Abfallsortierung & Recycling-Erkennung

Sortieranlagen (Material Recovery Facilities, MRF) trennen gemischte Abfälle von Hand oder mit Sensoren, die nur den Materialtyp erkennen. Bildmodelle ergänzen ein Verständnis auf Objektebene: Sie erkennen Verpackungsformate, Marken, Farben und Störstoffe, steuern Druckluft- oder Robotersortierung und messen, was tatsächlich auf dem Band liegt. Das Ergebnis ist eine höhere Reinheit der Recyclingfraktionen, weniger Beschäftigte in gefährlicher Sortierarbeit und messbare Daten für die Berichtspflichten.

Problem & Nutzen

• Heute: Eingehender Mischabfall wird durch eine Kombination aus mechanischer Trennung (Siebe, Magnete, Wirbelstrom), optischen Nahinfrarot-Sortierern (NIR), die den Kunststofftyp erkennen, und manuellen Sortierkräften sortiert, die Störstoffe entfernen und Fraktionen auswählen. Das manuelle Sortieren ist eintönige, durch Staub, Verletzungen und Geruch belastete Arbeit mit hoher Fluktuation; die Qualität (Reinheit) der Ballen bestimmt Preis und Zurückweisung durch die Recycler. Auch Haushalte und Betriebe trennen an der Quelle falsch, was die Ströme verunreinigt.
• KI-Nutzen: Bildmodelle erfassen Form, Textur, Etikett und Kontext, die NIR allein übersieht (z. B. lebensmitteltaugliche vs. nicht lebensmitteltaugliche PET-Schalen, Mehrschicht-Kartons, schwarze Kunststoffe, Folie, Batterien als Brandrisiko). Sie ermöglichen Roboter-Sortierung, die Prüfung der Bandzusammensetzung ohne manuelle Probenahme, die frühe Erkennung gefährlicher Gegenstände und Störstoff-Rückmeldungen je Kunde.
• Regulatorischer Sog: Die EU-Verpackungsverordnung (EU) 2025/40 legt Anforderungen an Recyclingfähigkeit, Rezyklatanteil und Sammlung fest und erhöht damit den Bedarf an überprüfbaren Zusammensetzungsdaten auf Objektebene; die Abfallrahmenrichtlinie und die nationalen Systeme der erweiterten Herstellerverantwortung (EPR) brauchen verlässliche Fraktionsdaten [1][2].
• Nutzenzahlen schwanken stark je nach Anlage und Anbieter; nutzen Sie Herstellerangaben nur als Hypothesen und messen Sie Reinheit und Ausbeute an Ihrem eigenen Strom (siehe Kennzahlen).

Varianten

• MRF-Bandsortierung: optische Sortierer mit KI und Sortierroboter für Leichtverpackungen, Papier, Bau- und Abbruchabfälle sowie Elektroschrott-Linien.
• Nur Band-/Ballenanalyse: Kameras über Bändern oder an Fahrzeugwaagen erfassen die Zusammensetzung, ohne die Sortierung zu steuern.
• Smart Bins und Sammelfahrzeuge: Kameras in öffentlichen oder gewerblichen Behältern und in den Schüttungen von Müllfahrzeugen erkennen Störstoffe und falsche Fraktionen, um sie an Kunden oder Kommunen zurückzumelden.
• Rücknahmeautomaten und Pfandrückgabe: Erkennung zurückgegebener Behälter (Barcode + Form) — zu Codes siehe VIS-018.
• Elektroschrott, Batterien und Metallschrott: Röntgen/LIBS plus Bildverarbeitung zur Identifizierung von Batteriechemien, Legierungen und Brandrisiko-Teilen.
• Bau- und Abbruchabfälle: Klassifizierung von Mulden und Lkw-Ladungen für die Preisbildung und den Nachweis der Verwertung.
• Privater Gebrauch: Smartphone-Apps, die für einen fotografierten Gegenstand die richtige Tonne vorschlagen (für Verbraucher, lokale Regeln unterscheiden sich).

