Erfassung von Lebensmittelabfällen in Großküchen (Kamera + Waage im intelligenten Abfallbehälter)

Professionelle Küchen werfen Lebensmittel im Wert eines großen Teils ihres Wareneinkaufs weg, wissen aber selten, was, wann oder warum. Ein intelligenter Abfallbehälter kombiniert eine Waage mit einer Kamera: Das Personal wirft den Abfall hinein, das System erkennt den Artikel, erfasst Gewicht, Kosten und CO2e und ordnet die Ursachen nach Rang. Dashboards machen daraus konkrete Änderungen (kleinere Chargen, Anpassungen am Speiseplan, Portionsgrößen) und prüfbare Daten für die Nachhaltigkeitsberichterstattung.

Problem & Nutzen

• Heute: Abfall wird geschätzt, von Hand auf Papier gewogen oder nur in gelegentlichen Audits gemessen. Köchinnen und Köche kennen das Gesamtvolumen im Behälter, aber nicht, welches Gericht, welcher Zubereitungsschritt oder welcher Tag ihn verursacht. Die manuelle Erfassung lässt nach wenigen Wochen nach.
• KI-Nutzen: Die Kamera erspart die manuelle Dateneingabe (die Waage liefert das Gewicht, das Bildmodell den Artikel und die Kategorie), sodass die Messung ohne zusätzlichen Aufwand weiterläuft. Die Transparenz bewirkt dann eine Verhaltensänderung; Anbieter berichten von deutlichen Reduktionen der Lebensmittelabfälle bei ihren Kunden, doch es handelt sich um vom Anbieter veröffentlichte Fallzahlen, die in einem Pilotprojekt mit der eigenen Ausgangsbasis überprüft werden sollten [3][4].
• Regulatorischer Treiber: Die überarbeitete EU-Abfallrahmenrichtlinie (Richtlinie (EU) 2025/1892) führt verbindliche Ziele zur Verringerung von Lebensmittelabfällen für 2030 ein (Verarbeitung/Herstellung sowie, pro Kopf, Einzelhandel, Restaurants, Gastronomie und Haushalte); die Mitgliedstaaten müssen Lebensmittelabfälle nach einer gemeinsamen Methodik messen und melden. Das drängt Caterer und Hotelgruppen zu quantifizierten Daten [1][2].
• Kostenlogik: Jedes vermiedene Kilogramm spart Einkaufskosten, Arbeitszeit und Entsorgungsgebühren; die Amortisation hängt daher vor allem vom Anteil der Wareneinsatzkosten und vom Volumen ab.

Varianten

• Produktionsküchen (Kantinen, Krankenhäuser, Pflegeheime, Schulen, Airline-/Vertragscaterer): Verderb, Überproduktion und Tellerreste nach Mahlzeit.
• Hotels und Buffets: Buffetreste im Vergleich zu Zubereitungsabfall; Hinweisschilder für Gäste und Anpassung der Portionen.
• Restaurants und Ketten: Benchmarking der Standorte untereinander, zentraler Einkauf.
• Einzelhandel und Supermärkte (Bäckerei, Feinkost, Frischetheken): Erfassung von Schwund auf Filialebene, Verknüpfung mit Preisreduzierungs-Werkzeugen.
• Erfassung von Tellerresten in Kantinen: Kamera an der Tablett-Rückgabe (ohne Waage), um Reste je Gericht zu schätzen.
• Doppelte/zusammengeführte Kandidaten: Die Messung per intelligentem Abfallbehälter im Einzelhandel/E-Commerce und der Eintrag aus dem Privatbereich (ergänzt Kitro, CH) sind hier mit abgedeckt.
• Private Nutzung: Apps zur Erfassung von Lebensmittelabfällen im Haushalt gibt es, sie basieren aber nicht auf intelligenten Abfallbehältern.

So funktioniert es

1. waste dropped into bin on scale
2. scale triggers capture (weight stable)
3. camera image(s)
4. edge classifier / detector: food item, category (protein, carb, veg, bakery, ...)
5. staff tags reason/stage on tablet (spoilage, overproduction, trim, plate) - optional, often a few taps
6. cloud: weight × item cost × emission factor = cost and CO2e
7. dashboards, daily/weekly reports, anomaly alerts
8. recommendations: production quantities, menu changes, purchasing
9. ESG / waste-reporting export

• Erkennung: Modelle zur Bildklassifikation und Objekterkennung, trainiert auf gemischte, teilweise gegessene und verdeckte Speisen; das Modell schlägt eine Bezeichnung vor, das Personal bestätigt oder korrigiert sie. Korrekturen fließen in das Nachtraining ein. Neuere Systeme nutzen VLMs für seltene Artikel und für Begründungen in freiem Text.
• Gewicht und Kosten: Die Waage liefert die verlässliche Referenz für die Masse; die Kosten nutzen artikelbezogene Preise aus Rechnungen/Kassensystem, CO2e nutzt Emissionsfaktoren je Lebensmittelkategorie.
• Mensch-in-der-Schleife (Human-in-the-Loop): Köchinnen/Köche und Leitung entscheiden über Maßnahmen; das Personal korrigiert Bezeichnungen. Die KI gibt Empfehlungen, sie ändert die Produktion nicht automatisch.
• Analytik: Prognose von Gedecken/Portionen (siehe Familie PRED-001), um geplante und tatsächliche Produktion zu vergleichen.

