Sie können Operatoren mit Ihrer Suchanfrage kombinieren, um diese noch präziser einzugrenzen. Klicken Sie auf den Suchoperator, um eine Erklärung seiner Funktionsweise anzuzeigen.
Findet Dokumente, in denen beide Begriffe in beliebiger Reihenfolge innerhalb von maximal n Worten zueinander stehen. Empfehlung: Wählen Sie zwischen 15 und 30 als maximale Wortanzahl (z.B. NEAR(hybrid, antrieb, 20)).
Findet Dokumente, in denen der Begriff in Wortvarianten vorkommt, wobei diese VOR, HINTER oder VOR und HINTER dem Suchbegriff anschließen können (z.B., leichtbau*, *leichtbau, *leichtbau*).
Der Fachbeitrag beleuchtet die Herausforderungen und Lösungsansätze für eine effizientere und umweltfreundlichere Nutzung von Schrott in der Stahlproduktion. Im Mittelpunkt steht das EU-Projekt PURESCRAP, das verschiedene Sensortechnologien wie Röntgenfluoreszenzspektroskopie (XRF), laserinduzierte Plasmaspektroskopie (LIBS), RGB-D-Kameras und LiDAR kombiniert, um die Schrottqualität zu verbessern. Die Sensoren stehen über ein umfassendes Informations- und Kommunikationstechnologie-Netzwerk (IKT) miteinander in Verbindung und nutzen Deep-Learning-Modelle zur Analyse. Ein weiterer Schwerpunkt liegt auf der Volumenabschätzung von Schrottmaterialien, wobei verschiedene Methoden wie Alpha-Formen, Schneidemethoden und Voxelbasierte Techniken zum Einsatz kommen. Die Ergebnisse zeigen, dass die Kombination dieser Technologien die Schrottanalyse und -erkennung erheblich verbessern kann, was zu einer Reduzierung der CO2-Emissionen in der Stahlproduktion führt. Der Beitrag betont die Bedeutung der kontinuierlichen Weiterbildung und Zusammenarbeit zwischen Unternehmen, Wissenschaft und Politik, um die Technologie erfolgreich einzuführen und die Dekarbonisierung der Stahlindustrie voranzutreiben.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Zusammenfassung
Stahl ist ein langlebiges Material und in allen Phasen des Produktlebenszyklus zu 100 % recycelbar. Bei sachgemäßer Aufbereitung bewahrt Stahlschrott weitgehend seine Eigenschaften. Angesichts des Wandels der Branche hin zu einer kohlenstoffarmen Stahlproduktion gewinnt die Anwendung technologischer Innovationen, auch im Hinblick auf die Verwertung von Schrott und hier auch Altschrotten, zunehmend an Bedeutung. Eine genaue chemische Analyse der Schrottzusammensetzung ermöglicht es, Fremd- oder Legierungselemente als Ressourcen zu nutzen, anstatt sie als Verunreinigungen zu betrachten. Diese Studie präsentiert ein Konzept der Integration einer optisch-spektroskopischen Sensorkette zur Schrottcharakterisierung in einen bestehenden Schrottaufbereitungsprozess. Röntgenfluoreszenzspektroskopie (XRF) und laserinduzierte Plasmaspektroskopie (eng. laser-induced breakdown spectroscopy – LIBS) dienen der chemischen Analyse und bilden zusammen mit optischen Sensoren, RGB-D-Kameras sowie Lichtdetektion und -entfernungsmessung (eng. light detection and ranging – LiDAR) die Grundlage für die gleichzeitige Bestimmung von Materialvolumen und -masse sowie die Bewertung des Vorhandenseins bestimmter Begleitelemente. Ein Konzept zur Übertragung, Synchronisierung und Zusammenführung großer Datenmengen wird vorgestellt, um ein maschinelles Lernmodell zur Unterstützung der Schrottcharakterisierung zu entwickeln. Erste Ergebnisse zeigen das Potenzial von KI für die Digitalisierung in der nachhaltigen Stahlherstellung. Zur erfolgreichen Implementierung dieser Technologien in Unternehmen und zur Sicherstellung der Akzeptanz bei den Mitarbeiter:innen müssen sich deren Kompetenzen weiterentwickeln. Die Belegschaft muss entsprechend vorbereitet und bereit sein, neue Herausforderungen und Lernmöglichkeiten anzunehmen. Aus soziotechnischer Sicht kann die Einführung solcher Technologien nur durch die gemeinsame Optimierung von Menschen, Technologie und Organisation optimal erfolgen.
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
1 Einleitung
Eine der größten Herausforderungen für die Menschheit ist der anthropogen herbeigeführte Klimawandel, der ein erhebliches Risiko für die menschliche Gesellschaft und den globalen Zusammenhalt darstellt. Das Ziel der Europäischen Union (EU) lautet, die Netto-Treibhausgasemissionen gemäß dem Green Deal und dem Clean Industrial Deal als Nachfolgestrategie des Green Deal bis 2050 auf 0 zu reduzieren und damit der erste klimaneutrale Kontinent zu werden (Council of the EU 2025). Im Jahr 2024 belief sich die weltweite Rohstahlproduktion auf 1,84 Mrd. t, davon entfielen 129,6 Mio. t auf die EU-27 (European Steel Association AISBL 2025). Die Produktion einer Tonne Rohstahl führte im Jahr 2023 durchschnittlich zu CO2-Emissionen in der Höhe von 1,92 t. Die Stahlindustrie verursacht somit etwa 7 % bis 9 % der globalen anthropogenen CO2-Emissionen. Der überwiegende Anteil der Emissionen resultiert aus den chemischen Reduktionsreaktionen im Herstellungsprozess (World Steel Association 2024, 2022). Demzufolge leistet eine emissionsarme Stahlproduktion einen direkten Beitrag zur Dekarbonisierung weit über den Industriesektor hinaus und stellt somit einen wesentlichen Faktor für eine nachhaltige Entwicklung dar (Müller et al. 2021).
Stahl gilt als langlebiges Material und lässt sich in allen Phasen des Produktlebenszyklus zu 100 % recyceln. Bei ordnungsgemäßer Verarbeitung bleiben die Eigenschaften des Materials vollständig erhalten. In jüngster Zeit ersetzt der Begriff „recyclingfähiger Stahl“ zunehmend den Begriff „Stahlschrott“, um die Bedeutung dieses Rohstoffs zu unterstreichen (Bureau of International Recycling 2023). Im Jahr 2023 betrug der Anteil von Stahlschrott and der Rohstahlproduktion in der EU-27 59,2 %. Dies verdeutlicht die Rolle des Recyclingmaterials für eine umweltfreundliche „grüne“ Stahlproduktion (European Steel Association AISBL 2020; Broadbent 2016; Bureau of International Recycling 2024). Die magnetischen Eigenschaften des Werkstoffs Stahl erleichtern dessen Trennung aus Abfallströmen und ermöglichen hohe Rückgewinnungsraten und die Vermeidung der Deponierung (World Steel Association 2023a). 630 Mio. Tonnen recycelter Stahl könnten in der weltweiten Stahlproduktion zum Einsatz kommen. Dadurch ließen sich fast 950 Mio. Tonnen CO2-Emissionen vermeiden, Energie sparen und natürliche Ressourcen schonen (Bureau of International Recycling 2023).
