Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Digitalisierung der Handsortierung durch Künstliche Intelligenz, Machine Learning und Human Machine Interaction.
Digitalisation of manual sorting through artificial intelligence, machine learning and human machine interaction
ZusammenfassungDie Abfallwirtschaft wandelt sich zu einer produzierenden Industrie in der Kreislaufwirtschaft. Trotz Fortschritten und Optimierungen bei der automatischen sensor-basierten Sortierung bleibt die Handsortierung von Abfällen relevant. Das Projekt recAIcle hat es sich zum Ziel gesetzt, die Digitalisierung der Handsortierung in der Abfallwirtschaft mithilfe von künstlicher Intelligenz (KI), Machine Learning (ML) und Human-Machine Interaction (HMI) voranzutreiben. KI und ML haben mehrfach gezeigt, wie sie ganze Industrien und Branchen revolutionieren können. Das Projekt RecAIcle fokussiert sich auf die Kunststoff- und Batterieerkennung und -sortierung. Die Produktivität und Qualität der Handsortierung sollen dadurch gesteigert werden. Hierfür wird ein digitales Assistenzsystem, das die Sortiermitarbeiter:innen bei der Sortierentscheidung unterstützt, entwickelt. Aufgrund der speziellen Anforderungen an ein solches System wurde das Framework Design entsprechend angepasst. Für die Entwicklung dieses Systems werden fortschrittliche, lebenslang lernende ML-Modelle benötigt, welche wiederum große Mengen an hochqualitativen Trainingsdaten und Rechenleistung benötigen. Um genügend use-case-spezifische Trainingsdaten bereitstellen zu können, wurden Versuche unter kontrollierten Bedingungen im Technikumsmaßstab zur Trainingsdatenakquise durchgeführt. Die Ergebnisse des Systemdesignprozesses und der ersten Trainingsdatenakquise werden in dieser Veröffentlichung präsentiert. Ebenso wird ein Ausblick auf künftige Entwicklungen und weitere geplante Versuche gegeben.
AbstractWaste management is transforming into a manufacturing industry in the circular economy. Despite advances and optimisations in automatic sensor-based sorting, hand sorting of waste remains relevant. The recAIcle project aims to advance the digitalisation of hand sorting in waste management using Artificial Intelligence (AI), Machine Learning (ML) and Human-Machine Interaction (HMI). AI and ML have repeatedly shown how they revolutionise entire industries and sectors. The RecAIcle project focuses on plastic and battery characterisation and sorting. Thus, the productivity and quality of manual sorting are to be increased, and a digital assistance system that supports sorting employees in their sorting decisions is being developed for this purpose. Due to the unique requirements of such a system, the framework design was adapted accordingly. For the development of this system, advanced, life-long learning ML models are needed, which in turn require large amounts of high-quality training data and computing power. In order to provide sufficient use-case-specific training data, experiments were carried out under controlled conditions on a pilot plant scale for training data acquisition. The results of the system design process and the first training data acquisition are presented in this paper. An outlook on future developments and further planned trials is also given.
Digitalisierung der Handsortierung durch Künstliche Intelligenz, Machine Learning und Human Machine Interaction.
Digitalisation of manual sorting through artificial intelligence, machine learning and human machine interaction
ZusammenfassungDie Abfallwirtschaft wandelt sich zu einer produzierenden Industrie in der Kreislaufwirtschaft. Trotz Fortschritten und Optimierungen bei der automatischen sensor-basierten Sortierung bleibt die Handsortierung von Abfällen relevant. Das Projekt recAIcle hat es sich zum Ziel gesetzt, die Digitalisierung der Handsortierung in der Abfallwirtschaft mithilfe von künstlicher Intelligenz (KI), Machine Learning (ML) und Human-Machine Interaction (HMI) voranzutreiben. KI und ML haben mehrfach gezeigt, wie sie ganze Industrien und Branchen revolutionieren können. Das Projekt RecAIcle fokussiert sich auf die Kunststoff- und Batterieerkennung und -sortierung. Die Produktivität und Qualität der Handsortierung sollen dadurch gesteigert werden. Hierfür wird ein digitales Assistenzsystem, das die Sortiermitarbeiter:innen bei der Sortierentscheidung unterstützt, entwickelt. Aufgrund der speziellen Anforderungen an ein solches System wurde das Framework Design entsprechend angepasst. Für die Entwicklung dieses Systems werden fortschrittliche, lebenslang lernende ML-Modelle benötigt, welche wiederum große Mengen an hochqualitativen Trainingsdaten und Rechenleistung benötigen. Um genügend use-case-spezifische Trainingsdaten bereitstellen zu können, wurden Versuche unter kontrollierten Bedingungen im Technikumsmaßstab zur Trainingsdatenakquise durchgeführt. Die Ergebnisse des Systemdesignprozesses und der ersten Trainingsdatenakquise werden in dieser Veröffentlichung präsentiert. Ebenso wird ein Ausblick auf künftige Entwicklungen und weitere geplante Versuche gegeben.
AbstractWaste management is transforming into a manufacturing industry in the circular economy. Despite advances and optimisations in automatic sensor-based sorting, hand sorting of waste remains relevant. The recAIcle project aims to advance the digitalisation of hand sorting in waste management using Artificial Intelligence (AI), Machine Learning (ML) and Human-Machine Interaction (HMI). AI and ML have repeatedly shown how they revolutionise entire industries and sectors. The RecAIcle project focuses on plastic and battery characterisation and sorting. Thus, the productivity and quality of manual sorting are to be increased, and a digital assistance system that supports sorting employees in their sorting decisions is being developed for this purpose. Due to the unique requirements of such a system, the framework design was adapted accordingly. For the development of this system, advanced, life-long learning ML models are needed, which in turn require large amounts of high-quality training data and computing power. In order to provide sufficient use-case-specific training data, experiments were carried out under controlled conditions on a pilot plant scale for training data acquisition. The results of the system design process and the first training data acquisition are presented in this paper. An outlook on future developments and further planned trials is also given.
Digitalisierung der Handsortierung durch Künstliche Intelligenz, Machine Learning und Human Machine Interaction.
Digitalisation of manual sorting through artificial intelligence, machine learning and human machine interaction
Österr Wasser- und Abfallw
Aberger, Julian (Autor:in) / Khodier, Karim (Autor:in) / Sarc, Renato (Autor:in)
Österreichische Wasser- und Abfallwirtschaft ; 76 ; 19-25
01.02.2024
Aufsatz (Zeitschrift)
Elektronische Ressource
Deutsch
| Springer Verlag | 2024
Machine Learning and Artificial Intelligence
| Springer Verlag | 2024
Artificial Intelligence (AI) and Machine Learning (ML)
| Springer Verlag | 2022