Datenaufbereitung

Das System erzeugt die meisten Daten selbst, braucht aber Referenzdaten, um Kilogramm in Kosten und CO2e umzurechnen: Wareneinsatzkosten je Artikel (Lieferantenrechnungen als PDF oder auf Papier, Küchensoftware, ERP oder Kassensystem), Speisepläne und Produktionspläne (Excel, Küchensoftware, gedruckte Blätter) und Gedecke je Mahlzeit (Kassen- oder Buchungssystem). Typische Lücken: Artikelnamen unterscheiden sich zwischen Einkauf, Kasse und Rezepten; Preise liegen je Lieferanteneinheit vor, nicht je kg; Pläne existieren auf Papier oder im Kopf der Küchenleitung; es gibt keine abgestimmten Abfallgründe (Zubereitung, Verderb, Überproduktion, Teller).

Vorbereitungsschritte: - Die 50-100 wichtigsten Artikel in einer Tabelle den Einkaufsartikeln und einem Preis je kg zuordnen. - Die Kategorien der Abfallgründe vor dem Start festlegen (PREP-019); dieselben Begriffe für jede Schicht. - Rechnungen als E-Rechnungen beziehen oder einscannen (PREP-006); Paperless-ngx oder der Import des Anbieters kann sie lesen. - Produktionspläne in einer übersichtlichen Tabelle zusammenführen (PREP-011). - Die Korrekturen des Personals in den ersten Wochen als beschrifteten Datensatz nutzen (PREP-020, PREP-021), um die Erkennung zu verbessern. - Die Kamera nur auf den Behälter ausrichten, sodass kein Personal zu sehen ist.

Aufwand: gering, etwa 15-20 Prozent des Projekts. Der größere Teil entfällt auf die Hardware-Einführung und darauf, die Gewohnheit des Antippens von Gründen aufzubauen. Für eine strukturierte Prüfung siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb: A - integrierte, bewährte Produkte für intelligente Abfallbehälter mit Waage, Kamera und Dashboards existieren, und der Prozess ist für jede Küche Standard.
• enterprise: A - Die Erfassung von Lebensmittelabfällen ist eine Standardfunktion; Caterer- und Hotelketten profitieren von Anbieter-Benchmarks und Unterstützung bei der Einführung.
• public: B - Kantinen, Krankenhäuser und kommunale Küchen brauchen oft ausgeschriebene, in der EU gehostete Lösungen; eine allgemeine Waage und Kamera mit einer API in einer EU-Region hält die Beschaffung offen und vermeidet Abhängigkeit von einem Anbieter.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Winnow (UK, Winnow Vision mit Kamera und Waage; in Europa tätig), Orbisk (NL, EU), Kitro (CH, auch im DACH-Raum aktiv), Leanpath (US, mit europäischer Präsenz; Erfassung mit Waage plus Kamera). Weitere Werkzeuge gibt es für die Abfallerfassung ohne Kameras (z. B. die Business-Werkzeuge von Too Good To Go für den Verkauf von Überschüssen; keine Erfassung).
• Typisches Angebot: Hardware (Waage, Kamera, Tablet) im Abonnement, Einführung, Dashboards, Beratungsunterstützung.
• Prüfen: Datenhosting in der EU, Blickfeld der Kamera (nur Behälter), Integration mit Kasse/ERP, ESG-Exportformate, Vertragslaufzeit, Support in der Landessprache.
• A wählen für nahezu jede Küche: Hardware und Modelle sind integriert und bewährt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Erfassung mit einer allgemeinen Waage + Kamera + Tablet; Bilder an eine multimodale API (Claude, Gemini, GPT, Mistral Pixtral/Medium-Klasse) in einer EU-Region zur Artikelbezeichnung mit strukturierter Ausgabe senden; Gewichte und Bezeichnungen in einer Cloud-Datenbank speichern (z. B. Postgres in einer EU-Region) und mit Metabase/Power BI visualisieren.
• Passt zu Nachhaltigkeitsteams mit eigener Entwicklungskapazität oder zu Forschungsprojekten. Latenz und Kosten pro Bild müssen gesteuert werden; wiederkehrende Artikel zwischenspeichern.