Anzeige
Die Verwendung von Stahlschrott zur Herstellung neuer Produkte führt zu Energie- und Rohstoffeinsparungen. Eine Tonne Schrott ersetzt 1400 kg Eisenerz, 740 kg Kohle und 120 kg Kalkstein (World Steel Association 2023a). Die Stahlindustrie recycelte seit 1900 weltweit über 25 Mrd. t Stahl. Dadurch reduzierte sich der Verbrauch an Eisenerz um rund 33 Mrd. t und der Verbrauch an Kohle um 16 Mrd. t (World Steel Association 2023b).
2 Motivation
In der EU stammen 60 % des anfallenden Stahlschrotts aus Altmetall, das einen höheren Gehalt an Fremdstoffen aufweist. Begleitende Elemente wie Cu, Ni, Mo, Cr oder Sn können die Eigenschaften von Stahlprodukten beeinträchtigen und die Verwendung von Schrott in der Stahlproduktion einschränken. In den letzten Jahren führte dies zu einem Überschuss an Stahlschrott mit geringerem Reinheitsgrad, der aus dem EU-Markt exportiert wurde. Im Gegensatz dazu importierten Länder der EU Schrott mit höherer Qualität (Dworak et al. 2022). Die Unsicherheit hinsichtlich des Gehalts an Fremdstoffen im Schrott begrenzt dessen Verwendung in der Stahlherstellung. Bei bekannter Zusammensetzung des Schrotts lassen sich diese Fremd- oder Legierungsstoffe jedoch als Ressource nutzen, wodurch sich die Gesamtmenge an Schrott pro Schmelze maximieren lässt.
Das von der Europäischen Kommission geförderte Projekt PURESCRAP versucht, eine optisch-spektroskopische Sensorkette zur Schrottcharakterisierung in einen bestehenden Schrottvorbereitungsprozess zu integrieren. Das Konsortium umfasst Unternehmens- und Wissenschaftspartner aus Belgien, Deutschland, Italien, Niederlande, Österreich und Schweden. Der Schwerpunkt liegt dabei sowohl auf Schredderschrott als auch auf Großschrott (Schwerschrott, englisch heavy scrap). Beim Schwerschrott erfolgt der Einsatz der Sensorstation nach dem Schneiden zur Kontrolle der Schrottqualität. Beim Schredderschrott erfolgt die sensorbasierte Schrotterkennung nach den Verarbeitungsschritten Sieben, Nichtmetallabscheidung (Zyklon), Magnetabscheidung (Eisenabscheidung) und Handsortierung. Das PURESCRAP-Sensorsystem überwacht die endgültige Ausgangsqualität. Röntgenfluoreszenzspektroskopie (eng. X‑ray fluorescence spectroscopy – XRF) und laserinduzierte Plasmaspektroskopie (eng. laser-induced breakdown spectroscopy – LIBS) dienen der chemischen Analyse und bilden in Verbindung mit optischen Sensoren, RGB-D-Kameras und Lichtdetektions- und -entfernungsmessung (eng. light detection and ranging – LiDAR) die Grundlage zur Ermittlung des Volumens und der Masse des Materials. Die Sensoren stehen über ein umfassendes Informations- und Kommunikationstechnologie-Netzwerk (IKT) miteinander in Verbindung. Die synchronisierten Daten werden zur Entwicklung eines endgültigen Deep-Learning-Modells verwendet. Stena Recycling Schweden installierte die kombinierten Systeme und testet sie derzeit.
Eine der größten Herausforderungen bei der Schrottverwertung besteht darin, die Zusammensetzung des Schrotts hinsichtlich eventuell unerwünschter Bestandteile (Ausschussmaterial) so genau wie möglich zu bestimmen. Die Volumenmessung ermöglicht hier die Abschätzung der Masse des Ausschussmaterials. Diese Information trägt zur Bestimmung seiner Relevanz für die Gesamtzusammensetzung des Schrotts bei.
Anzeige
Die Volumenabschätzung physischer Objekte anhand von 3D-Daten basiert auf einer Reihe klassischer und moderner Berechnungstechniken. Alpha-Formen bilden eine konkave Begrenzung um Punktwolkendaten und ergeben eine dichte und formbewusste Hülle, die sich gut für unregelmäßige Objekte eignet (Edelsbrunner und Mücke 1994). Schneidemethoden unterteilen das Objekt in parallele Querschnittsschichten und integrieren deren Flächen, um das Volumen zu berechnen. Dies bietet ein hohes Maß an Kontrolle und Interpretierbarkeit (Li et al. 2019). Voxelbasierte Techniken diskretisieren den Raum in einheitliche 3D-Zellen und ermöglichen so eine effiziente und auflösungsadaptive Volumenabschätzung durch Zählen der belegten Voxel (Ruchay und Fedorova 2021). Algorithmen zur Netzrekonstruktion, wie beispielsweise die Poisson-Oberflächenrekonstruktion, erstellen aus Punktdaten dichte Oberflächen und ermöglichen die direkte Berechnung des geometrischen Volumens (Kazhdan und Hoppe 2013). Bildbasierte Verfahren wie die Fotogrammetrie rekonstruieren aus überlappenden Bildern eine dichte 3D-Geometrie und lassen sich häufig einsetzen, wenn keine Tiefensensoren verfügbar sind (Brzeziński et al. 2022). Ebenso approximieren silhouettenbasierte visuelle Hüllen das Objektvolumen durch die Schnittmenge von 3D-Extrusionen von Silhouetten, die aus mehreren Blickwinkeln erfasst wurden (Matusik et al. 2000). Die RGB-D-Fusion integriert mehrere Tiefenbilder von strukturierten Licht- oder Flugzeitsensoren in ein einheitliches 3D-Modell und ermöglicht so das schnelle Scannen und die Volumenabschätzung von Alltagsgegenständen (Artaso und López-Nicolás 2016). Schließlich sagen Deep-Learning-basierte Ansätze das Volumen anhand von Bildern oder Teilgeometrien voraus, indem sie Formvoraussetzungen lernen. Dies ermöglicht eine Schätzung auch bei spärlichen oder einseitigen Eingaben (Steinbrener et al. 2023).
Herkömmliche Methoden zur 3D-Volumenschätzung gehen von kontrollierten Geometrien und statischen Messbedingungen aus. Im Gegensatz dazu erfordert das Schrottrecycling eine kontinuierliche Hochgeschwindigkeitsanalyse von ungleichmäßigen, reflektierenden Materialien. Im PURESCRAP Ansatz erfolgte die Entwicklung des Systems zur Quantifizierung des Schüttgutvolumens (eng. bulk volumetric quantification – BVQ), um das Volumen zu schätzen. Das BVQ-Framework adressiert diese betrieblichen Herausforderungen direkt, indem es eine volumetrische Echtzeit-Quantifizierung von Schüttgut auf einem beweglichen Förderband ermöglicht und damit die Lücke zwischen Labormethoden und der Umsetzung im industriellen Maßstab schließt.
