Automatisierte Erkennung von Störstoffen in Bioabfall mit maschinellem Lernen: Ansätze und Ergebnisse aus dem Projekt TRACES

Die automatisierte Erkennung von Störstoffen in Bioabfall gewinnt zunehmend an Bedeutung, sowohl zur Effizienzsteigerung von Recyclingprozessen und Verbesserung der Kompostqualität als auch durch die Novelle der Bioabfallverordnung. Diese Arbeit entwickelt ein Modell zur Instance-Segmentierung von Störstoffen in einem Müllhaufen, das auf dem YOLACT-Framework basiert, um einzelne Objekte im Abfall präzise zu identifizieren. Dabei wird das Modell auf Bilddaten trainiert, die durch eigene Aufnahmen von Bioabfall erstellt wurden. Ziel ist es, die Erkennung von Störstoffen zu optimieren und einen Beitrag zur Erfüllung der neuen gesetzlichen Anforderungen zu leisten. Durch den Einsatz von Data Augmentation wird das Modell robust gegenüber variierenden Abfallarten, was die Flexibilität und Genauigkeit bei der Klassifikation von Störstoffen im Bioabfall verbessert. Die Ergebnisse zeigen, dass die Anwendung von Instance-Segmentierung eine vielversprechende Methode zur Automatisierung und Verbesserung der Evaluierung des Kontaminierungsgrades sorgt.