Weg C — Selbst betreiben (Open Source)

• Ein Edge-Gerät (Jetson Orin Nano, Raspberry Pi 5 + Hailo oder ein Mini-PC) betreibt einen offenen Detektor/Klassifikator: Ultralytics YOLO (AGPL-/Unternehmenslizenz prüfen), RT-DETR, DINOv2- oder SigLIP-Embeddings mit einem kleinen Klassifikationskopf oder ein offenes VLM (Qwen-VL, SmolVLM) für seltene Artikel.
• Öffentliche Daten: Food-101 und UEC-Food256/FoodSeg103 für das Vortraining; für eine gute Genauigkeit sind küchenspezifische Bilder nötig.
• Stack: MQTT von der Waage, Postgres/TimescaleDB, Grafana. Hardware: HW1 am Edge; HW2 nur bei zentralem Training.

Weg D — Eigenes Training

Lohnt sich für Ketten und Caterer mit wiederkehrendem Speiseplan: Feintuning auf einigen tausend beschrifteten Behälterbildern aus den eigenen Küchen, wobei Korrekturen des Personals als Labels dienen. Die Klassen müssen gekochte Mischgerichte, Soßen und Verunreinigung durch Verpackungen enthalten. Robustheit bei schwachem Licht und Dampf ist wichtig.

Stand der Technik (2026)

• Gemischter Abfall ist der schwierige Teil: Aufgehäufte, nasse, teilweise gegessene und soßenbedeckte Speisen sind visuell mehrdeutig. Systeme stützen sich daher auf das Gewicht als verlässliche Referenz plus grobe Kategorieklassifikation statt auf perfekte Gerichterkennung; Genauigkeitsversprechen unterscheiden sich zwischen Anbietern und sollten an den eigenen Behältern getestet werden.
• Foundation-Model-Grundlagen (Embeddings vom Typ DINOv2/SigLIP, VLMs) verringern die nötige Menge beschrifteter Daten für neue Speiseplan-Artikel; Few-Shot-Beschriftung durch das Personal ist inzwischen üblich.
• Über den Behälter hinaus: Kameras an der Tablett-Rückgabe für Tellerreste, Inventur-/Verderbskameras in Kühlräumen und Verknüpfungen mit Prognose und Einkauf.
• CO2-Bilanzierung: CO2e wird aus Emissionsfaktoren auf Kategorieebene abgeleitet, also näherungsweise; als Richtwert behandeln, sofern die Methode nicht dokumentiert ist.
• Grenzen: Mitwirkung des Personals (Abfall, der am Behälter vorbeigeht), Fehlklassifikation ähnlich aussehender Artikel, Licht und Dampf, Doppelzählung zwischen Stufen und schwache Kausalität: Dashboards zeigen, wo Abfall entsteht, aber Änderungen an Speiseplan und Abläufen erfordern weiterhin die Köchinnen und Köche.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: VIS-006 (Lebensmittelsortierung, gleicher Edge-Klassifikator-Ansatz), VIS-020 (Abfalltrennung mit ähnlichen Kameras über dem Behälter), VIS-026 (Volumen und Zählung).
• Nachgelagert: DATA-012 (ESG-/CSRD-Berichterstattung), PRED-001 (Bedarfsprognose) für die Produktionsplanung.
• Datenschutzwerkzeuge: VIS-030 (Unkenntlichmachung), wenn Kamerabilder Personal enthalten können.
• Edge-Hardware (Jetson/Hailo) und Flottenverwaltung können mit anderen Kamera-Anwendungsfällen im selben Gebäude geteilt werden.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen; Hardware und Abonnement pro Küche; die Schulung des Personals im ersten Monat ist der Hauptaufwand.
• Weg B: 2-4 Monate für einen Piloten mit Dashboards; die API-Kosten pro Bild sind gering im Vergleich zur eingesparten Arbeitszeit.
• Weg C/D: 4-9 Monate inkl. Datenerhebung; erfordert ML- und Edge-Betriebskompetenz.
• Kennzahlen: kg Abfall pro Gedeck oder pro 100 Mahlzeiten, Abfallkosten als % des Wareneinkaufs, vermiedene CO2e, Anteil des Abfalls nach Ursache (Zubereitung, Verderb, Teller), Mitwirkungsquote (erfasste vs. geschätzte Artikel), Amortisationszeit.

