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 Rolle der Künstlichen Intelligenz (KI) in der Abfallwirtschaft, insbesondere im Bereich der automatisierten Sortieranlagen und KI-basierten Klassifikationssysteme. Es wird die Notwendigkeit moderner Technologien zur Bewältigung der steigenden Abfallmengen und der zunehmenden Materialvielfalt hervorgehoben. Der Artikel beschreibt detailliert die Herausforderungen und Grenzen herkömmlicher Sensortechnologien wie der Nah-Infrarot-Spektroskopie (NIR) und zeigt auf, wie KI-basierte Lösungen diese überwinden können. Ein zentraler Fokus liegt auf der Generierung und Nutzung repräsentativer Datensätze für das Training von KI-Modellen, die die Vielfalt und Komplexität der Abfallströme abbilden. Der Beitrag stellt verschiedene Forschungsprojekte vor, darunter das Digital Waste Research Lab (DWRL) der Montanuniversität Leoben, das als zentrale Forschungs- und Entwicklungsinfrastruktur dient. Es werden konkrete Anwendungsbeispiele wie die Sortierung von Alttextilien und metallischen Abfällen präsentiert, die die Effizienz und Genauigkeit von KI-basierten Systemen demonstrieren. Der Artikel schließt mit einem Ausblick auf zukünftige Entwicklungen und Herausforderungen, wie die Schaffung geeigneter Datensätze und die Anpassung der KI-Modelle an reale Betriebsbedingungen. Die detaillierte Darstellung der technischen und praktischen Aspekte macht den Beitrag zu einer wertvollen Ressource für Professionals in der Abfallwirtschaft und im Recycling.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Zusammenfassung
Angesichts stetig steigender Abfallmengen und Materialvielfalt bei Produkten sowie zunehmender Recyclingvorgaben stoßen bestehende Sammel‑, Sortier- und Verwertungsstrukturen oftmals an ihre Grenzen. So ist die derzeit noch immer eingesetzte manuelle Sortierung kosten-, personal- und zeitintensiv und angesichts des geringen wirtschaftlichen Werts vieler Abfallströme häufig nicht wirtschaftlich. Für viele Sensortechnologien gibt es technische Limits (u. a. Feuchtigkeit oder schwarze Objekte bei NIR) oder ihr Einsatz ist mit sehr hohen Kosten und geringen Durchsätzen verbunden (z. B. Metallsortierung mittels XRF oder LIBS). Auf Anlagenebene sind einzelne Aufbereitungs- und Sortieraggregate zumeist Insellösungen und individuelle, kurzfristige Optimierungen und Abstimmung zwischen den Aggregaten für den jeweiligen Abfallstrom kaum möglich. Der Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben nutzt das hohe Potenzial der Künstlichen Intelligenz, um aktuellen Herausforderungen in der Branche bestmöglich zu begegnen und greift dabei auf innovatives, individuell adaptierbares und einzigartiges Forschungsequipment zurück. Im vorliegenden Beitrag werden laufende Projekte in den Anwendungsfeldern von Künstlicher Intelligenz und Maschinellem Lernen in der Abfallwirtschaft vorgestellt. Des Weiteren erfolgt die Darstellung eines praxisnahen Ablaufs zur Implementierung eines KI-basierten Sortiermodells sowie der dazugehörigen Ausstattung. Zudem wird die Wichtigkeit repräsentativer Datensätze für eine effiziente, generalisierende und robuste KI in der Abfallwirtschaft gezeigt.
