Intelligente kameraer kan forbedre affaldssortering

For at kunne genanvende mere af vores affald, ikke mindst plastik og metal, er der behov for en bedre affaldssortering, end vi har i dag. Avanceret kamerateknologi, store datasæt og kunstig intelligens kan være en del af løsningen.

Vi producerer meget affald i Danmark – rigtig meget. Plast, metal, madvarer og en masse andet affald ryger dagligt i skraldespandene i de danske husholdninger.

Men selvom vi sorterer vores affald derhjemme, og vi lige om lidt skal i gang med endnu mere affaldssortering, og selvom virksomhederne også sorterer deres affald, så genanvender vi fortsat en alt for lille del af vores affald. I stedet bliver affaldet brændt af landets forbrændingsanlæg, hvor det bliver til varme.

Umiddelbart kan det lyde godt, at affald kan blive til varme, men skal vi lykkes med den grønne omstilling, sikre klima- og miljøgevinster og ikke mindst passe på de knappe ressourcer vi har, skal langt mere af vores affald genanvendes.

Klimaminister Dan Jørgensen satte sidste år ord på affaldsudfordringen, da regeringen og et flertal i Folketinget indgik aftale om en klimaneutral affaldssektor i 2030. Den indebærer blandt andet mere genanvendelse af affald og langt mindre forbrænding.

Aftalen skal være med til at sikre, at vi udleder færre drivhusgasser, hvor Danmark har en klimamålsætning om en 70 procents reduktion frem mod 2030.

– Vi sætter nu gang i en meget tiltrængt grøn omstilling af affaldssektoren. I 15 år har man forsøgt at løse forbrændingsproblemet, men uden held. Nu skal det være slut med at importere plastikaffald fra udlandet for at fylde tomme ovne op og futte det af på klimaets bekostning. Med aftalen øger vi genanvendelsen og mindsker forbrændingen. Det vil gøre en markant forskel for klimaet, sagde klimaministeren i forbindelse med aftalen.

En af udfordringerne for genanvendelse ligger i sorteringen af vores affald – ikke mindst vores indsamlede plast, metal og glas. Vi sorterer ikke godt nok, og derfor kan affaldet kun genanvendes i mindre grad.

Potentialet er ellers til stede. I Danmark producerer vi ifølge en McKinsey-rapport fra 2019 årligt omkring 350.000 tons plastikaffald, men mere end halvdelen – omkring 57 procent – lander i forbrændingsanlæggene. Især er vi dårlige til at genanvende husholdningsplast, hvor kun omkring 15 procent bliver genanvendt.

Avanceret kamerateknologi og kunstig intelligens

En del af løsningen har forskere på Aarhus Universitet og Teknologisk Institut måske fundet. De har med to forskellige metoder undersøgt, hvordan kunstig intelligens, deep learning og avanceret kamerateknologi kan være med til at sikre bedre affaldssortering.

Thomas Høiberg Giselsson fra Teknologisk Institut tjekker, at alt kører, som det skal, under pilotprojektet på Dansk Retursystem. Foto: Teknologisk Institut

– En udfordring med mange automatiske sorteringsanlæg er, at der kan ske sorteringsfejl, hvor plastik kommer i metalaffaldet eller omvendt. Affaldet er vanskeligere at afsætte og oparbejde, hvis der er urenheder i det, fordi materialer er blandet sammen, forklarer Thomas Høiberg Giselsson, seniorspecialist ved Center for robotteknologi på Teknologisk Institut.

I dag foregår der på mange anlæg en mekanisk grovsortering efterfulgt af en manuel eftersortering, hvor man blandt andet fjerner jern fra plastikken.

Men det er ikke nok, understreger Mogens Hinge, lektor på Aarhus Universitet, som har arbejdet på Industry 4.0-projektet sammen Martin Lahn Henriksen og Celine Ballegaard Karlsen.

– Det er relativt nemt at fjerne jern, for det er magnetisk. Det er aluminium ikke, og det bliver derfor som udgangspunkt ikke fjernet i grovsorteringen, siger Mogens Hinge.

Konsekvensen er, at man står tilbage med affald, der indeholder både metal og plastik, og det kan ikke genanvendes.

Deep learning og masser af billeder

Det var den udfordring, som forskerne skulle løse. Hvordan skiller vi plast og aluminium? To forskellige metoder blev valgt.