Menschen & Veränderung

Beginnen Sie mit der Leitung (Budget, Nachhaltigkeitsziel) und der Küchenchefin bzw. dem Küchenchef oder der Küchenleitung als Prozessverantwortlichen; beide legen das Ziel fest, z. B. weniger Abfall statt Kontrolle des Personals. Binden Sie die IT für Netzwerk und Tablet ein und die Datenverantwortlichen für Preise und Pläne. Die Endnutzer (Köche, Spülkräfte) müssen früh einbezogen werden: Zeigen Sie, wie der Behälter funktioniert, dass er Lebensmittel misst, nicht Menschen, und dass das Antippen eines Grundes nur Sekunden dauert. Pilotieren Sie 4-6 Wochen in einer Küche oder für eine Mahlzeit (GUIDE-009).

Betriebsrat: hängt vom Einzelfall ab. Die Kamera sieht nur den Behälter, aber das System erfasst, wer wann Abfall einwirft, wenn sich das Personal anmeldet. Falls ein Betriebsrat besteht, informieren Sie ihn rechtzeitig (§90 Abs. 1 Nr. 3 BetrVG) und vereinbaren Sie eine Regel, dass Berichte je Küche und Schicht erstellt werden, nicht je Person; §87 Abs. 1 Nr. 6 BetrVG greift, sobald das System objektiv zur Überwachung des Verhaltens geeignet ist (GUIDE-004). Öffentliche Kantinen: Personalrat.

Datenschutzbeauftragte(r): geringes Risiko, wenn keine Personen sichtbar sind; Blickfeld der Kamera und etwaige Benutzeranmeldungen prüfen (GUIDE-005). KI-Kompetenz: Eine kurze Einweisung, was das Modell falsch machen kann (Mischgerichte), unterstützt die Kompetenz des Personals nach KI-Verordnung (AI Act) Art. 4 (GUIDE-006). Typische Bedenken: „Ich werde beobachtet“, „Zusatzarbeit“; begegnen Sie ihnen mit Transparenz, aggregierten Ergebnissen und sichtbaren Einsparungen, die mit dem Team geteilt werden (GUIDE-008). Menschen entscheiden über Änderungen an Speiseplan und Produktion.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Kein Anwendungsfall nach Anhang III; Art. 4 KI-Kompetenz gilt. Jede Nutzung vermeiden, die das Verhalten einzelner Beschäftigter durch biometrische Rückschlüsse bewertet; das System überwacht Lebensmittel, nicht Menschen (Art. 5, Emotionserkennung am Arbeitsplatz, ist nicht betroffen).
• DSGVO: Bilder sollten nur den Behälter erfassen. Kameras, die Gesichter oder Hände des Personals aufnehmen, erzeugen personenbezogene Daten und Bedenken zur Mitarbeiterüberwachung; in Deutschland gilt die Mitbestimmung des Betriebsrats (BetrVG §87). Abhilfe: enges Blickfeld, kein Ton, kurze Aufbewahrung, Unkenntlichmachung oder Verarbeitung auf dem Gerät und im Zweifel eine Datenschutz-Folgenabschätzung (DSFA).
• Abfallberichterstattung: Die Methodik an der gemeinsamen Methodik der Kommission zur Messung von Lebensmittelabfällen (Delegierter Beschluss (EU) 2019/1597) ausrichten, um Vergleichbarkeit zu sichern [2].
• Weitere Risiken: Abhängigkeit vom Anbieter bei den Daten, übertriebene Einsparversprechen, Greenwashing in CSRD-Erklärungen; Annahmen dokumentieren und Rohgewichte prüfbar halten. Die Dokumentation zur Lebensmittelsicherheit (HACCP) wird durch dieses Werkzeug nicht ersetzt.

Erste Schritte

1. Die Ausgangsbasis 2-4 Wochen messen (Abfall je Stufe manuell wiegen) und die Abfallkosten pro Gedeck berechnen.
2. 1-2 Küchen mit hohem Abfall für einen dreimonatigen Piloten mit einem Anbieter aus Weg A auswählen.
3. Das Blickfeld der Kamera mit Vertretern des Personals/dem Betriebsrat festlegen; die DSFA dokumentieren.
4. Wöchentliche Review-Termine ansetzen, in denen die Küchenleitung die drei größten Abfallposten angeht.
5. Ergebnisse für die Nachhaltigkeitsberichterstattung exportieren und nach dem Piloten über die Einführung entscheiden.

Quellen

1. Directive (EU) 2025/1892 amending Directive 2008/98/EC (Waste Framework Directive), EUR-Lex - https://eur-lex.europa.eu/eli/dir/2025/1892/oj
2. European Commission - Food waste reduction targets and measurement - https://food.ec.europa.eu/safety/food-waste_en
3. Winnow - Winnow Vision for commercial kitchens - https://www.winnowsolutions.com
4. Orbisk - AI food waste measurement - https://www.orbisk.com
5. Leanpath - Food waste prevention technology - https://www.leanpath.com
6. Kitro - Food waste tracking - https://www.kitro.ch
7. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj