Deep Learning basiertes Sortieren von Aluminiumschrott auf Grundlage von Röntgentransmissionsdaten

In dieser Arbeit wird ein Deep Learning basiertes Sortiersystem vorgestellt, mit dem es möglich ist, relevante Merkmale für die Sortierentscheidungen von Grund auf aus den erfassten Daten zu erlernen. Wir orientieren uns an einer anwendernahen Fragestellung im Kontextdes Recyclings: Die Sortierung von End-of-Life Aluminiumschrott in eine hochwertige reine Aluminiumfraktion und in eine minderwertige Restfraktion. Wir verwenden Röntgentransmissionsdaten, die von zerkleinerten Haushaltsaltgeräten stammen. Für die Modellevaluierung verwenden wir ein auf die Datenlage zugeschnittenes Verfahren und eine im Recyclingkontext stehende Metrik. Unsere Arbeit zeigt vielversprechende Ergebnisse für die automatische Aluminiumsortierungmittels Deep Learning, wir erreichen einen Fβ von 91,74 % und eine resultierende Präzision von 93,08 %. Neben einer ausreichend starken Modell-Performanz hängt der endgültige Einsatz solcher Deep Learning Ansätze von dem Vertrauen in solche Modelle ab. Wir setzen daher moderne erklärbare KI-Methoden ein, um diese Black-Box-Modelle zu öffnen und Einblicke in die Art und Weise zu geben, wie das Modell seine Vorhersagen über verschiedene Inputdaten hinweg trifft.