Unter den praktischen Implementierungen entspricht VOLUMNECT am ehesten BVQ, wie Ferreira et al. (2014) vorschlagen. Es schätzt das Volumen von Boxen mithilfe einer Tiefenkamera, die über einem Förderband angebracht ist, und subtrahiert einen ebenen Hintergrund mithilfe von RANSAC-Anpassung (eng. random sample consensus – Übereinstimmung mit einer zufälligen Stichprobe). Zu einem weiteren relevanten Ansatz zählt DIVESPOT (Ling et al. 2024), der das Volumen unregelmäßig gestapelter Materialien durch gitterbasierte Interpolation und Voxelkompression schätzt. Ding et al. (2023) befassten sich mit der schnellen Volumenschätzung für Schüttguthaufen unter Verwendung von Höhenkartenvereinfachungen und strukturiertem Gitterschnitt. Diese Systeme haben wichtige Techniken mit BVQ gemeinsam, darunter Hintergrundsubtraktion, planare Referenzanpassung und 2D-gitterbasierte Integration. Während sich die meisten auf statische Objekte oder Szenen konzentrieren, ermöglicht die dynamische Rahmensegmentierung von BVQ, die an die Echtzeit-Fördergeschwindigkeit gekoppelt ist, eine effiziente und kontinuierliche Volumenmessung von fließendem Material.
3 Methodik
Die gängigsten Techniken zum Sortieren von Schredderabfällen umfassen derzeit die magnetische Trennung zur Separation von Eisenmetallen und Nichteisenmetallen, die Röntgenfluoreszenzspektroskopie oder die laserinduzierte Plasmaspektroskopie zur Bestimmung der elementaren Zusammensetzung des Stahlschrotts. Diese Klassifizierungsverfahren eignen sich jedoch nur für einzelne Kategorien oder große Zielklassen. Die Klassifizierung von Mehrfachkategorien sowie überlappenden, unregelmäßigen und kleinen Zielen, wie sie bei Stahlschrott typisch auftreten, gestaltet sich hingegen schwierig (Xu et al. 2023).
In den letzten Jahren fanden mehrere Studien zur automatischen Schrotterkennung unter Einsatz von maschinellem Sehen statt. Forscher unternahmen umfangreiche Anstrengungen, um schnellere und genauere Algorithmen zur Objekterkennung zu entwickeln. Im Jahr 2020 konzentrierte sich die Studie von Gao Z. et al. (2020) auf die Verbesserung des optischen Erkennungssystems zur Sortierung von Kupferverunreinigungen aus geschreddertem Stahlschrott. Im Jahr 2021 untersuchten Smirnov & Trifonov (2021) die automatische Inhaltsklassifizierung von in die Recyclinganlage gelangenden Eisenbahnwaggons unter Verwendung von CNN (Convolutional Neural Network). Qin Y. et al. (2021) schlagen ein zusätzliches Klassifizierungsmodell vor, dass den Faster-RCNN (Region-based Convolutional Network)-Algorithmus nutzt. Die Arbeit von Kirmse et al. (2023) verwendete YoloV5 (You only look once) für die Schrottklassifizierung auf einem Schrottplatz und wandte Datenvergrößerung an, um den Datensatz für verschiedene Schrottarten auszugleichen. Andere aktuelle Arbeiten konzentrieren sich auf 3D-faltungsneuronale Netze zur Verarbeitung räumlicher und spektraler Informationen und zur Schätzung der Dicke von Stahlschrott. De la Peña et al. (2023) entwickelten eine hybride 3D-2D-CNN-Architektur, um spektrale und räumliche Merkmale zu extrahieren.
Verschiedene Studien befassen sich mit der Integration von LIBS in Machine Learning (ML)-Techniken, um die Genauigkeit und Effizienz der Materialklassifizierung in Recycling- und Metallurgieanwendungen zu verbessern. LIBS ermöglicht eine schnelle In-situ-Elementanalyse durch die Erkennung charakteristischer Emissionslinien aus dem auf der Materialoberfläche erzeugten Plasma. Beispielsweise untersuchten Lin et al. (2021) den Einsatz von LIBS in Verbindung mit maschinellem Lernen zur Unterscheidung zwischen fehlerfreien und fehlerhaften Metallproben.
Zusammen spiegeln diese Studien einen wachsenden Trend wider, fortschrittliche Sensortechnologien in Verbindung mit maschinellem Lernen zu nutzen. Dies soll den steigenden Anforderungen der automatisierten Schrottsortierung und Materialcharakterisierung gerecht werden. Insbesondere die Integration von LIBS und ML erwies sich sowohl für statische als auch für dynamische Klassifizierungsszenarien als effektiv und ebnete den Weg für Echtzeitlösungen mit hohem Durchsatz in industriellen Recyclingumgebungen. Trotz der jüngsten Fortschritte bedarf es weiterer Forschung, um die Genauigkeit der Erkennungsmodelle zu verbessern und gleichzeitig die Inferenzzeit zu verkürzen.
3.1 Hardwareaufbau
Der Hardwareaufbau umfasst die detaillierte Beschreibung der Kombination unterschiedlicher Sensoren, die im PURESCRAP-Projekt die Schrottanalyse erfüllt. Anschließend folgt die Beschreibung des 3D-Erfassungssystems und des Beleuchtungssetups, das die korrekte Aufnahme von Punktwolken und Bilddaten sowie die Sicherstellung optimaler Lichtverhältnisse gewährleistet.
3.1.1 Integration der Sensorkette
Um die Herausforderungen der Schrottanalyse und -erkennung zu bewältigen, liegt der Schwerpunkt von PURESCRAP auf der Kombination verschiedener Sensoren zu einer integrierten Sensorstation (2D-Kamera, LiDAR, LIBS und XRF), um die Robustheit und Zuverlässigkeit der Schrottanalyse sicherzustellen. Zur Kalibrierung und Validierung der Sensoren und Modelle kam es im Rahmen des Projekts zur Installation einer Testlinie für geschredderten Schrott in einer Schrottaufbereitungsanlage.
Der erste Schritt der Arbeit im Bereich der Bildverarbeitung bestand in der Entwicklung und Bewertung eines auf Deep Learning basierenden Modells. Der Schwerpunkt der Arbeit liegt insbesondere auf der automatischen Erkennung und Identifizierung von kupferhaltigen Materialien in Stahlschrott. Das Modell soll die Klassifizierung von Schrott in Echtzeit unterstützen und so zu einer verbesserten Prozessautomatisierung, einer besseren Materialqualitätskontrolle und einer geringeren Abhängigkeit von manuellen Inspektionen beitragen. Die Erstellung verschiedener Bilddatensätze erfolgte aus Aufnahmen, die während der Feldversuche in einer industriellen Recyclinganlage in Schweden entstanden. Jedes Bild erhielt eine manuelle Kennzeichnung, um das Vorkommen von kupferhaltigen Objekten zu identifizieren und so eine Grundlage für das überwachte Lernen und die Modellbewertung zu schaffen.
Zwei dem neuesten Stand der Technik entsprechende Architekturen zur Objekterkennung wurden implementiert und bewertet. Die erste basiert auf dem Faster R‑CNN mit ResNeXt-101-Backbone, das sich durch hohe Erkennungsgenauigkeit und Robustheit in komplexen visuellen Umgebungen auszeichnet. Das zweite Modell baut auf der kürzlich vorgeschlagenen YOLO-Architektur auf, die Echtzeit-Erkennungsfunktionen mit verbesserter Recheneffizienz priorisiert. Das Training, die Validierung und die Testung beider Modelle fand anhand des annotierten Datensatzes statt, um ihre Leistung in Bezug auf Erkennungsgenauigkeit, Geschwindigkeit und Generalisierbarkeit zu vergleichen.
Der Einsatz des Systems zur Quantifizierung des Schüttgutvolumens (BVQ) stellt den zweiten Schritt in dieser Kette dar. Das primäre Ziel besteht darin, das genaue Volumen des Schrottmaterials zu schätzen, das während eines zeitbasierten Intervalls einen definierten Beobachtungsbereich durchläuft.
