Glacier Robotics hat die PET-Leckage in US-Recyclinganlagen um 70 % reduziert

Das Recycling von Abfällen ist komplizierter, als es aussieht. In einer Sortieranlage (Material Recovery Facility, MRF) kommt Abfall unsortiert an, und die Aufgabe, ihn in verwertbare Rohstoffströme zu trennen, fällt einer Kombination aus automatisierten Anlagen, optischen Sortierern und menschlichen Sortierern zu, die unter schnelllebigen, oft chaotischen Bedingungen arbeiten. Der Spielraum für Fehler ist gering: Ein Ballen Aluminium, der mit falschen Materialien verunreinigt ist, verliert an Wert, und wertvolle Rohstoffe, die unentdeckt durchschlüpfen, landen auf der Deponie.

Glacier wurde gegründet, um diesen Prozess zuverlässiger und effizienter zu gestalten. Mit Sitz in San Francisco und von Fast Company als innovativstes Unternehmen im Bereich Robotik und Engineering ausgezeichnet, baut Glacier KI-gestützte Robotersortiersysteme und Analyse-Tools für Sortieranlagen (MRFs). Die Roboter werden direkt an Förderbändern installiert und nutzen Computer Vision, um Materialien in Echtzeit zu identifizieren und zu sortieren. Die Analyseplattform bietet Anlagenbetreibern Einblicke in das, was sich auf ihren Linien bewegt und wo Probleme auftreten.

Ultralytics YOLO11 bildet das Herzstück beider Produkte und übernimmt die Erkennung und Klassifizierung, die eine Sortierung in Echtzeit sowie eine kontinuierliche Überwachung ermöglichen.

Link to this sectionComputer Vision in der Recyclinghalle einsetzen#

Das Robotersortiersystem von Glacier basiert auf einer von oben montierten Kamera, die direkt über dem Förderband an einem Gerüst angebracht ist, um jedes darunter durchlaufende Objekt zu erfassen. Während sich die Materialien auf dem Band bewegen, erfasst die Kamera jedes Objekt von oben und bietet dem System eine konsistente, ungehinderte Sicht, unabhängig von Form oder Ausrichtung des Objekts.

Ultralytics YOLO11 verarbeitet diesen Feed in Echtzeit, erkennt und klassifiziert jedes Objekt, während es vorbeizieht. Das Modell gibt für jedes erkannte Element eine Bounding Box und ein Klassen-Label aus und identifiziert, ob es sich beispielsweise um eine Aluminiumdose, einen Milchkarton, einen Pappkarton oder eine Kunststofffolie handelt. Diese Klassifizierung, kombiniert mit einer Geschwindigkeitsberechnung basierend auf der Bandgeschwindigkeit, ermöglicht es dem System von Glacier zu berechnen, wo sich jedes Objekt befinden wird, wenn der Roboterarm es erreicht – typischerweise weniger als eine Sekunde nach der Erkennung.

Der mit Saugnäpfen ausgestattete Roboterarm greift das Objekt dann vom Band und legt es je nach Klasse in den entsprechenden Behälter. Der gesamte Kreislauf (erkennen, klassifizieren, Position vorhersagen, greifen) läuft kontinuierlich ab, während das Material durch die Anlage fließt, wobei die Kamera dem System zwei bis drei Bilder pro Objekt liefert, bevor es aus dem Erfassungsbereich gelangt.

Parallel dazu können dieselben Kameradaten die Analyseplattform von Glacier speisen. Bilder werden in die Cloud hochgeladen, wo YOLO11 eine Inferenz ausführt, um Objekte nach Typ im Zeitverlauf zu zählen. Anlagenbetreiber können zudem Analyse-Kameras unabhängig von einem Roboter installieren, wenn sie Einblicke in eine Linie ohne automatisierte Sortierung wünschen. In jedem Fall ist das Ergebnis ein kontinuierlicher Strom strukturierter Daten darüber, was durch die Anlage bewegt wird.

Abb. 1. Ultralytics YOLO11 im Einsatz in einer Recyclinganlage, was eine Abfallerkennung in Echtzeit ermöglicht und die Materialsortierung für eine verbesserte Recycling-Effizienz optimiert._

Link to this sectionDie Herausforderung der Klassifizierung heterogener Materialien#

Objekterkennung auf einem Recycling-Förderband ist eine schwierigere Aufgabe, als es scheinen mag. Oft laufen die Bänder mit Geschwindigkeiten von über 60 Metern pro Minute, wobei Materialien häufig überlappen, teilweise verdeckt, nass, verschmutzt oder verformt sind. Die Lichtverhältnisse variieren. Objekte innerhalb derselben Materialkategorie können optisch stark voneinander abweichen, wie etwa eine Waschmittelflasche, ein Seifenspender und ein Milchbehälter; alle bestehen aus Kunststoff Nummer 2, weisen aber nur sehr geringe visuelle Ähnlichkeiten auf.