Det er plast. Det er metal. Det er plast. Det er metal. Det kræver meget arbejde at lære et digitalkamera at kende forskel på plast og metal. Men intelligent kamerateknologi kan være med til at sikre bedre affaldssortering. Foto: Teknologisk Institut

På Teknologisk Institut benyttede man et digitalt kamera, der med hjælp fra avanceret machine learning (neurale netværk, også kaldet Deep Learning) skulle lære at genkende plastikflasker blandt aluminiumsaffald. Kameraet og maskinen bag blev fodret med massevis af billeder, blev rettet til ved forkerte gæt og fik så endnu flere billeder at kigge på.

– Målet har været at finde ud af, om vi kunne få systemet til at se plastemner i en blanding af plast- og metalaffald, fortæller Thomas Høiberg Giselsson, der har stået for samarbejdet mellem Teknologisk Institut og Dansk Retursystem og fortsætter:

– Vi skabte et stort datasæt, hvor en person var inde og pege på, hvad der var plast på billederne. Med dette datasæt kunne vi derefter træne en model til at kende forskel på metal- og plastemner på et transportbånd.

I starten af træningsprocessen gætter systemet fuldstændig tilfældigt på, hvad der er plastik i billederne. Ved at fortælle modellen hvor den laver fejl, bliver den med meget små ændringer bedre og bedre til at gætte rigtigt.

Igennem træningsprocessen overvåges det hele tiden, hvor god modellen er til at gætte. Når den så har lært at genkende plastikken til et tilfredsstillende niveau, stopper man træningen. Efter træningen har kameraet været installeret som et pilotforsøg hos Dansk Retursystem, der netop er interesseret i at kende renheden af de affaldsfraktioner, som de producerer.

– Der er grader for, hvor meget ”forurening”, altså andre materialer, der må være i affaldet, for at det kan blive solgt til oparbejdelse eller genanvendelse, og derfor er det vigtigt i forhold til den grønne omstilling, fortæller Thomas Høiberg Giselsson.

92 sensorer

På Aarhus Universitet var et hyperspektralt kamera den løsning, der blev – og stadig bliver – testet. Også her blev kameraet fodret med en masse data om materialerne, og så bruger det sine mange målinger til at aflæse, om materialet har en karakter som metal eller som plastik.

Anlægget med det hyperspektrale kamera, H.C., der er noget mere skarpt seende end menneskers øjne. Hvor vi kan bruge tre farvesensorer (rød, grøn og blå) til at registrere detaljer i vores omgivelser, har H.C. hele 92 sensorer. Foto: Martin Lahn Henriksen, Aarhus Universitet

Mens det digitale kamera kigger på affaldet og definerer affaldet ud fra, hvad det har ’lært’ om farver og former, ser det hyperspektrale kamera det spektrum, der kommer fra lysrefleksionen på tværs af transportbåndet. Ud fra det kan det afgøre, om det er metal eller plast, der kører forbi på transportbåndet.

Og det er et skarpt seende kamera, der arbejder på at genkende affaldet i Aarhus. Hvor det menneskelige øje har tre farvesensorer (rød, grøn og blå), som vi kan bruge til at registrere omgivelser og detaljer med, har det hyperspektrale kamera, som Aarhus Universitet har benyttet i projektet, hele 92 sensorer. Det kan derfor se ting, vi mennesker ikke kan.

Udover kameraet, der har fået kælenavnet H.C. for ’hyperspectral camera’, og fordi det er udviklet i H.C. Andersens fødeby, Odense, har man også benyttet sig af et af verdens måske mindste industrielle transportbånd. Transportbåndet er konstrueret fuldstændig, som det ville være lavet på en virksomhed, om end i meget lille skala.

– Vi har valgt, at der kun må bruges industrielle komponenter til forsøgsopstillingen. Det, vi kommer frem til, skal ud og virke, for ellers kan vi ikke bruge det til noget. Men transportbåndet er ikke så stort. Det er faktisk blevet kaldt et nuttet transportbånd, griner Mogens Hinge og fortæller, at transportbåndet blot måler 30 centimeter i bredden og 75 centimeter i længden.

Selvom metoderne har været forskellige, er målet for de to dele af projektet det samme. Sikre en automatisk og præcis sortering af affaldet, så genanvendelse er muligt.

Teknologisk Institut har sammen med Dansk Retursystem testet, hvordan kamerateknologi og kunstig intelligens kan sikre en bedre sortering. På videoen kan du se, hvordan det fungerer.

