From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

Das Sortieren von Müll ist eine Aufgabe, die sich einfach anfühlt, bis man versucht, sie perfekt zu erledigen. An vielen Orten, einschließlich Teilen Ägyptens, fällt diese Arbeit menschlichen Familien zu, die Stunden damit verbringen, Kunststoff von Papier, Metall von Glas und organische Stoffe von allem anderen zu trennen. Es ist langsam, mühsam und führt oft dazu, dass wertvolle Materialien im allgemeinen Abfallstrom verloren gehen. Um dies zu lösen, haben sich Wissenschaftler an Computern zugewandt, die Müll automatisch „sehen“ und sortieren können. Diese Systeme verlassen sich auf eine Art von künstlicher Intelligenz namens Deep Learning, die Schichten digitaler Verarbeitung nutzt, um Muster in Bildern zu erkennen – ganz so, wie das menschliche Gehirn lernt, eine Katze oder ein Auto zu identifizieren, indem es viele Beispiele betrachtet. Wenn diese Systeme mit physischen Maschinen kombend werden, versprechen sie, die mühsame Arbeit des Recyclings mit Geschwindigkeit und Präzision zu bewältigen, was potenziell Ressourcen schont und die Umwelt schützt.

Ein Forscherteam an der American University in Cairo hat dieses Konzept weiterentwickelt, indem sie einen funktionierenden Prototyp eines intelligenten Mülleimers gebaut haben, der mehr tut, als nur zu identifizieren, was ein Gegenstand ist. Sie entwickelten ein System, das wie ein sorgfältiger Torwächter fungiert, der nach spezifischen Problemen sucht, bevor er entscheidet, wohin ein Gegenstand gehört. Die Forscher fanden heraus, dass sie, indem sie die Sortieraufgabe in vier deutliche Schritte unterteilten – die Prüfung auf Flüssigkeit, die Prüfung, ob ein Gegenstand aus mehreren Teilen besteht, die Entscheidung, ob er recycelbar ist, und schließlich die Identifizierung des Materials –, eine Maschine bauen konnten, die Abfall mit hoher Genauigkeit sortiert. Ihre Arbeit, die in Zusammenarbeit mit dem Lebensmittelunternehmen Nestlé und der Abfallwirtschaftsorganisation Dawar entwickelt wurde, führte zu einem physischen Behälter, der realen Müll mit einer Genauigkeit von 92,4 Prozent erfolgreich sortierte.

Der Kern ihrer Innovation liegt in der Reihenfolge der Abläufe. Die meisten bisherigen Versuche der automatisierten Sortierung konzentrierten sich nur auf die Identifizierung des Materials, wie etwa Kunststoff oder Papier. Die Forscher erkannten jedoch, dass der reale Müll oft Komplikationen mit sich bringt, die einfache Systeme verwirren. Beispielsweise kann eine Plastikflasche mit Resten von Limonade eine ganze Charge von Recyclingmaterial ruinieren, und ein Kaffeebecher mit einem Plastikdeckel besteht tatsächlich aus zwei verschiedenen Materialien, die zusammengeklebt sind. Um dies zu handhaben, entwarf das Team eine sequentielle Pipeline. Der erste Schritt besteht darin, zu prüfen, ob der Gegenstand Flüssigkeit enthält. Wenn die Kamera Anzeichen von Flüssigkeit sieht, stoppt die Maschine und gibt den Gegenstand an den Benutzer zurück, um Kontaminationen zu verhindern. Der zweite Schritt prüft, ob es sich bei dem Gegenstand um ein einzelnes Objekt oder einen Mix aus mehreren Teilen handelt. Wenn ein Benutzer versucht, einen komplexen Gegenstand mit mehreren Komponenten wegzuwerfen, markiert die Maschine diesen ebenfalls für eine manuelle Trennung. Nur Gegenstände, die diese beiden Sicherheitsprüfungen bestehen, gelangen zu den nächsten Phasen, in denen der Computer entscheidet, ob der Gegenstand recycelbar ist und, falls ja, aus welchem spezifischen Material er besteht.

