beispielsweise bis zu 30 % der Kunststoffabfälle falsch entsorgt) und die Behandlungskosten erhöht. Während KI-basierte mobile Anwendungen eine potenzielle Lösung bieten, indem sie die Bewohner anleiten, fehlt es bestehenden Systemen oft an der erforderlichen Konfigurierbarkeit, um sich an spezifische lokale Sortierschemata anzupassen. Zudem haben Standard-Ansätze der Multi-Class-Klassifizierung Schwierigkeiten mit der Modularität; die Anpassung eines Modells an neue Vorschriften erfordert typischerweise ein vollständiges Nachtraining. Darüber hinaus besteht ein Bedarf, die Vorhersageleistung mit dem menschlichen Annotationsaufwand in Einklang zu bringen, insbesondere durch das Identifizieren unsicherer Stichproben zur menschlichen Überprüfung, ohne dabei einen übermäßigen manuellen Arbeitsaufwand zu verursachen.

Methodik
Die Autoren evaluierten und verglichen zwei prominente Klassifizierungsstrategien: One-vs-All (OvA) und One-vs-Rest (OvR), unter Verwendung eines Datensatzes, der auf das Abfallentsorgungsschema von Goslar, Deutschland, abgestimmt ist.

Datensatzkonstruktion: Die Studie nutzte einen sechsklassigen Abfallmanagement-Datensatz, der durch Zusammenführung und Abbildung von Bildern aus den Datensätzen TACO und TrashNet auf ein lokales Framework erstellt wurde. Die endgültigen Kategorien umfassten Bioabfall, Papierabfall, Kunststoff- und Metallabfall, Wertstoffhof, Glas und Restmüll. Der Datensatz wurde in 18.515 Trainings-, 2.000 Validierungs- und 2.000 Testbilder stratifiziert.
OvA-Strategie: Ein einziger Multi-Class-Klassifikator wurde unter Verwendung eines vortrainierten InceptionV3-Backbones (ImageNet) mit benutzerdefinierten Global Average Pooling-, Fully Connected (FC)- und Dropout-Schichten erstellt. Die Ausgabeschicht nutzte eine Softmax-Aktivierungsfunktion, um eine normalisierte Wahrscheinlichkeitsverteilung über die sechs Klassen zu generieren.
OvR-Strategie: Es wurden sechs unabhängige Binärklassifikatoren trainiert, jeweils einer für jede Zielklasse. Jeder Klassifikator verwendete denselben InceptionV3-Backbone und dieselbe Architektur, nutzte jedoch eine Sigmoid-Aktivierungsfunktion für sein einzelnes Ausgabeneuron. Positive Proben für einen spezifischen Klassifikator waren Instanzen der Zielklasse, während negative Proben alle anderen Klassen umfassten.
Konfidenzgestützte Analyse: Um den Zielkonflikt zwischen Fehlklassifizierungsraten und menschlichem Annotationsaufwand zu adressieren, wendeten die Autoren variierende Konfidenzschwellenwerte an. Teststichproben wurden basierend auf den Vorhersagewahrscheinlichkeiten in vier Gruppen eingeteilt:
1. Hohe Konfidenz (Gruppe 1): Eine Klasse mit $p \ge 0,95$ .
2. Einzelstimme (Gruppe 2): Eine Klasse mit $0,50 < p < 0,95$ .
3. Mehrstimmigkeit (Gruppe 3): Mehrere Klassen mit $0,50 < p < 0,95$ (exklusiv für OvR).
4. Keine Stimme (Gruppe 4): Alle Klassen mit $p \le 0,50$ .

Wichtigste Ergebnisse

Gesamtgenauigkeit: Die OvA-Strategie erreichte eine geringfügig höhere Gesamtgenauigkeit und klassifizierte 49 Bilder falsch, im Vergleich zu 54 Bildern bei der OvR-Strategie.
Fehlermuster: Nur 29 Bilder wurden von beiden Strategien gemeinsam falsch klassifiziert, was auf unterschiedliche Fehlermuster für jeden Ansatz hindeutet.
Identifizierung von Unsicherheit:
- OvA: Die Strategie hatte Schwierigkeiten, unsichere Stichproben zu identifizieren. Gruppe 3 enthielt keine Stichproben (da die Wahrscheinlichkeiten sich zu 1 summieren), und Gruppe 4 enthielt nur 2 Stichproben (beide falsch klassifiziert). Folglich erfassten die Fokussierungen auf die Gruppen 3 und 4 nur etwa 4 % der Fehlklassifizierungen. Fehler mit hoher Konfidenz (Gruppe 1) waren schwer zu detektieren, da 27 falsch klassifizierte Stichproben aufgrund hoher vorhergesagter Wahrscheinlichkeiten „verloren“ gingen.
- OvR: Diese Strategie demonstrierte eine überlegene Fähigkeit, unsichere Stichproben zu kennzeichnen. Gruppe 3 (Mehrstimmigkeit) und Gruppe 4 (Keine Stimme) enthielten eine signifikante Konzentration von Fehlern. Insbesondere ermöglichte die Fokussierung auf die Gruppen 3 und 4 die Identifizierung von über 50 % der Fehlklassifizierungen bei einem Annotationsaufwand von weniger als 5 % der Gesamtdaten. Die ausschließliche Fokussierung auf Gruppe 4 identifizierte über 35 % der Fehlklassifizierungen bei weniger als 2,5 % Annotationsaufwand.

Bedeutung und Ansprüche
Das Paper behauptet, dass die OvA-Strategie zwar eine etwas bessere Rohgenauigkeit für die Multi-Class-Abfalltrennung bietet, die OvR-Strategie jedoch überlegen für die iterative Modellverfeinerung und Adaptivität ist. Die Bedeutung der Arbeit liegt in der Demonstration, dass OvR:

Die Modularität verbessert: Sie ermöglicht das selektive Hinzufügen oder Entfernen von Abfallkategorien (z. B. zur Einhaltung neuer kommunaler Vorschriften), ohne das gesamte System neu trainieren zu müssen.
Den Human-in-the-Loop-Aufwand optimiert: Sie bietet einen effektiveren Mechanismus zur Identifizierung unsicherer Stichproben für die menschliche Überprüfung, wodurch der Annotationsaufwand zur Korrektur eines großen Teils der Fehler signifikant reduziert wird.
Ziele der Kreislaufwirtschaft unterstützt: Durch das Angebot eines konfigurierbaren Frameworks, das sich an dezentrale lokale Vorschriften anpassen kann, unterstützt der OvR-Ansatz den Einsatz skalierbarer, benutzerfreundlicher Werkzeuge für die Abfalltrennung.

Die Autoren kommen zu dem Schluss, dass zukünftige Arbeiten Ensemble-Frameworks untersuchen sollten, die beide Strategien kombinieren, um deren komplementäre Stärken zu nutzen, sowie adaptive Schwellenwerte als Hyperparameter untersuchen sollten.