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
1 Einleitung
In Anbetracht der künftig stark steigenden Abfallmengen, der zunehmenden Materialvielfalt von Produkten und immer anspruchsvolleren Recycling-Qualitätsvorgaben an Sekundärrohstoffe stehen die bestehenden Sammel‑, Sortier- und Verwertungsstrategien mitunter vor neuen und schwierigen Herausforderungen. Die Weiterentwicklung automatischer, sensorgestützter und objektbasierter Sortieranlagen, die der hohen Vielfalt und Komplexität jeglicher Abfallströme gerecht werden, ist daher von großer Bedeutung. Die derzeit noch vorherrschende und in vielen Bereichen eingesetzte manuelle Sortierung erfordert einen hohen finanziellen, personellen und zeitlichen Aufwand und erweist sich angesichts des geringen Werts vieler Abfallströme als unrentabel (Tischberger-Aldrian et al. 2023). Für viele Sensortechnologien gibt es Limits, die die Anwendbarkeit beschränken und wirtschaftlich nicht darstellbar sind.
Nah-Infrarot-Spektroskopie (NIR) ermöglicht die Klassifizierung diverser Abfallströme ohne Probenpräparation, stößt jedoch bei Verschmutzungen, Feuchtigkeit, Beschichtungen usw. an ihre Grenzen (Stipanovic et al. 2026; Mhaddolkar et al. 2024). Zudem erschweren schwarze und graue Farbtöne sowie dünne und mehrschichtige Objekte (Multilayer) die eindeutige Identifikation (Koinig et al. 2022; Cura et al. 2021; Tischberger-Aldrian et al. 2023). Kamerabasierte Technologien in Kombination mit Künstlicher Intelligenz (KI) bieten vielversprechende und vor allem kostengünstige Lösungen, anforderungsspezifische Sortierstrategien für Recycling und Wiederverwendung zu ermöglichen und Limitationen anderer Technologien zu umgehen. Bildbasierte Klassifikationssysteme erfordern hierfür repräsentative Datensätze, welche die Vielfalt und Komplexität unterschiedlicher Abfallströme widerspiegeln. Obwohl im World Wide Web zahlreiche Datensätze zu unterschiedlichen Objekten und Materialien verfügbar sind, können diese nicht zum Training objektbasierter Klassifikationssysteme herangezogen werden, da sämtliche für die Abfallwirtschaft relevanten Parameter unberücksichtigt bleiben (Aberger et al. 2025c; Tischberger-Aldrian et al. 2024). Zu diesen Faktoren zählen unter anderem die Aufgabebedingungen am Förderband, schwankender Durchsatz und variierende Bandbelegung, Verunreinigungen, Witterungseinflüsse, Staub sowie sonstige Emissionen, Vibrationen der Anlage, variierende Lichtverhältnisse und weitere Umgebungsbedingungen. Hinzu treten materialbedingte Einflüsse der jeweiligen Reststoffe, wie beispielsweise Oxidation und Rostbildung bei metallischen Abfällen, Beschichtungen, Verschmutzungen, Schimmelbildung, Abrieb, Dellen oder andere Beschädigungen sowie das Vorhandensein von Störstoffen. Für industrielle Sortierprozesse ist es jedoch unabdingbar, realitätsnahe Bedingungen abzubilden. Aus diesem Grund ist die Generierung eigener Datensätze für das Training von Sortiermodellen, die sowohl die Vielfalt der relevanten Reststoffklassen innerhalb einer Abfallfraktion als auch die Variabilität und realen Bedingungen einer industriellen Sortieranlage imitieren, von großer Bedeutung. Die generierten Aufnahmen dienen anschließend als Grundlage für das Training KI-basierter Sortiermodelle. KI und Machine Learning können nicht nur für automatische Sortierprozesse sowie zur Unterstützung der manuellen Sortierung (Human-Machine Interaction) Anwendung finden, sondern haben auch das Potenzial, die Überwachung von Stoffströmen und bei der Qualitätskontrolle zu unterstützen, wie bei der Vernetzung von Anlagenaggregaten zur optimierten Behandlung von Abfällen.