Als Glacier ihre Technologie landesweit in Dutzenden von MRFs einsetzte, benötigten sie ein höheres Maß an Genauigkeit, um die Leistung bei komplexen, visuell heterogenen Materialkategorien zu verbessern und effizienter skalieren zu können. Die Heterogenität, gepaart mit der Geschwindigkeit und dem Umfang, führte letztlich dazu, dass Glacier dem bisherigen Open-Source-Detektormodell entwuchs, da die Verbesserung der Modellgeneralisierung über verschiedene Standorte hinweg für den wachsenden Einsatzbereich von Glacier immer wichtiger wurde.

Link to this sectionUltralytics YOLO als Lösung#

Während Glacier skaliert, hat der Einsatz von Ultralytics YOLO11 eine bedeutende Rolle bei ihrer Mission gespielt, ihre Lösungen auf breiter Ebene zu verbessern und zu optimieren. YOLO11 wird in zwei verschiedenen Einsatzumgebungen verwendet, die jeweils unterschiedliche Leistungsanforderungen haben.

• On the Edge: Jeder Glacier-Roboter führt YOLO11 lokal auf einer dedizierten GPU für die robotergestützte Echtzeitsortierung aus und verarbeitet den Kamera-Feed in Echtzeit. Die Inferenzlatenz ist gering genug, um die Berechnung der Greif-Zeitvorgaben zu unterstützen, wodurch das System in weniger als einer Sekunde weiß, wo sich ein Objekt befinden wird, was bedeutet, dass Erkennung und Klassifizierung innerhalb dieses Zeitfensters abgeschlossen sind.
• In der Cloud: Für die Analyseplattform werden in der Anlage aufgenommene Bilder in die AWS hochgeladen, wo YOLO11 die Inferenz ausführt, um Objektzählungen über die Zeit zu generieren. Da diese Pipeline zeitlich nicht so kritisch ist wie die robotergestützte Sortierung, läuft sie in der Cloud statt auf Edge-Hardware, was es Glacier ermöglicht, historische Daten zu verarbeiten und den Anlagenbetreibern Erkenntnisse über Dashboards und Berichte bereitzustellen.

Die Umstellung auf YOLO11 brachte deutliche Verbesserungen in Bereichen, in denen das vorherige Modell am meisten zu kämpfen hatte. Die Klassifizierungsgenauigkeit verbesserte sich über heterogene Kategorien hinweg, insbesondere bei Kunststoffen der Nummer 2, was Glacier ein zuverlässigeres Fundament für die Bereitstellung eines gemeinsamen Modells über mehrere Kundenstandorte hinweg gab, ohne dass eine standortspezifische Feinabstimmung erforderlich war. Auch die Präzision der Bounding Boxes verbesserte sich, was die Art und Weise veränderte, wie das Team von Glacier Modellausgaben während der Datenprüfung nutzte: Anstatt Dinge zu markieren, die das Modell falsch verstanden hatte, deuteten die Abweichungen des Modells von den Trainings-Labels konsequenter auf echte Annotationsfehler hin, die behoben werden mussten. Diese Verschiebung machte den Datenverbesserungsprozess schneller und zielgerichteter.

Link to this sectionWarum solltest du dich für Ultralytics YOLO Modelle entscheiden?#

Für Glacier war die Entscheidung, von DETR zu Ultralytics YOLO zu wechseln, auf die Klassifizierungsleistung bei den spezifischen Materialklassen wie Kunststoffen der Nummer 2 zurückzuführen, die MRF-Betreiber zuverlässig verfolgen und zurückgewinnen müssen. YOLO11 handhabte diese Kategorien konsistenter, was der entscheidende Faktor war.

Die Verbesserung der Qualität der Bounding Boxes war ein zweitrangiger, aber bedeutender Vorteil. Präzise Bounding Boxes machen den Datenprüfungs- und Annotationsprozess effizienter und ermöglichen es dem Team, darauf zu vertrauen, dass, wenn das Modell einem Label widerspricht, dies eher auf einen echten Fehler in den Daten als auf einen Modellfehler hindeutet. Das Python-Paket von Ultralytics gab den Ingenieuren von Glacier zudem eine unkomplizierte Möglichkeit, Modelle über ihre Edge- und Cloud-Umgebungen hinweg zu trainieren, feinabzustimmen, bereitzustellen und zu warten. Die Flexibilität, dieselbe Modellfamilie sowohl auf Edge-Hardware mit GPU als auch in AWS-Inferenz-Pipelines auszuführen, ohne den zugrunde liegenden Detektionscode neu aufbauen zu müssen, war ein praktischer Vorteil, da der Einsatzbereich von Glacier gewachsen ist.