Stort potentiale

Både på Teknologisk Institut og Aarhus Universitet er forskerne optimistiske og ser perspektiver i at benytte kamerateknologi til at automatisere og ikke mindst forbedre affaldssorteringen. De to metoder kan noget forskelligt og kan på forskellig vis være med til at sikre grundlaget for mere genanvendelse.

– Det her har stort potentiale, og det er på vej. Affaldssektoren har i dag svært ved at generere homogene fraktioner, og det er nødvendigt, hvis vi skal genanvende mere. Det er ikke sikkert, at de teknikker, vi har arbejdet med, skal håndtere store mængder affald, som de eksisterende sorteringsanlæg gør. Men i deres grovsortering sker fejl, og det kan vi hjælpe med at løse, siger Thomas Høiberg Giselsson, som ser et potentiale i at anvende avancerede billedbehandlingsmetoder til at løse fremtidens affaldssortering.

For trods fokus på genanvendelse af affald har vi ikke løst udfordringen med især plastaffald. Et studie fra 2015 fra University of Georgia viste blandt andet, at otte millioner tons plastaffald lander i verdenshavene årligt, hvor det rammer dyrelivet og økosystemerne.

Mogens Hinge fra Aarhus Universitet understreger også behovet at kigge på nye løsninger – og ikke mindst gøre noget ved det.

– Hvis vi ikke gør noget, så sker der ingenting, og det er en del af løsningen, at man benytter kamerateknologi og kunstig intelligens til at kende forskel på plast og metal. Der er værdi i affaldet, og vi er nødt til at kigge på, hvordan vi får høstet den værdi. I dag ligger værdien i brændværdien, men materialet i affaldet har en langt højere værdi i sig selv, og det er derfor, det er vigtigt at sortere, genanvende og bevare denne værdi, fortæller Mogens Hinge.

[/wcm_restrict]

Vi producerer meget affald i Danmark – rigtig meget. Plast, metal, madvarer og en masse andet affald ryger dagligt i skraldespandene i de danske husholdninger.


Log ind for at se artiklen eller tilmeld dig og få techst gratis i 30 dage

Log ind for at se artiklen eller tilmeld dig og få techst gratis i 30 dage

Denne uge:

Intelligente kameraer kan forbedre affaldssortering

For at kunne genanvende mere af vores affald, ikke mindst plastik og metal, er der behov for en bedre affaldssortering, end vi har i dag. Avanceret kamerateknologi, store datasæt og kunstig intelligens kan være en del af løsningen.

Vi producerer meget affald i Danmark – rigtig meget. Plast, metal, madvarer og en masse andet affald ryger dagligt i skraldespandene i de danske husholdninger.

Men selvom vi sorterer vores affald derhjemme, og vi lige om lidt skal i gang med endnu mere affaldssortering, og selvom virksomhederne også sorterer deres affald, så genanvender vi fortsat en alt for lille del af vores affald. I stedet bliver affaldet brændt af landets forbrændingsanlæg, hvor det bliver til varme.

Umiddelbart kan det lyde godt, at affald kan blive til varme, men skal vi lykkes med den grønne omstilling, sikre klima- og miljøgevinster og ikke mindst passe på de knappe ressourcer vi har, skal langt mere af vores affald genanvendes.

Klimaminister Dan Jørgensen satte sidste år ord på affaldsudfordringen, da regeringen og et flertal i Folketinget indgik aftale om en klimaneutral affaldssektor i 2030. Den indebærer blandt andet mere genanvendelse af affald og langt mindre forbrænding.

Aftalen skal være med til at sikre, at vi udleder færre drivhusgasser, hvor Danmark har en klimamålsætning om en 70 procents reduktion frem mod 2030.

– Vi sætter nu gang i en meget tiltrængt grøn omstilling af affaldssektoren. I 15 år har man forsøgt at løse forbrændingsproblemet, men uden held. Nu skal det være slut med at importere plastikaffald fra udlandet for at fylde tomme ovne op og futte det af på klimaets bekostning. Med aftalen øger vi genanvendelsen og mindsker forbrændingen. Det vil gøre en markant forskel for klimaet, sagde klimaministeren i forbindelse med aftalen.

En af udfordringerne for genanvendelse ligger i sorteringen af vores affald – ikke mindst vores indsamlede plast, metal og glas. Vi sorterer ikke godt nok, og derfor kan affaldet kun genanvendes i mindre grad.

Potentialet er ellers til stede. I Danmark producerer vi ifølge en McKinsey-rapport fra 2019 årligt omkring 350.000 tons plastikaffald, men mere end halvdelen – omkring 57 procent – lander i forbrændingsanlæggene. Især er vi dårlige til at genanvende husholdningsplast, hvor kun omkring 15 procent bliver genanvendt.