So funktioniert es

1. bulk waste on belt (singulated/spread)
2. sensor head: RGB + optional NIR/hyperspectral/3D/metal detection
3. real-time inference (detection or instance segmentation + classification)
4. tracking over belt speed
5. ejection point prediction
6. actuation: air-jet valves or delta/gantry sorting robot with learned grasp point
7. bunker / bale; belt analytics stored with timestamps
8. dashboards: purity, throughput, contaminants, per-load reports
9. human review: audit samples, relabel unknowns, handle exceptions

• Modelle: Detektoren der YOLO-Klasse oder Segmentierung im Stil von Mask R-CNN/Mask2Former, trainiert auf anlagenspezifische Klassen (z. B. PET klar/blau/farbig, HDPE, PP, Folie, Kartons, Aluminiumdosen, Stahl, Papiersorten, Batterien). Unübersichtliche, verformte, sich überlappende Objekte sind die Kernschwierigkeit, die öffentliche Datensätze wie ZeroWaste und TACO sichtbar machen sollten [3][4].
• Sensorfusion: NIR liefert die Polymerchemie, RGB liefert Form und Aufdruck; die Fusion beider ist bei Produkten von 2026 Standard.
• Vision-Language-Modelle: werden offline eingesetzt, um Bilder vorzubeschriften, neue Klassen zu entdecken und Prüfanfragen zu gespeicherten Einzelbildern zu beantworten, nicht in der Millisekunden-Sortierschleife.
• Edge-Laufzeit: Die Inferenz muss die Bandgeschwindigkeit halten (Dutzende Millisekunden je Bild); Modelle laufen auf Industrie-GPUs oder Edge-Modulen neben dem Sortierer, optimiert mit TensorRT/ONNX.
• Mensch-in-der-Schleife (Human-in-the-Loop): Bediener legen Zielreinheit und Ausbeute fest, prüfen Bilder mit geringer Sicherheit, beschriften neue Artikel neu und prüfen die Ballenqualität; Sicherheitssysteme bleiben unabhängig von der KI.

Datenaufbereitung

Dies ist der datenhungrigste Anwendungsfall der VIS-Familie: Die Modelle müssen lernen, wie Ihr Abfallstrom tatsächlich aussieht. Daten bedeuten Bilder von Material auf Bändern, in Behältern oder an Sammelstellen, mit Labels für Materialtyp und Störstoffe. Bei einem KMU oder einem kommunalen Betreiber existieren diese Bilder meist nicht; vorhanden sind Wiegescheine, Lieferscheine und Qualitätsreklamationen im ERP oder in Excel. Typische Lücken sind keine beschrifteten Bilder, große Schwankungen zwischen Jahreszeiten und Quellen, verschmutzte, zerdrückte und sich überlappende Teile und unklare Kategorienschemata (was genau als Störstoff gilt).

