KI-basierte Unterstützung beim automatisierten Elektroschrott-Recycling

Künstliche Intelligenz (KI) kann große Mengen von Sensordaten verarbeiten und durch Erkennung von Mustern und Merkmalen wichtige Informationen daraus extrahieren. Im Bereich des Recyclings kann KI dazu eingesetzt werden, um Elektroschrott produktspezifisch zu klassifizieren. Die genaue Klassifizierung ist dabei ein wichtiger Schritt für die effiziente Sortierung verschiedener Marken und Modelle elektronischer Kleingeräte wie Smartphones. Eine Herausforderung besteht im Datenhunger der KI: Sogenannte Künstliche Neuronale Netze (KNN) bilden die zentrale Basis von KI-basierten Systemen. Um unterschiedliche Produkte mithilfe von KI-Systemen automatisiert erkennen zu können, ist es notwendig, die Systemparameter der KNN zu trainieren. Für dieses Training werden sehr viele Daten benötigt, um nach Abschluss des Lernvorgangs eine Erkennung mit hoher Qualität zu erreichen. KI-basierte Systeme sind nach Abschluss des Lernvorgangs sehr unflexibel und das sogenannte Nachtrainieren, um neue Klassen erkennen zu können, ist aufwendig. Für jede neu hinzugekommene Klasse müssen die Systemparameter von Grund auf neu gelernt werden. Die im Prosperkolleg verfolgte alternative Strategie zur Lösung von Klassifizierungsproblemen ist das Transferlernen (TL). Der Beitrag stellt die Grundprinzipien des Verfahrens vor. Es wird gezeigt, wie mit KI-Systemen, kombiniert mit der Strategie des TL, eine hohe Präzision bei der Sortierung von E-Schrott erreicht werden kann.