Glacier integrierte Ultralytics YOLO11 sowohl in seine robotergestützten Sortiersysteme als auch in seine Plattform für Anlagenanalysen. Dadurch verbesserte sich die Klassifizierungsgenauigkeit deutlich und der Aufwand für die Datenkorrektur sank – zuvor hatte dieser Aufwand die Weiterentwicklung der Modelle verlangsamt.
Das Recycling von Abfällen ist komplizierter, als es auf den ersten Blick scheint. In einer Sortieranlage für Wertstoffe (MRF) treffen unsortierte Abfälle aus der gemeinsamen Sammlung ein. Sie in verwertbare Materialströme aufzuteilen, erfordert eine Kombination aus automatisierter Ausrüstung, optischen Sortierern und menschlichen Sortierkräften, die unter schnell wechselnden und oft chaotischen Bedingungen arbeiten. Der Spielraum für Fehler ist gering: Ist ein Aluminiumballen mit ungeeigneten Materialien verunreinigt, verliert er an Wert. Wertvolle Rohstoffe, die nicht zurückgewonnen werden, landen auf der Deponie.
Glacier wurde gegründet, um diesen Prozess zuverlässiger und effizienter zu machen. Das in San Francisco ansässige Unternehmen, das Fast Company als innovativstes Unternehmen im Bereich Robotik und Ingenieurwesen ausgezeichnet hat, entwickelt KI-gestützte robotergestützte Sortiersysteme und Analysewerkzeuge für Recyclinganlagen (MRFs). Die Roboter sind direkt über Förderbändern installiert und nutzen Computer Vision, um Materialien in Echtzeit zu erkennen und zu sortieren. Die Analyseplattform verschafft Anlagenbetreibern einen Überblick darüber, was ihre Förderlinien durchläuft und wo Probleme auftreten.
Ultralytics YOLO11 bildet die Grundlage beider Produkte und übernimmt die Erkennung und Klassifizierung, die Echtzeit-Sortierung und kontinuierliche Überwachung ermöglichen.
Computer Vision in die Recyclinganlage bringen#
Das robotergestützte Sortiersystem von Glacier arbeitet mit einer von oben auf das Förderband gerichteten Kamera, die an einem Gerüst direkt über dem Band montiert ist und jedes darunter vorbeilaufende Objekt aufnimmt. Während sich die Materialien über das Band bewegen, erfasst die Kamera jedes Objekt von oben. So erhält das System unabhängig von Form und Ausrichtung des Objekts eine gleichbleibende, ungehinderte Sicht.
Ultralytics YOLO11 verarbeitet diesen Datenstrom in Echtzeit und erkennt und klassifiziert jedes vorbeilaufende Objekt. Das Modell gibt für jeden erkannten Gegenstand einen Begrenzungsrahmen und eine Klassenbezeichnung aus und identifiziert beispielsweise eine Aluminiumdose, einen Milchkrug, einen Karton oder eine Kunststofffolie. Zusammen mit einer Geschwindigkeitsschätzung auf Basis der Bandgeschwindigkeit ermöglicht diese Klassifizierung dem System von Glacier zu berechnen, wo sich ein Objekt befinden wird, wenn der Roboterarm es erreicht – in der Regel weniger als eine Sekunde nach der Erkennung.
Der mit Saugnäpfen ausgestattete Roboterarm nimmt das Objekt anschließend vom Förderband und legt es entsprechend seiner Klasse in den passenden Behälter. Dieser gesamte Ablauf – Erkennen, Klassifizieren, Position vorhersagen und aufnehmen – läuft kontinuierlich, während das Material die Anlage durchläuft. Dabei liefert die Kamera dem System zwei bis drei Einzelbilder pro Objekt, bevor es aus dem Erfassungsbereich gelangt.
Parallel dazu können dieselben Kameradaten in die Analyseplattform von Glacier einfließen. Die Bilder werden in die Cloud hochgeladen, wo YOLO11 Inferenz ausführt, um Objekte im Zeitverlauf nach Typ zu zählen. Anlagenbetreiber können auch unabhängig von einem Roboter Analysekameras installieren, wenn sie Einblick in eine Förderlinie erhalten möchten, ohne automatisiert zu sortieren. In beiden Fällen entsteht ein kontinuierlicher Strom strukturierter Daten darüber, was die Anlage durchläuft.
Abb. 1. Ultralytics YOLO11 im Einsatz in einer Recyclinganlage: Abfälle werden in Echtzeit erkannt und Materialien effizienter sortiert, um das Recycling zu verbessern.
Die Herausforderung, heterogene Materialien zu klassifizieren#
Die Objekterkennung auf einem Recyclingförderband ist schwieriger, als es zunächst scheint. Förderbänder laufen oft mit mehr als 200 Fuß pro Minute. Dabei überlagern sich Materialien häufig, sind teilweise verdeckt, nass, schmutzig oder verformt. Auch die Lichtverhältnisse ändern sich. Objekte derselben Materialkategorie können völlig unterschiedlich aussehen. Eine Waschmittelflasche, ein Seifenspender und ein Milchkrug bestehen beispielsweise alle aus Kunststoff der Nummer 2, weisen aber nur wenige optische Gemeinsamkeiten auf.
