Klassifizierung von Metallschrott mittels Deep Learning Methoden
In diesem Beitrag wird gezeigt, wie kupferhältige Partikel in einer Shredderfraktion mittels Convolutional Neural Networks erkannt werden können. Hierzu wurden 20 CNN-Architekturen auf Basis der erreichbaren Vorhersagegenauigkeit und Inferenzlatenz miteinander verglichen.
Auf Basis dieser Metriken wurde die performanteste Architektur ausgewählt und die Inferenzlatenz durch Verschlankung reduziert. Im letzten Schritt wurde die adaptierte Architektur in Inline-Versuchen angewandt, um Kupferpartikel zu erkennen und eine Ausschleusungsmechanik zu steuern.
Die europäische Union und die österreichische Bundesregierung verfolgen die Strategie einer nachhaltigen und klimaneutralen Kreislaufwirtschaft bis 2050 („European Green Deal“). Ziel ist es, die Netto-Treibhausgas-Emissionen auf Null zu reduzieren und den Verbrauch an Rohstoffen, Materialien und Energie sowie das Abfallaufkommen massiv zu verringern. Basis dafür ist die Senkung des Ressourcenverbrauchs (-25 % bis 2030) bei gleichzeitiger Steigerung der Ressourceneffizienz der österreichischen Wirtschaft (+50 % bis 2030). (BMK 2021)
Die europäische Union und die österreichische Bundesregierung verfolgen die Strategie einer nachhaltigen und klimaneutralen Kreislaufwirtschaft bis 2050 („European Green Deal“). Ziel ist es, die Netto-Treibhausgas-Emissionen auf Null zu reduzieren und den Verbrauch an Rohstoffen, Materialien und Energie sowie das Abfallaufkommen massiv zu verringern. Basis dafür ist die Senkung des Ressourcenverbrauchs (-25 % bis 2030) bei gleichzeitiger Steigerung der Ressourceneffizienz der österreichischen Wirtschaft (+50 % bis 2030). (BMK 2021)
Autor(en)
Dipl.-Ing. Gerald Koinig, Melanie Neubauer, W. Martinelli, Nikolai Kuhn, Thomas Fink
Contentpartner
© Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft
Publikation
Recy & Depotech (2024) (Dezember 2024)
Verkaufspreis
€ 5,00 oder im Premium-Abonnement enthalten