3.1.2 3D-Erfassung und Beleuchtungssetup
Das BVQ-System (Abb. 1) basiert auf einer Anordnung mit zwei Sensoren, um die erforderlichen 3D- und kontextbezogenen Daten des Schrotts auf dem Förderband zu erfassen.
Abb. 1
Sensorkonfiguration (Ouster OS1–32 LiDAR und Framos Depth Camera D455e Kamera), das verarbeitende PC-System, Beleuchtung (Quelle: PURESCRAP-Konsortium)
Die Sensorkonfiguration beinhaltet zwei Sensoren, insbesondere den Ouster OS1–32 LiDAR-Sensor, der hochauflösende (X, Y, Z) Punktwolkendaten liefert und wichtige Informationen zum Entfernungsbereich und zum Oberflächenreflexionsvermögen bereitstellt, sowie die Framos Depth Camera D455e, die dichte Punktwolkendaten (Tiefenkarte) und RGB-Bilder generiert. Um den Beobachtungsbereich für die korrekte Funktion der Kamera auszuleuchten, befinden sich zwei Brennenstuhl 1171580001 LED-Arbeitsleuchten im Inneren des Sensorgehäuses. Dieses System läuft auf einem 64-Bit-Ubuntu-PC, der die erforderliche Rechenleistung für die schnelle Verarbeitung der Punktwolken gewährt.
3.2 Datenaufnahme und -verarbeitung
Die folgenden Abschnitte beschreiben die Methoden zur Datenaufnahme und -verarbeitung mit der 2D-Kamera und dem LiDAR-Sensor. Bei der 2D-Kamera liegt der Fokus auf der Kupfererkennung. Beim LiDAR-Sensor erfolgt die detaillierte Erklärung der Methodik der volumetrischen Verarbeitung, der Erfassung der Förderbandparameter sowie Methodik zur Volumenberechnung und Genauigkeitsanalyse.
Abb. 2 veranschaulicht die entwickelte Verarbeitungskette zum Modellieren und Evaluieren eines Deep-Learning-basierten Systems für maschinelles Sehen zur Detektion von Kupferobjekten. Die Pipeline folgt einem überwachten Lernansatz und umfasst mehrere sequenziell angeordnete Stufen.
Abb. 2
Durchgängige Pipeline für Modellierung und Evaluierung eines Deep-Learning-basierten Modells zur Kupfererkennung (Quelle: PURESCRAP-Konsortium)
Der Prozess beginnt mit der Datenerfassung, bei der Bilder aus Tests stammen, die in einer Schrottrecyclinganlage stattfanden. Diese Bilder erfassen in der Regel relevante Objekte unter verschiedenen Bedingungen wie unterschiedlicher Beleuchtung und Blickwinkeln sowie Verdeckungen, um die Variabilität im Betrieb widerzuspiegeln. Nach der Erfassung der Rohbilder durchlaufen diese einen manuellen Annotationsprozess. Die Kupferobjekte innerhalb eines Bildes erhalten Begrenzungsrahmen, die als räumliche Annotationen dienen und die Ausdehnung jedes Objekts abgrenzen. Anschließend eignet sich der Datensatz für überwachte Objekterkennungsaufgaben und es erfolgt die Aufteilung in drei Teilmengen: Trainings‑, Validierungs- und Testdatensätze. Der Trainingsdatensatz dient zur Feinabstimmung der internen Parameter des Modells, während der Validierungsdatensatz zur Überwachung der Leistung während des Trainings, zur Optimierung der Hyperparameter und zur Vermeidung von Überanpassung durch Techniken wie frühzeitiges Beenden zum Einsatz kommt. Der Testdatensatz bleibt vollständig für die abschließende Modellbewertung reserviert.
Während des Trainings lernen die Objekterkennungsmodelle die räumlichen und visuellen Merkmale der Objekte innerhalb der Bilder. Dazu gehört das Erlernen geometrischer Eigenschaften (z. B. Form, Größe, Ausrichtung) sowie farbliche Merkmale.
3.2.1 LiDAR: Methodik der volumetrischen Verarbeitung
Das BVQ-System führt für jedes Bild eine robuste fünfstufige Verarbeitungsmethodik durch, um das Materialvolumen zu berechnen. Dabei passt sich das Bildintervall dynamisch an, um die Korrelation mit der Echtzeitgeschwindigkeit des Förderbands aufrechtzuerhalten. Seine Architektur zeigt Abb. 3 mit einer Beschreibung der einzelnen Submodule darunter.
Abb. 3
Blockdiagramm des Systems zur Quantifizierung des Schüttgutvolumens (Quelle: PURESCRAP Konsortium)
Das System legt zunächst die für den Dauerbetrieb erforderlichen grundlegenden Parameter fest:
1.
Echtzeit-Geschwindigkeitseingabe: Die speicherprogrammierbare Steuerung (SPS) erfasst direkt die aktuelle Förderbandgeschwindigkeit (vBand). Dies bildet die Grundlage für alle nachfolgenden zeitlichen Berechnungen.
2.
Berechnung der Einzelbildzeit: Die Verarbeitungszeit des Einzelbilds (TBild) berechnet sich dynamisch aus der erfassten Förderbandgeschwindigkeit und der festgelegten Länge des Beobachtungsbereichs (LBereich). Dies gewährleistet, dass jede Volumenmessung (VBild) einem festen räumlichen Segment des Bandes entspricht.
Gleichung für die Oberfläche des leeren Förderbands: Eine Referenzgleichung (ZBand) repräsentiert das ebene, leere Förderband. Diese Ebene lässt sich mithilfe eines Verfahrens der kleinsten Quadrate anhand der Punktwolkendaten des leeren Förderbands bestimmen.Dieser Ansatz erfüllt zwei wichtige Zwecke. Er gleicht die Tatsache aus, dass die Ebene des Förderbands nicht perfekt orthogonal zu den Sensorachsen liegt, und hilft dabei, den Einfluss des Musters im Förderbandmaterial auf die Höhenmessungen zu verringern.Diese Basislinie spielt eine entscheidende Rolle für die genaue Bestimmung der Materialhöhe (Hmat), indem die Höhe des Bands von der gemessenen Gesamthöhe abgezogen wird.
$$Z_{Band}\left(x,y\right)=a\cdot x+b\cdot y+c,$$
wobei ZBand die Höhe des Förderbands an den Gitterkoordinaten (x,y) bezeichnet und \(a,b,c\) durch eine anfängliche Kalibrierung bestimmte planare Koeffizienten darstellen.
4.
Sensordatenverarbeitung: Dieser Schritt definiert ein festes Beobachtungsfenster entlang des Förderbands, um die Berechnung auf einen konsistenten Bereich von Interesse zu beschränken. Im nächsten Schritt erfolgt die Transformation der Punktwolken aus dem LiDAR und der Tiefenkamera in einen einheitlichen Sensorrahmen. Dies stellt die geometrische Konsistenz aller eingehenden Daten sicher.
3.2.3 LiDAR: Methodik der Volumenberechnung und Genauigkeitsanalyse
Der zweite Teil der Methodik – zentrale volumetrische Verarbeitung (siehe Abb. 3) – folgt einem strukturierten mehrstufigen Prozess zur Berechnung des Materialvolumens aus 3D-Punktwolkendaten. Die folgenden Punkte beschreiben die wichtigsten Schritte:
1.
Zuschneiden und Filtern der Punktwolke: In dieser Phase erfolgt ein räumliches Zuschneiden der eingehenden 3D-Punktwolke innerhalb der für das Förderband vordefinierten Begrenzungsrahmen, um den Bereich des Förderbands zu isolieren. Alle Punkte außerhalb des interessierenden Bereichs oder unterhalb der definierten Grundebene fallen weg, um Rauschen und Rechenaufwand zu reduzieren.
2.
Gitterbasierte Interpolation: Die gefilterte Punktwolke wird auf ein einheitliches 2D-Gitter in (\(X-Yg)\) projiziert. Die X‑Werte für Gitterzellen ohne direkte Punktmessungen lassen sich mithilfe der Interpolation des nächsten Nachbarn schätzen, was eine kontinuierliche Oberflächenrekonstruktion ermöglicht.
3.
Berechnung von Höhe und Volumen: Die lokale Materialhöhe an jeder Gitterzelle berechnet sich aus der Differenz zwischen der Bandebene und der interpolierten Oberfläche:
Das Momentanvolumen für ein Einzelbild lässt sich durch Flächenintegration über das gesamte Gitter schätzen. Dabei kommt die Annahme zum Tragen, dass sich das Sensorrauschen bei Höhenmessungen über die große Fläche hinweg aufhebt.Die Gleichung für das Momentanvolumen für jeden Frame lautet:
Zeitliche Synchronisation und kumulatives Volumen: Die Synchronisation des Schätzintervalls (TBild) erfolgt mit der Förderbandgeschwindigkeit, sodass jedes Bild einem Segment des Förderbands mit fester Länge entspricht. Das kumulative Volumen lässt sich über mehrere Bilder hinweg iterativ aktualisieren und stellt die Gesamtmenge an Material dar, die im Laufe der Zeit durch die Beobachtungszone gelangt. Die Bekanntgabe aller berechneten Volumina geschieht in Echtzeit für nachgelagerte Analyse- und Visualisierungsmodule.
Abb. 4 zeigt die Bildaufnahme des Förderbands sowie die daraus generierte Punktwolke und Höhenkarte. Daraus lässt sich die Volumenabschätzung berechnen.
Dieses Kapitel präsentiert die ersten Resultate der im Projekt entwickelten Ansätze zur Schrottanalyse und -erkennung. Die Leistungsbewertung der Deep-Learning-Modelle für die Kupfererkennung mittels 2D-Kamera sowie die Genauigkeitsanalyse der LiDAR-basierten Volumenschätzung bilden zentrale Inhalte dieses Abschnitts. Ergänzend erfolgt die Darstellung der Datensynchronisation zur Erfassung kohärenter und räumlich ausgerichteter Daten für eine genaue Materialanalyse entlang des Förderbands. Die dargestellten Ergebnisse zeigen die Fortschritte in der Echtzeitklassifizierung, der Volumenberechnung und der Multisensorintegration. Diese Entwicklungen schaffen eine Grundlage für eine genauere Analyse der Schrottzusammensetzung, um so Fremd- oder Legierungsstoffe als Ressource zu nutzen.
4.1 Ergebnisse der 2D-Kamera-Objekterkennung
Jene Modelle. die auf den vier im Rahmen des Projekts erstellten Datensätzen basieren, lassen sich anhand der Testergebnisse vergleichen. Im Allgemeinen erzielt das YOLO-Modell für alle Datensätze die besten Ergebnisse in Bezug auf mAP50 (eng. mean average precision, mittlere durchschnittliche Präzision) und FPS (eng. Frames per second, Einzelbild pro Sekunde). Der beste Wert, erzielt für den letzten und größten Datensatz von mAP50, beträgt 92,44 bei einem FPS von 11,74. FPS gilt als wichtigste Leistungskennzahl für Echtzeitanwendungen. Mit dem erzielten Ergebnis kann die Arbeit an der Prozesslinie mit Onlineanalysen beginnen. Die verbesserte Erkennung zuvor übersehener Fälle trägt direkt zur beobachteten Steigerung des mAP50 bei. Dies deutet darauf hin, dass der erweiterte Datensatz nicht nur die Generalisierungsfähigkeit des Modells verbessert, sondern auch die Rate kritischer Erkennungsfehler wie falsch-negative Ergebnisse verringert. In Abb. 5 ist ein Beispiel für ein echtes positives Ergebnis (grüner Kasten) des Modells für Datensatz 4 dargestellt.
Abb. 5
Beispiele für echte positive Ergebnisse (Quelle: PURESCRAP Konsortium)
Zur konsistenten und aussagekräftigen Bewertung der Modellleistung über verschiedene Trainingssätze hinweg fand die Bewertung aller trainierten Modelle anhand des Testteils statt. Dessen Ableitung erfolgte aus den zuletzt gesammelten Bildern. Diese Entscheidung diente der Vergleichbarkeit der Ergebnisse unter einem gemeinsamen Bewertungsrahmen. Darüber hinaus spiegeln die neuesten Bildersätze die tatsächlichen Einsatzbedingungen genauer wider als frühere Bildersätze und eignen sich daher besser als Maßstab für die Bewertung der Erkennungsleistung in der Praxis.
Die mit Datensatz 1 und Datensatz 2 trainierten Modelle schneiden bei der Bewertung anhand des Testteils von Datensatz 4 schlecht ab, mit einem mAP50% von 13,96 bzw. 14,03. Dies war zu erwarten, da diese Modelle vor der Erfassung der neuesten Bilder entstanden und während des Trainings keine Konfrontation mit den jüngsten und komplexeren Szenarien stattfand. Folglich können sie die dargestellten schwierigen Bedingungen nicht verallgemeinern. Die mit Datensatz 3 und Datensatz 4 trainierten Modelle erreichten hingegen einen mAP50% von 89,12 bzw. 91,83. Der Datensatz 4 stellt eine Obermenge des Datensatzes 3 dar und enthält zusätzliche, vielfältige Beispiele. Daher lautete die Hypothese, dass mit dem Datensatz 4 trainierte Modelle eine bessere Leistung erzielen würden. Dies bestätigt sich anhand der mAP50-Metrik: Das mit dem Datensatz 4 trainierte YOLO-basierte Modell erzielt den höchsten mAP50-Wert aller evaluierten Modelle.
Derzeit befindet sich der Sensor in der Prozesslinie der Recyclinganlage und die aufgenommenen Bilder dienen zur Durchführung des abschließenden Tests der Bildverarbeitung. Künftig sollen diese Ergebnisse mit den Ergebnissen der anderen Sensoren kombiniert und in ein Deep-Learning-Modell integriert werden.
4.2 Ergebnisse der LiDAR Volumenabschätzung
Die Integrität des Systems hängt von einer stabilen Sensorleistung ab. Während der Kalibrierungstests zeigte der Ouster OS1–32 eine Genauigkeit von ± 2 cm bis ± 3 cm und eine Wiederholbarkeitsabweichung von weniger als 1 % bei den Referenzproben. Die Tiefengenauigkeit des Framos D455e beträgt ± 10 mm bei 1 m und steigt auf ≈ 25 mm bei 2 m. Die Leistungsstabilität beider Sensoren bleibt unter normalen Betriebstemperaturen und Vibrationen erhalten. Nach umfangreichen Tests vor Ort zeigte sich, dass die Linsen eine regelmäßige Reinigung sowie einen Luftstrom benötigen, um die Signalverschlechterung durch Staubansammlungen zu mindern, die in Schrottrecyclinganlagen häufig vorkommen.
Die Volumenschätzung basiert ausschließlich auf der sichtbaren Oberfläche. Da sich innere Hohlräume mit Bildsensoren nicht erkennen lassen, nimmt das System an, dass die gescannten Objekte massiv sind, und konzentriert sich ausschließlich auf die Schätzung ihres Außenvolumens.
Um die Genauigkeit der Volumenschätzung des Systems zu bestimmen, erfolgten erste Tests mit den Referenzproben. Die in Tab. 1 zusammengefassten Ergebnisse dieser Tests zeigen eine Abweichung zwischen 20 % und 28 % gegenüber der Basisvolumenabschätzung für Referenzobjekte.
Tab. 1
Referenztests zur Bestätigung eines mittleren prozentualen Fehlers gegenüber der Basisvolumenabschätzung bei Referenzobjekten
Kategorie
Mittelwert (Liter)
Median
(Liter)
Standard Abweichung (Liter)
Variationsbereich (Liters)
Referenz berechnetes Volumen (Liter)
Mittlerer prozentualer Fehler (%)
Box
1,124
1,130
0,031
0,06
0,91
20,40
Kugel
1,530
1,532
0,146
0,20
1,15
28,10
Zylinder
2,670
2,590
0,192
0,34
2,14
24,64
Anhand des tatsächlichen Produktionsmaterials lässt sich die weitere Leistungsfähigkeit des Volumenabschätzungssystems testen. Abb. 6 zeigt die geschätzten Volumina, die sich für ausgewählte Frames aus dem Datensatz der Stena-Produktionslinie ermitteln ließen. Diese Werte stellen Schätzungen dar, die auf der BVQ-Methodik basieren und keine Grundwahrheiten widerspiegeln.
Abb. 6
Ausgewählte Rahmen mit Volumenabschätzung mit den Abmessungen der Aufsicht und der Seitenansicht (Quelle: PURESCRAP Konsortium)
Die Synchronisation von drei Sensoren – einer 2D-Kamera, einer LiDAR-Einheit und eines LIBS-Systems – spielt eine wesentliche Rolle bei der Erfassung kohärenter und räumlich ausgerichteter Daten für eine genaue Materialanalyse entlang des Förderbands. Jedes Gerät zeichnet unterschiedliche Informationen auf: Die 2D-Kamera liefert eine visuelle Perspektive, das LiDAR-Gerät generiert geometrische und volumetrische Profile und das LIBS-Gerät bestimmt die chemische Zusammensetzung eines Materials durch punktuelle Spektralmessungen. Abb. 7 zeigt die installierte Sensorstation im Industriebetrieb.
Abb. 7
Sensorstation mit 2D-Kamera, LiDAR-Einheit und LIBS-System, beim Projektpartner Stena Recyling AB (Schweden, Quelle: PURESCRAP-Konsortium)
Obwohl diese Erfassungsmodalitäten sich in ihren Erfassungsprinzipien und Datenraten unterscheiden, müssen ihre Ergebnisse bestimmten physischen Positionen auf dem Förderband entsprechen. Die Ausrichtung basiert auf zwei Hauptelementen: den bekannten räumlichen Positionen der Sensoren innerhalb des Systemlayouts und der Geschwindigkeit des Förderbands. Die Kombination dieser Informationen ermöglicht die Umwandlung jeder mit einem Zeitstempel versehenen Messung in ein gemeinsames Referenzsystem. Die Position jedes Materialfragments zum Zeitpunkt der Erfassung lässt sich durch Projektion seiner Bewegung entlang des Förderbands schätzen, wobei zeitliche Abweichungen zwischen den Geräten ausgeglichen werden. Dieser Ansatz bietet die Möglichkeit, jeden vom LIBS-System erfassten Messpunkt mit dem nächstgelegenen LiDAR-Profil und dem entsprechenden Bildbereich der 2D-Kamera zu verknüpfen. Nach der Kalibrierung kann das System synchronisierte Zeitstempel und Berechnungen der Förderbandverschiebung nutzen, um die verschiedenen Datenströme zusammenzuführen. Die kombinierte Multisensor-Visualisierung ermöglicht die Überwachung des gesamten Schrottverarbeitungsprozesses. Im Anschluss an diese Raum-Zeit-Synchronisierung folgt die Entwicklung eines neuen datengesteuerten Modells, das alle diese Informationen zusammenführt und einen umfassenderen Überblick der Schrottzusammensetzung ermöglicht.
5 Schlussfolgerungen zur Sensorimplementierung
Die Bewertung von Modellen anhand zunehmend angereicherter Datensätze zeigt deutlich, wie wichtig die Qualität und Vielfalt von Datensätzen für eine solide Objekterkennung ist. Das YOLO-basierte Modell, trainiert auf dem umfassendsten Datensatz (Datensatz 4), erzielte den höchsten mAP50-Wert. Es lieferte außerdem Echtzeit-Verarbeitungsfähigkeiten, wodurch es sich für den Einsatz in der Prozesslinie der Recyclinganlage eignet. Diese Ergebnisse bestätigen, dass die Erweiterung und Verfeinerung des Datensatzes die Generalisierung erheblich verbessert und kritische Erkennungsfehler reduziert. Die BVQ-Architektur bietet eine spezialisierte, äußerst zuverlässige Verarbeitung für alle Arten von Schrott. Geometrische und schwellenwertbasierte Logik liefert präzise, verwertbare Metadaten für geschredderten Schrott und eine effiziente Mengenquantifizierung für geschredderten Schrott. Dadurch entfällt der hohe Bedarf an Trainingsdaten, die in Zusammenhang mit komplexen Deep-Learning-Modellen auftreten. Die robuste Volumenschätzung des Systems in Kombination mit nachfolgenden Datenpipeline-Korrekturen liefert zuverlässige Volumenindikatoren. Die Integration bildbasierter Ergebnisse mit Volumenschätzungen aus LiDAR und chemischen Zusammensetzungen aus LIBS in zukünftige Deep-Learning-Modelle verspricht weitere Verbesserungen hinsichtlich Erkennungsgenauigkeit und Betriebseffizienz.
6 Gesellschaftliche und soziotechnische Aspekte
Die Stahlindustrie befindet sich in einem tiefgreifenden Wandel, welcher durch die Dekarbonisierung und die Digitalisierung vorangetrieben wird. Beide Transformationen („Twin Transition“) gelten als Schlüsselelemente für eine nachhaltige industrielle Entwicklung in Europa (vgl. European Commission 2021; Murri et al. 2021). Der Übergang zu einer nachhaltigen und digitalen Industrie erfordert nicht nur technologische Innovationen, sondern bringt auch tiefgreifende soziale Veränderungen für die Belegschaft sowie die Organisationsstrukturen des gesamten Sektors mit sich (vgl. Branca et al. 2020; Skoczkowski et al. 2020). Projekte wie PURESCRAP zeigen, wie die Integration fortschrittlicher Sensortechnologien und künstlicher Intelligenz die nachhaltige Verwendung von Schrott in der Stahlproduktion erheblich verbessern kann (vgl. European Commission 2021; Branca et al. 2020; PricewaterhouseCoopers 2019). Der Erfolg solcher Innovationen hängt jedoch von den Fähigkeiten und der aktiven Beteiligung der Mitarbeiter ab – was die Bedeutung der Analyse gesellschaftlicher Faktoren als wesentlichen Bestandteil der Technologieimplementierung unterstreicht (vgl. Skoczkowski et al. 2020; Maldonado-Mariscal et al. 2023).
Um diese soziotechnischen Dimensionen zu untersuchen (Hirsch-Kreinsen und Ittermann 2021), wendete das PURESCRAP-Projekt einen Mixed-Method-Ansatz an. Zunächst erfolgte die Durchführung einer umfassenden Umfrage unter den wichtigsten Interessengruppen aus den Bereichen Stahl und Schrottrecycling, darunter Vertreter:innen von Stahlproduzenten, Forschungszentren, Sensorentwicklern und Universitäten. Darüber hinaus lieferten Experteninterviews mit ausgewählten Branchenexpert:innen qualitative Erkenntnisse, während Rückmeldungen von Entwickler:innen und Anwender:innen, die direkt an der Umsetzung der PURESCRAP-Lösung mitwirkten, die Analyse der sozialen Auswirkungen ergänzten.
Eine effektive Zusammenarbeit zwischen Stahlproduzenten und Schrottrecyclern nimmt an Relevanz zu, da die Nachfrage nach hochwertigem Schrott weiter steigt. Die Ergebnisse unterstreichen, dass transparente Kommunikation, gegenseitiges Vertrauen und klar definierte Qualitätsanforderungen entscheidend sind, um saubereren und höherwertigen Schrott für die Stahlproduktion zu gewährleisten. Gleichzeitig müssen Recyclingunternehmen ihre technologischen Fähigkeiten kontinuierlich aktualisieren, um die strengeren Vorgaben der Stahlhersteller zu erfüllen. Ein verbesserter Datenaustausch und der Einsatz fortschrittlicher Sensortechnologien können diese Partnerschaft weiter stärken, indem sie die Transparenz und Genauigkeit bei der Bewertung der Schrottqualität verbessern und letztlich eine Win-Win-Situation für beide Seiten schaffen.
Der Übergang zu einer nachhaltigeren und digitalisierten Stahlproduktion verändert die Anforderungen an die Kompetenzen innerhalb der Branche. Die Ergebnisse zeigen, dass sowohl digitale als auch technische Kompetenzen aufgrund des zunehmenden Einsatzes von Sensortechnologien und künstlicher Intelligenz an Stellenwert gewinnen. Zusätzlich zu den allgemeinen Fähigkeiten im Bereich der Bedienung, Inspektion und Überwachung von Anlagen benötigen die Mitarbeiter:innen künftig verbesserte Fähigkeiten im Umgang mit Daten und deren Analyse. Grüne Kompetenzen – wie Umweltbewusstsein, Ressourceneffizienz und Recyclingkenntnisse – gewinnen ebenfalls an Bedeutung, entsprechend den Dekarbonisierungsstrategien und -zielen der Branche. Methodische, soziale und persönliche Kompetenzen, darunter Problemlösungskompetenz, Teamfähigkeit und Anpassungsfähigkeit, gelten als ebenso wichtig für die erfolgreiche Bewältigung dieser Transformationsprozesse.
Die Ergebnisse zeigen außerdem, dass der größte Bedarf an Kompetenzen im Bereich des Schrottrecyclings besteht, wo sich die Betreiber an neue Verarbeitungstechnologien und höhere Qualitätsanforderungen anpassen müssen. Während hochqualifizierte Arbeitskräfte zunehmend gefragt sind, bleiben auch geringqualifizierte Tätigkeiten wie die manuelle Sortierung in Bereichen, in denen die Automatisierung noch nicht vollständig umgesetzt ist, unverzichtbar. Unternehmen legen daher Wert auf kontinuierliche Weiterbildung und enge Zusammenarbeit mit Forschungseinrichtungen, um Qualifikationslücken zu schließen und die Einsatzbereitschaft der Belegschaft sicherzustellen. Die meisten Weiterbildungsmaßnahmen finden innerhalb des Unternehmens statt, häufig in Form von On-the-Job-Training, speziellen Schulungen oder Kooperationen mit Hochschulen und Berufsbildungseinrichtungen. Solche Bemühungen erweisen sich als unerlässlich, um die Fähigkeiten der Belegschaft entlang der neuen technologischen und ökologischen Anforderungen entlang der gesamten Stahlwertschöpfungskette weiterzuentwickeln.
Die Ergebnisse belegen auch, dass verbesserte Schrottverarbeitungsmethoden in erster Linie bestehende Berufsbilder beeinflussen, anstatt völlig neue zu schaffen. Während sich die täglichen Aufgaben von Bediener:innen, Techniker:innen und Manager:innen – wie Produktions‑, Umwelt- oder Technikmanager:innen – ändern werden, halten die meisten Expert:innen gezielte Weiterbildungen für ausreichend, um die zukünftigen Anforderungen zu erfüllen. Die Einführung fortschrittlicher Sensortechnologien und künstlicher Intelligenz erhöht insbesondere den Bedarf an Metallurg:innen, Mechatroniker:innen und IT-Spezialist:innen mit Fachkenntnissen in den Bereichen Datenanalyse und Algorithmenentwicklung. In der Praxis besteht die Erwartung, die PURESCRAP-Lösung im Rahmen der aktuellen Aufgabenbereiche zu betreiben und zu warten, jedoch kann es zu zusätzlichen Aufgaben im Zusammenhang mit der Systeminstallation, dem Testen und der Prozessoptimierung auf der Grundlage der Sensorergebnisse kommen.
Die Schrottverarbeitung in der Stahlindustrie birgt mehrere bekannte Arbeitsschutzrisiken, wie z. B. die Gefährdung durch kontaminierte Materialien, Verletzungen beim Materialtransport und Gehörschäden durch Maschinenlärm. Die Ergebnisse weisen darauf hin, dass die Einführung verbesserter und stärker automatisierter Verarbeitungsmethoden keine neuen oder zusätzlichen Risiken mit sich bringt.
Bestehende EU-Gesundheits- und -Sicherheitsvorschriften berücksichtigen bereits die meisten Sicherheitsbedenken, welche die Verwendung von Schutzausrüstung, Sicherheitsschulungen und Maschinenbetriebsstandards regeln. Dennoch variiert die Umsetzung dieser Maßnahmen in den einzelnen EU-Mitgliedstaaten, sodass Unternehmen strenge Sicherheitsmanagementsysteme einhalten müssen. Vertreter der Industrie betonen, dass die Sicherheit der Mitarbeiter:innen seit langem oberste Priorität hat und dass Unternehmen aktiv bewährte Verfahren austauschen und gemeinsam Sicherheitskonzepte zwischen Stahlproduzenten und Schrottrecyclern entwickeln, um die Arbeitsschutzstandards weiter zu verbessern.
Das technische Potenzial der PURESCRAP-Lösung zeigt sich zwar offensichtlich, ihr Erfolg hängt jedoch von sozialen und organisatorischen Faktoren ab. Die Verfügbarkeit von qualifiziertem Personal, kontinuierliche Schulungen und die Akzeptanz digitaler Technologien unter den Arbeitnehmer:innen zählen zu wichtigen Voraussetzungen für eine breitere und erfolgreiche Einführung. Ebenso kann eine enge Zusammenarbeit zwischen Unternehmen, Wissenschaft und Politik als Treiber für eine kreislauforientiertere und datengesteuerte Verwendung von Schrott in der Stahlproduktion dienen.