Als Glacier seine Technologie in Dutzenden von Sortieranlagen im ganzen Land einführte, benötigte das Unternehmen eine höhere und konsequenter geprüfte Genauigkeit, um die Leistung bei komplexen, visuell heterogenen Materialkategorien zu verbessern und effizienter skalieren zu können. Die Vielfalt der Materialien sowie die Geschwindigkeit und der Umfang des Einsatzes führten letztlich dazu, dass Glacier die Grenzen seines bisherigen Open-Source-Erkennungsmodells erreichte. Mit der wachsenden Zahl von Einsatzorten wurde es immer wichtiger, die Verallgemeinerungsfähigkeit des Modells über verschiedene Standorte hinweg zu verbessern.
Ultralytics YOLO als Lösung#
Während Glacier wächst, hat der Einsatz von Ultralytics YOLO11 wesentlich dazu beigetragen, die Lösungen des Unternehmens insgesamt zu verbessern und zu optimieren. YOLO11 wird in zwei unterschiedlichen Einsatzumgebungen mit jeweils eigenen Leistungsanforderungen verwendet.
- Am Netzwerkrand: Jeder Roboter von Glacier führt YOLO11 lokal auf einer dedizierten GPU aus, um in Echtzeit robotergestützt zu sortieren und den Kameradatenstrom in Echtzeit zu verarbeiten. Die Inferenzlatenz ist niedrig genug für die Berechnung des Zeitpunkts der Aufnahme. Das System kann dadurch erkennen, wo sich ein Objekt in weniger als einer Sekunde befinden wird, und Erkennung sowie Klassifizierung rechtzeitig abschließen.
- In der Cloud: Für die Analyseplattform werden in der Anlage aufgenommene Bilder zu AWS hochgeladen. Dort führt YOLO11 Inferenz aus, um Objektzahlen im Zeitverlauf zu ermitteln. Da diese Pipeline nicht ebenso zeitkritisch ist wie die robotergestützte Sortierung, läuft sie in der Cloud statt auf Hardware am Netzwerkrand. So kann Glacier historische Daten verarbeiten und Anlagenbetreibern Erkenntnisse über Übersichten und Berichte bereitstellen.
Der Wechsel zu YOLO11 brachte deutliche Verbesserungen in Bereichen, in denen das vorherige Modell besonders große Schwierigkeiten hatte. Die Klassifizierungsgenauigkeit nahm bei heterogenen Kategorien zu, insbesondere bei Kunststoffen der Nummer 2. Damit erhielt Glacier eine zuverlässigere Grundlage, um ein gemeinsames Modell an mehreren Kundenstandorten einzusetzen, ohne es für jeden Standort feinabstimmen zu müssen. Auch die Präzision der Begrenzungsrahmen verbesserte sich. Das veränderte, wie das Team von Glacier die Modellausgaben bei der Datenprüfung nutzte: Statt auf Missverständnisse des Modells hinzuweisen, deuteten Abweichungen zwischen den Modellergebnissen und den Trainingslabels nun häufiger auf echte Annotationsfehler hin, die korrigiert werden mussten. Dadurch wurde die Datenverbesserung schneller und gezielter.
Warum Ultralytics YOLO-Modelle wählen?#
Für Glacier beruhte die Entscheidung für den Wechsel von DETR zu Ultralytics YOLO auf der Klassifizierungsleistung bei bestimmten Materialklassen wie Kunststoffen der Nummer 2, die Betreiber von Sortieranlagen zuverlässig nachverfolgen und zurückgewinnen müssen. YOLO11 verarbeitete diese Kategorien konsistenter – das war ausschlaggebend.
Die bessere Qualität der Begrenzungsrahmen war ein zusätzlicher, aber wichtiger Vorteil. Präzise Begrenzungsrahmen machen die Datenprüfung und Annotation effizienter. Das Team kann darauf vertrauen, dass eine Abweichung des Modells von einem Label eher auf einen tatsächlichen Datenfehler als auf ein Versagen des Modells hinweist. Das Ultralytics-Python-Paket bot den Ingenieuren von Glacier zudem eine unkomplizierte Möglichkeit, Modelle sowohl in ihren Umgebungen am Netzwerkrand als auch in der Cloud zu trainieren, feinabzustimmen, bereitzustellen und zu warten. Dasselbe Modell ohne Neuentwicklung des zugrunde liegenden Erkennungscodes sowohl auf Edge-Hardware mit GPU als auch in AWS-Inferenzpipelines ausführen zu können, war ein praktischer Vorteil, während Glacier seine Einsatzbereiche ausbaute.