Schritte der Aufbereitung: Legen Sie zuerst das Kategorienschema mit den Sortierkräften fest (PREP-019), zeichnen Sie dann über Wochen und Jahreszeiten Kameramaterial unter realen Bedingungen auf, wählen Sie repräsentative Einzelbilder aus, beschriften Sie diese mit einem Werkzeug wie CVAT oder Label Studio gemeinsam mit erfahrenen Sortierern und halten Sie einen getrennten Testdatensatz vor (PREP-018). Nutzen Sie vorhandene Aufzeichnungen nach Möglichkeit als schwache Labels (PREP-020). Planen Sie 50 Prozent oder mehr des Gesamtaufwands für Datenerhebung und Beschriftung ein; Anbieter mit vortrainierten Modellen senken das, brauchen aber dennoch standortspezifisches Feintuning.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg B, weil Anlagenbetreiber die Sortierdaten in ihren eigenen Systemen brauchen und sich Abfallströme je Standort unterscheiden, was eine eigene Pipeline auf Cloud-KI-Diensten begünstigt.
• Öffentliche Hand: Weg C, weil kommunale und öffentliche Entsorger Vergaberegeln und Souveränitätsanforderungen unterliegen und offene Modelle auf EU- oder deutscher Infrastruktur diese erfüllen.
• Entwickler: Weg C, weil offene Erkennungs- und Segmentierungsmodelle mit eigenen Abfallbildern trainiert und in Sortierprodukte eingebettet werden können.
• KMU: Weg A, weil kleine Recycler und Entsorgungsbetriebe mit fertigen Sortierkamera- und Roboterprodukten besser bedient sind als mit einer Eigenentwicklung.
• Privat: Weg A, weil Verbraucher-Apps, die Abfallarten erkennen, für die Haushaltssortierung gut genug sind und keine Einrichtung brauchen.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• KI-Sortierroboter und Sortierer: AMP Robotics (USA), ZenRobotics (Finnland, EU; Teil von Terex), Bulk Handling Systems / MAX-AI, Machinex (Kanada), Waste Robotics (Kanada), TOMRA Recycling (Norwegen, EU/EWR), Steinert (Deutschland), Pellenc ST (Frankreich), Sesotec (Deutschland), Redwave/BT-Wolfgang Binder (Österreich), Wittmann/Stadler (Deutschland) — Anbieter mit Sitz in der EU sind aus Service- und Datenstandortgründen zu bevorzugen.
• Abfallanalytik: Greyparrot (UK) Bandüberwachungsanalytik, Recycleye (UK), dazu Kameraanalytik von Sortieranbietern (z. B. TOMRA Insight).
• Smart Bins/Fahrzeuge: Anbieter für Füllstands- und Störstoffkameras an Behältern (z. B. Enevo, Bin-e, CleanRobotics — Verfügbarkeit in der EU und DSGVO-Konformität prüfen).
• Wählen Sie A, wenn: Sie eine Anlage oder eine kommunale Flotte betreiben und garantierten Durchsatz und garantierte Reinheit brauchen; Anbieter bringen vortrainierte Modelle, Hardware, Sicherheitszertifizierung und Service mit.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Nutzen Sie Cloud-Bildverarbeitung (Azure AI Vision / Custom Vision, Google Vertex AI Vision, AWS Rekognition Custom Labels, EU-Regionen) oder multimodale Modelle (Claude, Gemini, GPT, Mistral) für Aufgaben ohne Echtzeitanforderung: fotobasierte Klassifizierung an Anlieferstellen, Ladungsprüfung an der Fahrzeugwaage, Prüfung gespeicherter Einzelbilder, Beschriftungsassistenten.
• Für die Echtzeit-Sortierschleife wegen Latenz und Konnektivität ungeeignet; halten Sie diese vor Ort.
• Orchestrierung: MQTT/OPC UA von der Linie, Objektspeicher in einer EU-Region, Dashboards in Grafana/BI.

Weg C — Selbst betreiben (Open Source)

• Modelle: Ultralytics YOLO (AGPL, Lizenz für kommerzielle Nutzung prüfen), RT-DETR, Mask2Former, SAM 2 / Grounding DINO zum Anstoßen der Beschriftung, DINOv2-Merkmale zur Klassifizierung; Export nach ONNX/TensorRT.
• Daten: ZeroWaste, TACO, TrashNet, plus Bilder der eigenen Anlage [3][4].
• Stack: CVAT oder Label Studio zur Annotation, MLflow/DVC für die Versionierung, NVIDIA DeepStream oder GStreamer für Streams, Jetson Orin oder eine HW1/HW2-GPU je Linie.
• Aufwand: erfordert Kenntnisse in ML, Kamera/Optik und SPS-Integration; Auswurfmechanik und Beleuchtung sind ebenso wichtig wie das Modell.

Weg D — Eigenes Training

In irgendeiner Form meist erforderlich: Jede Anlage hat ihre eigene Strommischung, Beleuchtung, Bandfarbe und Zielklassen. Planen Sie Tausende bis Zehntausende beschrifteter Bilder, laufendes Nachbeschriften neuer Verpackungen und einen Nachtrainingszyklus (Active Learning aus Korrekturen der Bediener). Anbieter übernehmen das in Weg A oft für Sie; eigenes Training lohnt sich bei Nischenströmen (Elektroschrott, Textilien, Bau- und Abbruchabfälle) oder in der Forschung.