Avanceret kamerateknologi og kunstig intelligens

En del af løsningen har forskere på Aarhus Universitet og Teknologisk Institut måske fundet. De har med to forskellige metoder undersøgt, hvordan kunstig intelligens, deep learning og avanceret kamerateknologi kan være med til at sikre bedre affaldssortering.

Thomas Høiberg Giselsson fra Teknologisk Institut tjekker, at alt kører, som det skal, under pilotprojektet på Dansk Retursystem. Foto: Teknologisk Institut

– En udfordring med mange automatiske sorteringsanlæg er, at der kan ske sorteringsfejl, hvor plastik kommer i metalaffaldet eller omvendt. Affaldet er vanskeligere at afsætte og oparbejde, hvis der er urenheder i det, fordi materialer er blandet sammen, forklarer Thomas Høiberg Giselsson, seniorspecialist ved Center for robotteknologi på Teknologisk Institut.

I dag foregår der på mange anlæg en mekanisk grovsortering efterfulgt af en manuel eftersortering, hvor man blandt andet fjerner jern fra plastikken.

Men det er ikke nok, understreger Mogens Hinge, lektor på Aarhus Universitet, som har arbejdet på Industry 4.0-projektet sammen Martin Lahn Henriksen og Celine Ballegaard Karlsen.

– Det er relativt nemt at fjerne jern, for det er magnetisk. Det er aluminium ikke, og det bliver derfor som udgangspunkt ikke fjernet i grovsorteringen, siger Mogens Hinge.

Konsekvensen er, at man står tilbage med affald, der indeholder både metal og plastik, og det kan ikke genanvendes.

Deep learning og masser af billeder

Det var den udfordring, som forskerne skulle løse. Hvordan skiller vi plast og aluminium? To forskellige metoder blev valgt.

Det er plast. Det er metal. Det er plast. Det er metal. Det kræver meget arbejde at lære et digitalkamera at kende forskel på plast og metal. Men intelligent kamerateknologi kan være med til at sikre bedre affaldssortering. Foto: Teknologisk Institut

På Teknologisk Institut benyttede man et digitalt kamera, der med hjælp fra avanceret machine learning (neurale netværk, også kaldet Deep Learning) skulle lære at genkende plastikflasker blandt aluminiumsaffald. Kameraet og maskinen bag blev fodret med massevis af billeder, blev rettet til ved forkerte gæt og fik så endnu flere billeder at kigge på.

– Målet har været at finde ud af, om vi kunne få systemet til at se plastemner i en blanding af plast- og metalaffald, fortæller Thomas Høiberg Giselsson, der har stået for samarbejdet mellem Teknologisk Institut og Dansk Retursystem og fortsætter:

– Vi skabte et stort datasæt, hvor en person var inde og pege på, hvad der var plast på billederne. Med dette datasæt kunne vi derefter træne en model til at kende forskel på metal- og plastemner på et transportbånd.

I starten af træningsprocessen gætter systemet fuldstændig tilfældigt på, hvad der er plastik i billederne. Ved at fortælle modellen hvor den laver fejl, bliver den med meget små ændringer bedre og bedre til at gætte rigtigt.

Igennem træningsprocessen overvåges det hele tiden, hvor god modellen er til at gætte. Når den så har lært at genkende plastikken til et tilfredsstillende niveau, stopper man træningen. Efter træningen har kameraet været installeret som et pilotforsøg hos Dansk Retursystem, der netop er interesseret i at kende renheden af de affaldsfraktioner, som de producerer.

– Der er grader for, hvor meget ”forurening”, altså andre materialer, der må være i affaldet, for at det kan blive solgt til oparbejdelse eller genanvendelse, og derfor er det vigtigt i forhold til den grønne omstilling, fortæller Thomas Høiberg Giselsson.

92 sensorer

På Aarhus Universitet var et hyperspektralt kamera den løsning, der blev – og stadig bliver – testet. Også her blev kameraet fodret med en masse data om materialerne, og så bruger det sine mange målinger til at aflæse, om materialet har en karakter som metal eller som plastik.

