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).
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.
About the Author
Dr. Matthias Locherer has been the Sales Director at Cubert GmbH since 2017. With a PhD in Earth Observation from Ludwig Maximilian University of Munich, he brings extensive expertise in remote sensing, spectral imaging, and data analysis. Matthias has contributed to numerous research projects and publications, particularly in the hyperspectral monitoring of biophysical and biochemical parameters using hyperspectral satellite missions. His deep knowledge of optical measurement techniques and physical modeling makes him a key driver in advancing innovative hyperspectral technologies at Cubert.
