Science Technology

VON GEMISCHT ZU GETRENNT: ZUVERLÄSSIGE IDENTIFIZIERUNG UND SORTIERUNG VON PVC MIT HYPERSPEKTRALER TECHNOLOGIE

Hyperspektrale Intelligenz für die Industrie: Materialspezifische Detektion in industriellen Anwendungen

Relevanz und Herausforderung

Die zuverlässige Identifizierung und Trennung von Kunststoffen ist ein zentraler Bestandteil moderner Recyclingsysteme. PVC (Polyvinylchlorid) stellt aufgrund seiner spektralen Variabilität eine besondere Herausforderung dar, die durch Pigmente, Additive, thermische Alterung und die Materialherkunft beeinflusst wird. In Mischfraktionen mit PE, PP und anderen Kunststoffen wird eine materialspezifische Detektion daher technisch anspruchsvoll.

Im Rahmen seiner strategischen Initiative zur Erforschung fortschrittlicher Sortiertechnologien arbeitete ROVI-TECH (Belgien) mit der Cubert GmbH zusammen, um die industrielle Anwendbarkeit der hyperspektralen Bildgebung für eine präzise PVC-Trennung unter realistischen Sortierbedingungen zu bewerten.Forschungsansatz – Methodisches Vorgehen im Praxistest

Initiiert von ROVI-TECH (Belgien) untersuchte die Studie hyperspektrale Sortiertechnologien unter industrie­relevanten Bedingungen. Zwei Kamerasysteme von Cubert kamen dabei zum Einsatz:

  • ULTRIS XMR (sichtbares und nahinfrarotes Spektrum – VNIR)
  • ULTRIS SWIR 1 (kurzwelliges Infrarot – SWIR)

Es wurden heterogene Kunststoffproben mit unterschiedlichen Farben, Ursprüngen und chemischen Zusammensetzungen getestet. Modelle des maschinellen Lernens wurden mit zuvor ungesehenen Proben trainiert und validiert.

Spektrale Wahrheit unter industriellen Bedingungen

Analysen mit der ULTRIS XMR zeigten eine deutliche Variabilität innerhalb der Gruppen PVC, PE und PP. Dies führte zu überlappenden spektralen Signaturen im VNIR-Bereich (Abb. 1). Während kontrollierte Tests präzise Klassifikationsergebnisse lieferten, sank die Genauigkeit unter realistischen Bedingungen: Die Gesamtgenauigkeit lag bei 81 %, die Genauigkeit für PVC jedoch nur bei 62 % (Abb. 2).

Ergänzende physikalische Methoden wie der Schwimm-/Sinktest halfen dabei, Überklassifikationen zu korrigieren. Falsch-negative Ergebnisse für PVC blieben jedoch weiterhin eine Herausforderung.

Im Gegensatz dazu ermöglichte die ULTRIS SWIR 1 eine durchgehend zuverlässige PVC-Erkennung – selbst bei variierenden Farben und Oberflächenmerkmalen (Abb. 3). Die Validierung zeigte ebenfalls eine Gesamtgenauigkeit von 81 %, jedoch mit einer PVC-Erkennungsrate von 100 %. Fehlklassifikationen konnten mithilfe physikalischer Trenntechniken weiter reduziert werden (Abb. 4).