Stand der Technik (2026)

• Instanzsegmentierung + Sensorfusion auf Förderbändern ist in führenden Produkten ausgereift; Sortierroboter sind für Greifaufgaben weit verbreitet, mit Lernen von Greifpunkten bei verformbaren Gegenständen [3].
• Erkennung auf Marken- und Formatebene (z. B. Trennung lebensmitteltauglicher von nicht lebensmitteltauglichen Verpackungen) ist ein aufkommendes Unterscheidungsmerkmal, gestützt durch Verpackungskennzeichnung und Initiativen zum digitalen Produktpass (siehe DATA-021).
• Foundation-Modelle (SAM-Klasse, Detektoren mit offenem Vokabular, VLMs) senken den Beschriftungsaufwand und helfen, unbekannte Gegenstände zu finden.
• Grenzen: Schmutz, zerdrückte und sich überlappende Objekte, schwarze Kunststoffe, nasses Material, neue Verpackungsdesigns, Domänenverschiebung zwischen Anlagen und Jahreszeiten; auf Benchmarks berichtete Genauigkeiten lassen sich ohne Tests nicht auf Ihre Linie übertragen [3]. Bildverarbeitung kann nicht durch undurchsichtige Schichten sehen und keine Zusatzstoffe erkennen. Brandrisiko-Teile (Lithiumbatterien) müssen mit eigener Detektion und Sicherheitsmaßnahmen behandelt werden, nicht nur mit KI.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack (object-detection + segmentation + edge-runtime): VIS-001 (Inspektion), VIS-006 (Lebensmittelsortierung), VIS-026 (Zählen & Volumen), VIS-018 (Etiketten-/Seriennummern-OCR) — gemeinsame Annotationswerkzeuge, Edge-GPUs und MLOps.
• Nachgelagert: DATA-012 (CSRD-/ESG-Berichte), DATA-021 (Produkt-CO2-Fußabdruck & DPP), VIS-033 (Verfolgung von Lebensmittelabfällen), ROBO-017 (robotische Demontage und Batterierecycling).

Aufwand, Kosten & Kennzahlen

• Weg A: Quartale von der Ausschreibung bis zur Inbetriebnahme; Investitionskosten für Sortierer/Roboter plus Servicevertrag; einige Anbieter bieten Roboter als Dienstleistung an.
• Weg B: Wochen für einen Pilot an Anlieferstellen oder Fahrzeugwaagen.
• Weg C/D: 6–12 Monate bis zum robusten Linieneinsatz inkl. Optik, Auswurf und SPS-Integration.
• Kostentreiber: Hardware (Kameras, Beleuchtung, Ventile/Roboter), Beschriftung, Nachtraining, Stillstand während der Integration.
• Kennzahlen: Reinheit und Ausbeute je Fraktion, Durchsatz (t/h), Griffe pro Minute und Greiferfolgsquote, Rate falscher Auswürfe, Störstoffquote eingehender Ladungen, FTE-Stunden manueller Sortierkräfte, Ballenzurückweisungsquote, Anteil der korrekten Entsorgung in der Tonne.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für die Investitionsentscheidung und die Anlagen- oder Abteilungsleitung als Prozessverantwortliche ein; die Sortierkräfte sind die Fachleute für die Labels und müssen von Anfang an dabei sein, denn ihr Wissen bestimmt die Kategorien und den Testdatensatz. Die IT betreut Kameras, Netzwerk und die Anbindung an Fahrzeugwaage oder ERP; Lieferanten (Anlieferer von Abfällen, Roboteranbieter) sind für Eingangsqualität und Störstoff-Rückmeldung wichtig. Betriebsrat: kommt darauf an. Kameras über Sortierlinien erfassen Beschäftigte, und Protokolle der Sortierleistung können zur Verhaltensüberwachung geeignet sein; daher greift §87 Abs. 1 Nr. 6 BetrVG voraussichtlich, wo solche Daten je Person oder Schicht gespeichert werden, wobei nach dem BAG die objektive Eignung genügt. Unterrichten Sie den Betriebsrat in jedem Fall nach §90 Abs. 1 Nr. 3; in öffentlichen Stellen beziehen Sie den Personalrat ein. Personenbezogene Daten fallen meist kaum an; beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, wenn Beschäftigte oder Bürger identifizierbar sind.