Link to this sectionMRF-Betreibern Einblicke in ihre Anlagen geben#

Über das Sortieren hinaus adressiert die Analyseplattform von Glacier ein Problem, das für den Betrieb von Recyclinganlagen grundlegend ist: In einem großen MRF mit mehreren gleichzeitig laufenden Förderbändern kann es für Betreiber schwierig sein zu wissen, was in der gesamten Anlage zu einem bestimmten Zeitpunkt passiert. Probleme auf einer Linie sind möglicherweise von einer anderen aus nicht sichtbar, und wenn ein Problem offensichtlich wird, hat es möglicherweise bereits Auswirkungen auf stundenlangen Durchsatz.

Die Analysen von Glacier geben Betreibern eine kontinuierliche, strukturierte Sicht auf den Objektfluss auf Linienebene. Einige der Erkenntnisse, die dies ermöglicht:

• Überwachung der Beladungstiefe. Verfolgung, wie viele Objekte zu einem bestimmten Zeitpunkt einen Abschnitt der Linie passieren, und Markierung, wenn die Tiefe ungewöhnlich hoch oder niedrig ist.
• Erkennung von Verunreinigungen. Alarmierung der Betreiber, wenn der Anteil unerwünschter Materialien auf einer Linie über das Normalmaß steigt – oft ein Signal dafür, dass vorgelagert etwas schiefgelaufen ist.
• Signale für Anlagenausfälle. Ein plötzlicher Anstieg bei einem bestimmten Materialtyp – zum Beispiel Aluminiumdosen – kann darauf hindeuten, dass ein optischer Sortierer nicht mehr funktioniert und diese Artikel nicht mehr wie erwartet umleitet.
• Analyse betrieblicher Muster. Verständnis dafür, wie sich die Materialzusammensetzung über Schichten, Wochentage oder Jahreszeiten hinweg ändert – und wie Ereignisse wie Feiertage beeinflussen, was in der Anlage ankommt.

Die Analysen sind leistungsfähiger, wenn Kameras an mehreren Punkten der Anlage installiert sind, da die Möglichkeit, Zählungen von verschiedenen Standorten zu korrelieren, es ermöglicht, nachzuvollziehen, wo bestimmte Materialien im gesamten Sortierprozess verloren gehen oder zurückgewonnen werden.

Link to this sectionPraktische Ergebnisse in US-Recyclinganlagen#

Die Implementierungen von Glacier in Sortieranlagen in den Vereinigten Staaten haben messbare Ergebnisse sowohl bei der robotergestützten Sortierung als auch bei den Anwendungsfällen der Analytik erzielt.

• Michigan MRF (Residuelinie): 15 Mio. PET-Flaschen zurückgewonnen, 138.000 USD an neuen Einnahmen. Das KI-Dashboard von Glacier identifizierte PET-Leckagen auf der Residuelinie. Das MRF nutzte diese Transparenz, um die Installation eines vorgelagerten PET-Sortierers zu rechtfertigen, was zu einer Reduzierung der PET-Leckagen um 70 % und einer Amortisationszeit von 10 Monaten führte, wodurch 15 Millionen PET-Flaschen zurückgewonnen und 138.000 USD an neuen Rohstoffeinnahmen generiert wurden.
• Kalifornien MRF (Faserlinie): +17 % Papierreinheit. Ein Einsatz von drei Robotern auf der Faserlinie verbesserte die Sortierqualität und die Papierreinheit hinter einem optischen Sortierer, wobei die Roboter eine Betriebszeit von 95 % über den gesamten Einsatz hinweg erreichten.
• Indiana MRF (Residuelinie): Über 500.000 lbs PET zurückgewonnen. Die KI von Glacier markierte Wertstoffe, die in den Residuestrom entwichen. Betreiber nutzten die Erkenntnisse, um Material umzuleiten und Investitionen in vorgelagerte Anlagen zu rechtfertigen, wobei PET und HDPE in Echtzeit identifiziert und zusätzliche Rohstoffeinnahmen erzielt wurden.

Link to this sectionRecycling mit Computer Vision zuverlässiger machen#

Glacier baut die Werkzeuge, die Recycling zu einem vorhersehbareren, messbaren und effizienteren Prozess machen. Durch die Kombination von robotergestützter Sortierung mit anlagenweiter Analytik erhalten MRF-Betreiber sowohl die Automatisierung, um mehr Material zurückzugewinnen, als auch die Transparenz, um zu verstehen, was auf ihren Linien passiert.

Ultralytics YOLO11 bietet das Fundament für Erkennung und Klassifizierung, auf dem beide Produkte basieren – genau genug, um die visuelle Komplexität echter Recyclingströme zu bewältigen, schnell genug, um das robotergestützte Greifen in Echtzeit zu unterstützen, und flexibel genug, um sowohl auf Edge-Hardware als auch in Cloud-Inferenz-Pipelines zu laufen. Während Glacier seine Expansion in den Vereinigten Staaten fortsetzt, bleibt Ultralytics YOLO der Kern seines Computer-Vision-Stacks.

Neugierig auf Vision AI? Entdecke unsere Lizenzoptionen, um noch heute deine Computer-Vision-Lösungen zu entwickeln. Besuche unser GitHub-Repository und werde Teil unserer Community.