Anlagenbetreibern Einblick in ihre Einrichtungen geben#
Über das Sortieren hinaus befasst sich die Analyseplattform von Glacier mit einem grundlegenden Problem beim Betrieb von Recyclinganlagen: In einer großen MRF mit mehreren gleichzeitig laufenden Förderlinien kann es für das Personal schwierig sein, jederzeit den Überblick über die gesamte Anlage zu behalten. Probleme an einer Linie sind von einer anderen aus möglicherweise nicht sichtbar, und wenn ein Problem offensichtlich wird, kann es bereits den Durchsatz von mehreren Stunden beeinträchtigt haben.
Die Analysen von Glacier bieten dem Personal einen kontinuierlichen, strukturierten Überblick über den Materialfluss auf Ebene der einzelnen Linie. Dazu gehören unter anderem folgende Erkenntnisse:
- Überwachung der Materialschicht. Erfasst, wie viele Objekte zu einem bestimmten Zeitpunkt einen Abschnitt der Linie passieren, und meldet ungewöhnlich hohe oder niedrige Werte.
- Erkennung von Verunreinigungen. Warnt das Personal, wenn der Anteil unerwünschter Materialien auf einer Linie über den Normalwert steigt – häufig ein Hinweis darauf, dass weiter oben im Prozess etwas schiefgelaufen ist.
- Hinweise auf Geräteausfälle. Ein plötzlicher Anstieg einer bestimmten Materialart – etwa Aluminiumdosen – kann darauf hindeuten, dass ein optischer Sortierer nicht mehr funktioniert und diese Gegenstände nicht mehr wie vorgesehen aussortiert.
- Analyse betrieblicher Muster. Zeigt, wie sich die Materialzusammensetzung über verschiedene Schichten, Wochentage oder Jahreszeiten verändert und wie Ereignisse wie Feiertage die Anlieferungen in der Anlage beeinflussen.
Die Analysen sind aussagekräftiger, wenn an mehreren Stellen der Anlage Kameras installiert sind, denn durch den Vergleich von Zählungen an verschiedenen Orten lässt sich nachvollziehen, an welchen Stellen bestimmte Materialien im gesamten Sortierprozess verloren gehen oder zurückgewonnen werden.
Ergebnisse aus der Praxis in Recyclinganlagen in den USA#
Die Einsätze von Glacier in Materialrückgewinnungsanlagen in den USA haben messbare Ergebnisse sowohl beim robotergestützten Sortieren als auch bei der Nutzung von Analysen erzielt.
- MRF in Michigan (Reststofflinie): 15 Mio. PET-Flaschen zurückgewonnen, 138.000 $ zusätzliche Einnahmen. Das KI-Dashboard von Glacier erkannte PET-Verluste an der Reststofflinie. Die Anlage nutzte diese Erkenntnisse, um die Installation eines vorgeschalteten PET-Sortierers zu begründen. Dadurch gingen die PET-Verluste um 70 % zurück; die Investition amortisierte sich innerhalb von 10 Monaten. So wurden 15 Millionen PET-Flaschen zurückgewonnen und 138.000 $ zusätzliche Einnahmen aus dem Materialverkauf erzielt.
- MRF in Kalifornien (Faserlinie): 17 % höhere Papierreinheit. Der Einsatz von drei Robotern an der Faserlinie verbesserte die Sortierqualität und die Papierreinheit hinter einem optischen Sortierer. Die Roboter erreichten während des Einsatzes eine Verfügbarkeit von 95 %.
- MRF in Indiana (Reststofflinie): Über 500.000 Pfund PET zurückgewonnen. Die KI von Glacier meldete Wertstoffe, die in den Reststoffstrom gelangten. Das Personal nutzte die Erkenntnisse, um Material umzuleiten und Investitionen in vorgeschaltete Anlagen zu begründen. PET und HDPE wurden in Echtzeit erkannt, wodurch zusätzliche Einnahmen aus dem Materialverkauf erzielt werden konnten.
Recycling mit Computer Vision zuverlässiger machen#
Glacier entwickelt Werkzeuge, die Recycling zu einem besser planbaren, messbaren und effizienteren Prozess machen. Durch die Kombination aus robotergestütztem Sortieren und anlagenweiten Analysen erhalten die MRF-Betreiber sowohl die Automatisierung, um mehr Material zurückzugewinnen, als auch den Überblick darüber, was auf den einzelnen Linien geschieht.
Ultralytics YOLO11 bildet die Grundlage für Erkennung und Klassifizierung, auf die beide Produkte angewiesen sind: präzise genug für die visuelle Komplexität realer Recyclingströme, schnell genug für die robotergestützte Sortierung in Echtzeit und flexibel genug für den Einsatz auf Edge-Hardware und in cloudbasierten Inferenzprozessen. Während Glacier seine Präsenz in den USA weiter ausbaut, bleibt Ultralytics YOLO das Herzstück seines Computer-Vision-Stacks.
Neugierig auf Vision-KI? Entdecke unsere Lizenzoptionen, um noch heute deine Computer-Vision-Lösungen zu entwickeln. Besuche unser GitHub-Repository und werde Teil unserer Community.