Fördern Sie die KI-Kompetenz nach Art. 4 mit einer Schulung zum Lesen von Konfidenzwerten und zum Umgang mit Fehlern, besonders zur Sicherheit an Roboterarmen. Pilotieren Sie an einer Linie oder einem Materialstrom und behalten Sie die manuelle Sortierung als Rückfall. Typische Sorgen sind Arbeitsplatzverlust und Sicherheit; begegnen Sie ihnen mit Umschulung in Richtung Qualitätskontrolle. Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko; die KI-Kompetenz (Art. 4) gilt. Das System könnte nach der Maschinenverordnung (EU) 2023/1230 und einschlägigen Normen zu einer Sicherheitskomponente von Maschinen (Robotern) werden; prüfen Sie dies im Einzelfall [5]. Erfassen Kameras in Behältern oder auf Fahrzeugen Personen oder verknüpfen sie Störstoffe mit identifizierbaren Haushalten, bewerten Sie Fairness und Transparenz; es liegt keine Praxis nach Art. 5 vor, solange keine biometrische Nutzung oder Bewertung von Sozialverhalten (Social Scoring) erfolgt.
• DSGVO: Bandkameras erfassen selten personenbezogene Daten, öffentliche Behälter, Fahrzeugkameras und Foto-Apps können jedoch Personen, Gesichter und Kennzeichen erfassen; nutzen Sie Datenminimierung, Unkenntlichmachen/Beschneiden, DSFA, deutliche Hinweisschilder und vermeiden Sie Sanktionen auf Haushaltsebene, die allein auf automatisierten Entscheidungen beruhen (Art. 22).
• Abfallrecht: Abfallrahmenrichtlinie, Verpackungsverordnung (PPWR) und nationale EPR-/Verpackungsgesetze legen Recyclingziele und Berichtspflichten fest [1][2]. Gefährliche Abfälle und Batterien erfordern gesonderte Handhabungspflichten.
• Arbeitsschutz: Roboter und Auswurfsysteme brauchen eine Bewertung der Maschinensicherheit; Branderkennung für Batterien.
• Gegenmaßnahmen: physische Prüfungen der Ballen, unabhängige Probenahme, Überwachung auf Drift, Nachtraining nach Verpackungsänderungen.

Erste Schritte

1. Charakterisieren Sie Ihren Strom: Zusammensetzungsanalyse, Zielfraktionen und aktuelle Reinheit, mit Fotos.
2. Klären Sie die physischen Grundlagen (Vereinzelung, Bandgeschwindigkeit, Beleuchtung), bevor Sie KI kaufen.
3. Pilotieren Sie zuerst eine Bandanalyse-Kamera (nur lesend), um die Zusammensetzung zu quantifizieren und den größten Verlust zu finden.
4. Führen Sie einen Anbieter-Test mit Ihrem eigenen Material durch; vergleichen Sie Reinheit und Ausbeute mit der Ausgangslage.
5. Bauen Sie eine Beschriftungs- und Nachtrainingsschleife mit Rückmeldungen der Bediener auf; planen Sie die Daten für EPR-/CSRD-Berichte aus der Analytik ein.

Quellen

1. Regulation (EU) 2025/40 on packaging and packaging waste (PPWR) — https://eur-lex.europa.eu/eli/reg/2025/40/oj
2. European Commission — Waste Framework Directive — https://environment.ec.europa.eu/topics/waste-and-recycling/waste-framework-directive_en
3. Bashkirova et al. — ZeroWaste Dataset: Towards Deformable Object Segmentation in Cluttered Scenes (CVPR 2022) — https://ai.bu.edu/zerowaste/
4. TACO: Trash Annotations in Context — http://tacodataset.org/
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. TOMRA Recycling — AI-based sorting — https://www.tomra.com/waste-metal-recycling
7. ZenRobotics — https://www.terex.com/zenrobotics