Afvalstromen bevatten veel materialen die het waard zijn om eruit gehaald te worden, zoals statiegeldblikjes, plastics of grote lachgaspatronen die in verbrandingsovens exploderen. Systeemintegrator Batenburg Beenen heeft een manier gevonden om deze materialen met behulp van AI automatisch te herkennen, zodat ze kunnen worden gesorteerd en verwerkt.
Batenburg-AI wordt klaargestoomd om zwerfafval te bestrijden. Foto: Batenburg Beenen
Hoe AI orde in chaos creëert
In de wereld van afvalscheiding bestaan al machines en oplossingen om specifieke materialen of objecten uit afvalstromen te vissen. Een robotarm met een camerasysteem kan een voorwerp opzuigen of oppakken, een blikje kan vanaf de transportband in een bak worden geblazen. Wat ontbreekt is een slim systeem dat materialen en objecten kan herkennen. Daar heeft de afdeling Robotics & Vision van Batenburg Beenen een oplossing voor gebouwd. Het systeem kan, door middel van deep learning, op basis van normale camerabeelden objecten herkennen en met hyperspectrale beelden materialen detecteren en die op de transportband lokaliseren zodat ze kunnen worden gesorteerd.
Waardevolle reststromen
In samenwerking met twee afvalverwerkers én onderzoekers van het lectoraat Computer Vision and Data Science van de NHL Stenden Hogeschool in Leeuwarden, heeft Batenburg Beenen een systeem gebouwd dat afvalscheiding naar een hoger niveau tilt. Camera’s maken beelden van wat er op een afvaltransportband voorbijkomt, het AI-systeem identificeert de materialen en objecten die waardevol of schadelijk zijn, en stuurt vervolgens de systemen aan om de spullen uit de afvalstroom te halen.
Op de vraag of deze oplossing afvalscheiding door particulieren overbodig maakt, zegt Wiljan Vos, afdelingshoofd van de afdeling Robotica Vision van Batenburg Beenen: ‘Afvalscheiding bij de bron is per definitie de beste aanpak en dat zal zo blijven. Maar dat vraagt om participatie van mensen en daar spelen heel andere krachten, die veel moeilijker te beïnvloeden zijn dan het bouwen van een machine. Zo kijken wij ook naar de waardevolle, profijtelijke reststromen. Want als het alleen om duurzaamheid gaat, is de financiering van dit type project heel moeilijk.’
De Makers Top 100 goed voor 102 miljard omzet en 300.000 banen.
Link naar De Makers Top 100
Deep learning
Om een platgetrapt blikje waar een halfvergane bananenschil aan vastgeplakt zit te kunnen herkennen, zette het projectteam deep learning in. ‘We hebben verschillende datasets gemaakt van waardevolle reststromen, zoals blikjes, lachgaspatronen, katoen, polyester, petflessen en verschillende plastics’, zegt Sergej Paardenkooper, AI-engineer van Batenburg Beenen. ‘Op basis van beelden met normale camera’s en camera’s die hyperspectrale beelden maken. Wanneer je met infrarood licht op een materiaal of object schijnt, krijg je 100 tot 200 frequenties terug, die informatie geven over het soort materiaal. Deze hyperspectrale beelden bevatten veel meer informatie dan alleen het rode, groene of blauwe licht dat een normale camera registreert. Met die dataset hebben we een deep learning-model getraind. Zodat het model, als het een nieuwe afbeelding krijgt, een voorspelling kan doen over de kans dat het een blikje, hard plastic of polyester is.’
Wanneer de voorspelling boven een bepaald percentage komt, is de kans groot dat die klopt, zegt Paardenkooper. ‘Op basis van die voorspellingen weet je op een gegeven moment ook wat de twijfelgevallen zijn, en dan kun je daarop sturen. Hoe meer data het model te verwerken krijgt, hoe beter de voorspellingen worden. Op basis van de dataset van de proof of concept, werkt het model 80 procent van de tijd correct. In een productiesysteem bouw je door de verzameling van meer data en het hertrainen van de modellen meer nauwkeurigheid op.’
Het systeem is ook geschikt om onderscheid te maken tussen verschillende soorten textiel, ook als die zijn samengesteld uit bijvoorbeeld 70 procent katoen en 30 procent polyester. Wanneer een textiel voor een groot deel uit katoen bestaat, herkent het systeem dat, en selecteert dat vervolgens voor verdere recycling. Het materiaal in de stof dat in de minderheid is, wordt verwijderd en dan blijft het katoen over. Textiel wordt daarvoor eerst door een shredder gehaald, en vervolgens uitgeplozen en gesorteerd. Vos: ‘Zo kunnen we met AI vanuit chaos orde creëren.’
AI tegen afvaldumpers
Een andere AI-toepassing waar Batenburg Beenen momenteel aan werkt, is het herkennen van het illegaal dumpen van afval, bijvoorbeeld naast ondergrondse afvalcontainers. Wiljan Vos: ‘Gemeenten hebben gevraagd of we een systeem kunnen maken dat inzichtelijk maakt wanneer dat gebeurt. Zodat ze dat zwerfaval in de openbare ruimte beter onder controle kunnen krijgen. De technische uitdaging is dat het systeem dag en nacht onregelmatigheden moet registreren. Dus dat er bijvoorbeeld een afvalzak of televisietoestel wordt neergezet naast zo’n set containers. Zodat de gemeente vervolgens kan ingrijpen.’