Anlægget med det hyperspektrale kamera, H.C., der er noget mere skarpt seende end menneskers øjne. Hvor vi kan bruge tre farvesensorer (rød, grøn og blå) til at registrere detaljer i vores omgivelser, har H.C. hele 92 sensorer. Foto: Martin Lahn Henriksen, Aarhus Universitet

Mens det digitale kamera kigger på affaldet og definerer affaldet ud fra, hvad det har ’lært’ om farver og former, ser det hyperspektrale kamera det spektrum, der kommer fra lysrefleksionen på tværs af transportbåndet. Ud fra det kan det afgøre, om det er metal eller plast, der kører forbi på transportbåndet.

Og det er et skarpt seende kamera, der arbejder på at genkende affaldet i Aarhus. Hvor det menneskelige øje har tre farvesensorer (rød, grøn og blå), som vi kan bruge til at registrere omgivelser og detaljer med, har det hyperspektrale kamera, som Aarhus Universitet har benyttet i projektet, hele 92 sensorer. Det kan derfor se ting, vi mennesker ikke kan.

Udover kameraet, der har fået kælenavnet H.C. for ’hyperspectral camera’, og fordi det er udviklet i H.C. Andersens fødeby, Odense, har man også benyttet sig af et af verdens måske mindste industrielle transportbånd. Transportbåndet er konstrueret fuldstændig, som det ville være lavet på en virksomhed, om end i meget lille skala.

– Vi har valgt, at der kun må bruges industrielle komponenter til forsøgsopstillingen. Det, vi kommer frem til, skal ud og virke, for ellers kan vi ikke bruge det til noget. Men transportbåndet er ikke så stort. Det er faktisk blevet kaldt et nuttet transportbånd, griner Mogens Hinge og fortæller, at transportbåndet blot måler 30 centimeter i bredden og 75 centimeter i længden.

Selvom metoderne har været forskellige, er målet for de to dele af projektet det samme. Sikre en automatisk og præcis sortering af affaldet, så genanvendelse er muligt.

Teknologisk Institut har sammen med Dansk Retursystem testet, hvordan kamerateknologi og kunstig intelligens kan sikre en bedre sortering. På videoen kan du se, hvordan det fungerer.

Stort potentiale

Både på Teknologisk Institut og Aarhus Universitet er forskerne optimistiske og ser perspektiver i at benytte kamerateknologi til at automatisere og ikke mindst forbedre affaldssorteringen. De to metoder kan noget forskelligt og kan på forskellig vis være med til at sikre grundlaget for mere genanvendelse.

– Det her har stort potentiale, og det er på vej. Affaldssektoren har i dag svært ved at generere homogene fraktioner, og det er nødvendigt, hvis vi skal genanvende mere. Det er ikke sikkert, at de teknikker, vi har arbejdet med, skal håndtere store mængder affald, som de eksisterende sorteringsanlæg gør. Men i deres grovsortering sker fejl, og det kan vi hjælpe med at løse, siger Thomas Høiberg Giselsson, som ser et potentiale i at anvende avancerede billedbehandlingsmetoder til at løse fremtidens affaldssortering.

For trods fokus på genanvendelse af affald har vi ikke løst udfordringen med især plastaffald. Et studie fra 2015 fra University of Georgia viste blandt andet, at otte millioner tons plastaffald lander i verdenshavene årligt, hvor det rammer dyrelivet og økosystemerne.

Mogens Hinge fra Aarhus Universitet understreger også behovet at kigge på nye løsninger – og ikke mindst gøre noget ved det.

– Hvis vi ikke gør noget, så sker der ingenting, og det er en del af løsningen, at man benytter kamerateknologi og kunstig intelligens til at kende forskel på plast og metal. Der er værdi i affaldet, og vi er nødt til at kigge på, hvordan vi får høstet den værdi. I dag ligger værdien i brændværdien, men materialet i affaldet har en langt højere værdi i sig selv, og det er derfor, det er vigtigt at sortere, genanvende og bevare denne værdi, fortæller Mogens Hinge.

[/wcm_restrict]

Vi producerer meget affald i Danmark – rigtig meget. Plast, metal, madvarer og en masse andet affald ryger dagligt i skraldespandene i de danske husholdninger.


Log ind for at se artiklen eller tilmeld dig og få techst gratis i 30 dage

Log ind for at se artiklen eller tilmeld dig og få techst gratis i 30 dage

Log ind

Opret kundekonto

Dine personlige data vil blive anvendt til at understøtte din brugeroplevelse,, til at administrere adgang til din konto, og til andre formål, som er beskrevet i vores persondatapolitik.

Ja tak, jeg vil gerne have et gratis prøveabonnement og adgang til alle artikler

Enkelt abonnement



Gruppeabonnement



Gavekort