Graphic1
Abb.1 Beispiel einer spektralen Signatur von zehn Kunststofftypen, einschließlich PVC, PP und PE, aufgenommen mit der ULTRIS XMR.
Graphic2
Abb.2 Beispielanalyse und Validierung eines ULTRIS-XMR-Datensatzes. RGB-Visualisierung eines XMR-Datensatzes mit PVC und weiteren Klassen (oben links). Klassifikationsergebnis auf Basis des mit Trainingsdaten erstellten Modells (unten links). Visualisierung korrekt und falsch klassifizierter Proben (oben rechts). Konfusionsmatrix zur Quantifizierung von Klassifikationsfehlern (unten rechts), entsprechend der Visualisierung oben rechts (rot = falsch klassifizierte Pixel, grün = korrekt klassifizierte Pixel). Die Gesamtgenauigkeit dieser Validierung beträgt 81 %, mit einer PVC-Genauigkeit von 62 %
Graphic3
Abb.3 Beispiel einer spektralen Signatur von Kunststofftypen, aufgenommen mit der ULTRIS SWIR1.
Graphic4
Abb.4 Beispielanalyse und Validierung eines ULTRIS-SWIR-Datensatzes. Falschfarben-Darstellung eines SWIR-Datensatzes mit PVC und weiteren Klassen (oben links). Klassifikationsergebnis auf Basis des mit Trainingsdaten trainierten Modells (unten links). Visualisierung korrekt und falsch klassifizierter Proben (oben rechts). Konfusionsmatrix zur Quantifizierung von Klassifikationsfehlern (unten rechts), entsprechend der Visualisierung oben rechts (rot = falsch klassifizierte Pixel, grün = korrekt klassifizierte Pixel). Die Gesamtgenauigkeit dieser Validierung beträgt 81 %, mit einer PVC-Genauigkeit von 100 %.Hyperspektrale Analyse als robustes Werkzeug für industrielle Sortierprozesse
Die gemeinsame Studie bestätigt, dass SWIR-basierte hyperspektrale Bildgebung in Kombination mit physikalischen Trennmethoden eine effektive Lösung für die Sortierung von PVC in gemischten Kunststoffströmen darstellt. In industriellen Umgebungen mit hoher Materialvielfalt übertrifft die SWIR-Analyse VNIR-Ansätze deutlich.
Dieser Vorteil ergibt sich aus der Dominanz von Farbe im VNIR-Spektrum sowie aus materialtypischen Eigenschaften, die nur im SWIR-Bereich zuverlässig detektiert werden können. Hyperspektrale Technologien zeigen daher großes Potenzial, wenn sie in datengetriebene Materialrückgewinnungsprozesse integriert werden. Die Kombination beider Kameratypen könnte zudem weitere Erkenntnisse für zukünftige Anwendungen liefern.
Typische Anwendungsszenarien
Automatisierte Sortierung von PVC in Post-Consumer- und Industrieabfällen
Wareneingangskontrolle zur Erkennung von Verunreinigungen
Qualitätsüberwachung während des Herstellungsprozesses
Rovi-Tech (Belgien) entwickelt seit über 30 Jahren Kontroll-, Inspektions-, Mess- und Sortiersysteme sowie Maschinen zur Verbesserung der industriellen Leistungsfähigkeit. Durch die Integration industrieller Bildverarbeitungstechnologien und fortschrittlicher Messinstrumente entwickelt Rovi-Tech automatisierte Anlagen – von Machbarkeitsstudien über die Prototypenentwicklung bis hin zur Umsetzung industrieller Installationen. Zu den eingesetzten Technologien gehören unter anderem Kameras, Lasertriangulationssysteme, Infrarot-Thermografiekameras und hyperspektrale Kameras.
rovitech@rovitech.com

Über den Autor

Dr. Matthias Locherer ist seit 2017 Director Global Market Development bei Cubert GmbH. Mit einem PhD in Erdbeobachtung von der Ludwig-Maximilians-Universität München bringt er umfangreiche Expertise in der Fernerkundung, spektraler Bildgebung und Datenanalyse mit. Matthias hat an verschiedenen Forschungsprojekten und Publikationen mitgewirkt, insbesondere im Bereich der hyperspektralen Überwachung biophysikalischer und biochemischer Parameter mit hyperspektralen Satellitenmissionen. Seine fundierten Kenntnisse in optischer Messtechnik und physikalischer Modellierung machen ihn zu einem wichtigen Treiber für die Weiterentwicklung innovativer hyperspektraler Technologien bei Cubert.