Um den Computer diese Fähigkeiten beizubringen, trainierten die Forscher vier separate Modelle der künstlichen Intelligenz, von denen jedes einer spezifischen Aufgabe gewidmet war. Sie nutzten eine Technik namens Transfer Learning, die es einem Computer ermöglicht, mit bereits vorhandenem Wissen über allgemeine Bilder zu beginnen und dieses Wissen dann für die spezifische Aufgabe des Erkennens von Müll zu verfeinern. Für die Aufgaben der Flüssigkeitserkennung und der Identifizierung von Mehrkomponenten-Gegenständen erstellte das Team eigene benutzerdefinierte Datensätze, indem sie tausende Fotografien von realem Abfall aufnahmen. Sie testeten diese Modelle mehrfach, um sicherzustellen, dass die Ergebnisse konsistent sind, und fanden heraus, dass das System Flüssigkeiten mit einer durchschnittlichen Genauigkeit von etwa 91 Prozent und die Unterscheidung zwischen Einzel- und Mehrkomponenten-Gegenständen mit einer Genauigkeit von etwa 96 Prozent erkennen konnte. Die Modelle, die für die Entscheidung über die Recycelbarkeit und das Material verantwortlich waren, schnitten mit 96,8 Prozent bzw. 94,3 Prozent sogar noch besser ab.

Nachdem die Software bereit war, baute das Team einen physischen Prototypen, um das System in einer realistischen Umgebung zu testen. Der Behälter ist ein Holzgehäuse mit fünf internen Fächern für verschiedene Arten von Abfall: organische Wertstoffe, Papier, Kunststoff, andere Wertstoffe und Nicht-Recycelbares. Im Inneren fungiert ein mechanischer Arm mit einem rotierenden Tablett als Sortierer. Wenn ein Benutzer einen Gegenstand in den Behälter legt, erfasst eine Kamera ein Bild, und die vierstufige Software-Pipeline analysiert es. Wenn der Gegenstand alle Prüfungen besteht, sendet die Software einen Befehl an den mechanischen Arm, der rotiert, um das Tablett über dem korrekten Fach zu positionieren und den Gegenstand hineinfallen zu lassen. Der gesamte Prozess läuft in einem kontinuierlichen Fluss ab, der darauf ausgelegt ist, die Art und Weise nachzuahmen, wie ein Mensch Müll inspiziert und sortiert, jedoch mit der Geschwindigkeit und Konsistenz einer Maschine.

Die Forscher testeten ihr System mit einer großen Sammlung von Abfallbildern, die von ihrem Partner Dawar aus der ägyptischen Gemeinschaft bereitgestellt wurden. Dies war ein entscheidender Schritt, da es ihnen ermöglichte zu sehen, wie das System bei Müll reagiert, der so aussieht wie der, den die Menschen tatsächlich wegwerfen, anstatt nur auf saubere, perfekte Fotos zu setzen, die für das Training verwendet werden. Das integrierte System sortierte diese realen Gegenstände in 92,4 Prozent der Fälle korrekt in die fünf vorgesehenen Behälter. Dieses Ergebnis deutet darauf hin, dass der Ansatz, mehrere spezialisierte Prüfungen vor einer endgültigen Entscheidung einzusetzen, effektiv ist. Die Forscher wiesen jedoch auch auf Einschränkungen hin. Das System verlässt sich vollständig auf die visuelle Wahrnehmung, daher kann es keine Flüssigkeit in einem versiegelten, undurchsichtigen Behälter sehen, und die mechanischen Teile wurden noch nicht auf die langfristige Haltbarkeit in einer belebten öffentlichen Umgebung getestet.

Trotz dieser Herausforderungen zeigt das Projekt einen klaren Weg für das automatisierte Recycling auf. Durch die Kombination von spezialisierter künstlicher Intelligenz mit einem physischen Sortiermechanismus haben die Forscher gezeigt, dass es möglich ist, eine Maschine zu bauen, die die Nuancen von Abfall versteht – wie etwa Kontamination und Mischmaterialien – anstatt nur basierend auf Form oder Farbe zu raten. Die Zusammenarbeit zwischen der Universität, einem Großunternehmen und einer lokalen Abfallwirtschaftsgruppe lieferte die notwendigen Ressourcen, um von Computersimulationen zu einem funktionierenden Gerät zu gelangen. Obwohl das System noch nicht perfekt ist und weitere Tests benötigt, um die volle Vielfalt des in der realen Welt vorkommenden Mülls zu bewältigen, bietet es einen vielversprechenden Ausblick auf eine Zukunft, in der die schwierige Arbeit des Sortierens unseres Abfalls von Maschinen erledigt wird, sodass Menschen sich auf andere Aufgaben konzentrieren können.