DenseNet121 führt KI-gestützte Abfallklassifizierung zur Kreislaufwirtschaft an

Effiziente Abfalltrennung ist ein Schlüssel für die Umsetzung von Kreislaufwirtschaftspraktiken und die Ressourcengewinnung in smarten Städten. In einer neuen Studie aus dem arXiv-Repository wird untersucht, wie moderne KI‑Modelle dabei helfen können, Abfallmaterialien zuverlässig zu klassifizieren.

Die Analyse basiert auf 25.077 Abfallbildern, die in einem 80/20‑Trainings‑/Test‑Split vorliegen. Durch Datenaugmentation und die Größenanpassung auf 150 × 150 Pixel wurden die Bilder für die Modellierung vorbereitet. Die Forscher verglichen klassische Machine‑Learning‑Ansätze – Random Forest, Support Vector Machine und AdaBoost – mit tiefen neuronalen Netzen, darunter eigene Convolutional Neural Networks sowie vortrainierte Architekturen wie VGG16, ResNet50, DenseNet121, EfficientNetB0 und InceptionV3.

DenseNet121 erzielte die höchste Genauigkeit von 91 % und einen ROC‑AUC‑Wert von 0,98, was einen Vorsprung von 20 Prozentpunkten gegenüber dem besten klassischen Klassifikator bedeutet. Die Anwendung von Principal Component Analysis (PCA) zeigte bei den traditionellen Modellen nur geringe Vorteile, während Transfer‑Learning die Leistung unter Datenknappheit deutlich steigerte.

Die Autoren erläutern, wie diese Modelle in ein Echtzeit‑Data‑Driven‑Decision‑Support‑System integriert werden können, um die automatische Abfallsortierung zu optimieren. Durch die verbesserte Sortiergenauigkeit könnten Deponieausfälle reduziert und die Umweltauswirkungen im gesamten Lebenszyklus von Abfallprodukten signifikant gesenkt werden.