Danksagung
Diese Forschungsarbeit steht im Zusammenhang mit dem Projekt PURESCRAP, das vom Rahmenprogramm Horizon Europe der Europäischen Union (Clean Steel Partnership, Fördervereinbarung Nr. 101092168) gefördert wird. Die geäußerten Ansichten und Meinungen sind jedoch ausschließlich die der Autor:innen und spiegeln nicht unbedingt die der Europäischen Union oder der Europäischen Exekutivagentur für Gesundheit und Digitales (European Health and Digital Executive Agency – HADEA) wider. Weder die Europäische Union noch die gewährende Behörde können dafür verantwortlich gemacht werden. Die Autoren sprechen Swerim AB (Koordinator des Projekts PURESCRAP) ihren Dank für die Unterstützung aus. Das Unternehmen stellte das Labor für die erste Datenerhebung sowie das Probenmaterial zur Verfügung und übernahm die Montage beider Kamerasysteme. Ebenso danken die Autor:innen dem Projektpartner Stena Recycling AB, der die gesamte Testanlage errichtete und während aller Versuche das benötigte Material bereitstellte.
Interessenkonflikt
M. Leitner, V. Colla, A. Petrucciani, M. Vannucci, A. Koval, N. Kulkarni, R. Sawlekar, G. Nikolakopoulos, A. Götting, T. Wienzek und M. Meneghin geben an, dass kein Interessenkonflikt besteht.
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/4.0/deed.de.
Hinweis des Verlags
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Kombination multimodaler Sensordaten für eine verbesserte Nutzung von Schrott in der Stahlproduktion
Verfasst von
Melanie Leitner
Valentina Colla
Alice Petrucciani
Marco Vannucci
Anton Koval
Nilesh Kulkarni
Rucha Sawlekar
George Nikolakopoulos
Adrian Götting
Tobias Wienzek
Mauro Meneghin
Branca TA, Fornai B, Colla V, Murri MM, Streppa E, und Schröder A (2020): Current and future aspects of the digital transformation in the European steel industry. Matériaux & Techniques. https://doi.org/10.1051/mattech/2021010CrossRef
Broadbent C (2016): Steel’s recyclability: demonstrating the benefits of recycling steel to achieve a circular economy. The International Journal of Life Cycle Assessment, 1658–1665. https://doi.org/10.1007/s11367-016-1081-1CrossRef
Brzeziński K, Duda A, Styk A, und Kowaluk T (2022): Photogrammetry-based volume measurement framework for the particle density estimation of LECA. Materials 15(15), 5388. https://doi.org/10.3390/ma15155388CrossRef
De la Peña B, Iriondo A, Galletebeitia A, Gutierrez A, Rodriguez J, Lluvia I, und Vicente A (2023): Toward the Decarbonization of the Steel Sector: Development of an Artificial Intelligence Model Based on Hyperspectral Imaging at Fully Automated Scrap Characterization for Material Upgrading Operations. Steel Research International 94(11), 2200943. https://doi.org/10.1002/srin.202200943CrossRef
Ding W, Zhang K, und Shao C (2023): A fast volume measurement method for obtaining point cloud data from bulk stockpiles. Measurement Science and Technology 34(10), 105204. https://doi.org/10.1088/1361-6501/acdc43CrossRef
Dworak S, Rechberger H, und Fellner J (2022): How will tramp elements affect future steel recycling in Europe?—A dynamic material flow model for steel in the EU-28 for the period 1910 to 2050. Resources, Conservation and Recycling, 106072. https://doi.org/10.1016/j.resconrec.2021.106072CrossRef
European Commission (2021): Towards competitive and clean European steel: Accompanying the Communication from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions, Updating the 2020 New Industrial Strategy: Building a stronger Single Market for Europe’s Recovery. Brussels: European Commission.
European Steel Association AISBL (2025): European Steel in Figures. EUROFER AISBL.
Ferreira BQ, Griné M, Gameiro D, Costeira JP, und Santos BS (2014): VOLUMNECT: measuring volumes with Kinect. Three-Dimensional Image Processing, Measurement (3DIPM), and Applications 2014, 9013, 24–29. https://doi.org/10.1117/12.2036493CrossRef
Gao Z, Sridhar S, Spiller DE, und Taylor PR (2020): Applying improved optical recognition with machine learning on sorting Cu impurities in steel scrap. Journal of Sustainable Metallurgy 785–795. https://doi.org/10.1007/s40831-020-00300-8CrossRef
Hirsch-Kreinsen H, Ittermann P (2021): Digitalization of Work Processes: A Framework for Human-Oriented Work Design. In: Adela McMurray, Nuttawuth Muenjohn und Chamindika Weerakoon (Hg.): The Palgrave Handbook of Workplace Innovation. Cham: Springer International Publishing, S. 273–293.CrossRef
Kirmse C, Lieftucht D, Neumann L, und Kempken J (2023): Improvement of scrap management in EAF and BOF by classification using computer vision algorithms. 52nd Steelmaking and non-ferrous Metal.
Li B, Wei J, Wang L, Ma B, und Xu M (2019): A comparative analysis of two point cloud volume calculation methods. International Journal of Remote Sensing 40(8), 3227–3246. https://doi.org/10.1080/01431161.2018.1541111CrossRef
Lin J, Yang J, Huang Y, und Lin X (2021): Defect identification of metal additive manufacturing parts based on laser-induced breakdown spectroscopy and machine learning. Applied Physics B 127(12), 173. https://doi.org/10.1007/s00340-021-07725-3CrossRef
Matusik W, Buehler C, Raskar R, Gortler SJ, und McMillan L (2000): Image-based visual hulls. Proceedings of the 27th Annual Conference on Computer Graphics and Interactive Techniques—SIGGRAPH ’00, 369–374. https://doi.org/10.1145/344779.344951CrossRef
Müller N, Herz G, Reichelt E, Jahn M, und Michaelis A (2021): Assessment of fossil-free steelmaking based on direct reduction applying high-temperature electrolysis. Cleaner Engineering and Technology 100158. https://doi.org/10.1016/j.clet.2021.100158CrossRef
Murri M, Colla V, und Branca TA (2021): Digital Transformation in European Steel Industry: State of the Art and Future Scenario. ESSA Deliverable 2.1, Version 2.
PricewaterhouseCoopers (2019): Agility in Metals: Digital Transformation in the Steel and Aluminium Industry. PwC Report.
Qin Y, Chen W, Zhang P, Zhang S, Chen S, und Huang L (2021): Research on scrap steel evaluation technology based on faster-RCNN. 2nd International Conference on Machine Learning and Computer Application , 1–4.
Ruchay A, und Fedorova M (2021): Fast algorithm of 3D object volume calculation from point cloud. Applications of Digital Image Processing XLIV, 11842, 563–568. https://doi.org/10.1117/12.2593891CrossRef
Skoczkowski T, Verdolini E, Bielecki S, Kochanski M, Korczak K, und Weglarz A (2020): Technology innovation system analysis of decarbonisation options in the EU steel industry. Energy. https://doi.org/10.1016/j.energy.2020.118688CrossRef
Steinbrener J, Dimitrievska V, Pittino F, Starmans F, Waldner R, Holzbauer J, und Arnold T (2023): Learning metric volume estimation of fruits and vegetables from short monocular video sequences. Heliyon 9(4), e14722. https://doi.org/10.1016/j.heliyon.2023.e14722CrossRef
Xu W, Xiao P, Zhu L, Zhang Y, Chang J, Zhu R, und Xu Y (2023): Classification and rating of steel scrap using deep learning. Engineering Applications of Artificial Intelligence. https://doi.org/10.1016/j.engappai.2023.106241CrossRef