Anzeige
Bereits seit Jahrzehnten findet KI in unterschiedlichen anderen Bereichen außerhalb der Abfallwirtschaft Anwendung. Wesentlich für den Siegeszug der KI in den vergangenen Jahren sind die steigende Rechenleistung von Computern, die digitale Verfügbarkeit großer und qualitativer Datenmengen sowie erhebliche Fortschritte bei maschinellen Lernansätzen und Algorithmen (Scherk et al. 2017). Nach der Akquise von Aufnahmen müssen die Datensätze gespeichert, gesichtet, sortiert und annotiert werden. Diese Form der Datenaufbereitung erfordert einerseits hohen manuellen Aufwand und andererseits großes Speichervolumen. Darüber hinaus stellt das sogenannte Bias ein zentrales Problem von KI-Systemen dar. Dabei handelt es sich um eine Verzerrung oder Voreingenommenheit, welche bereits bei der Erhebung der Datenbasis entstehen und zu einem fehlerhaften oder falschen Output führen kann (Enaris 2024). Daher ist es von zentraler Bedeutung, die unterschiedlichen Einflussfaktoren der Disziplinen Abfallwirtschaft und Data Science für die Entwicklung effizienter und robuster Sortiermodelle in Einklang zu bringen.
2 Infrastruktur für Digitalisierung und KI in der Abfallbehandlung und -wirtschaft
Das Digital Waste Reseach Lab (DWRL) des Lehrstuhls für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben wurde als zentrale Forschungs- und Entwicklungsinfrastruktur etabliert. Ziel des Labs ist es, modernste Sensorik‑, Daten- und Automatisierungstechnologien in einem realitätsnahen Umfeld zu integrieren und damit eine modulare, digitalisierte Plattform für die Aufbereitung und Sortierung gemischter Abfälle zu schaffen. Das DWRL fungiert als Test‑, Demonstrations- und Entwicklungsstätte für neuartige, kreislaufwirtschaftliche Verfahren und ermöglicht die Validierung neuer Technologien unter praxisnahen Bedingungen. Dank der Kombination aus Materialcharakterisierung, datenbasierter Prozesssteuerung und flexiblen Sortier- bzw. Aufbereitungseinheiten bildet das Lab die technologische und methodische Basis für zukünftige Forschungsprojekte und industrielle Anwendungen im Bereich Abfallverwertung und Recycling (Kandlbauer et al. 2024). Das DWRL ist in Abb. 1 dargestellt.
Das DWRL kann in verschiedenen Betriebsmodi betrieben werden, um unterschiedliche Forschungs- und Entwicklungsziele zu simulieren. Im Labor- oder Testmodus werden einzelne Maschinen und Sensoren isoliert untersucht, um neue Technologien (u. a. KI-Modelle), Steuerungsalgorithmen und Messmethoden unter kontrollierten Bedingungen zu validieren. Im Pilot- oder Demonstrationsmodus wird die gesamte Prozesslinie im integrierten Betrieb getestet um z. B. praxisnahe Daten für Prozessoptimierung, KI-gestützte Assistenzsysteme und dynamische Anlagensteuerung zu generieren.
3 Ablauf und Implementierung eines KI-basierten Sortiermodells
Abb. 2 stellt den Entwicklungsprozess eines KI-basierten Sortiermodells für abfallwirtschaftliche Anwendungen dar. Die Modellentwicklung beginnt grundsätzlich mit der Bereitstellung einer repräsentativen Probemenge des zu sortierenden bzw. zu untersuchenden Abfallstroms, welche die Eigenschaften der jeweiligen Grundgesamtheit widerspiegelt. Beispielsweise umfasst die Probenmenge bei der Entwicklung eines Sortiermodells für Alttextilien alle realistisch vorkommenden Textilklassen sowie typische Gebrauchsspuren, um einen repräsentativen Post-Consumer-Datensatz zu erstellen.
Abb. 2
Darstellung des Ablaufs zur Entwicklung eines bildbasierten Sortiermodells für Abfallströme inklusive In-Line-Validierung
Anschließend können die zu klassifizierenden Objekte (z. B. PET-Flaschen, Verpackungsmaterial, metallische Partikel, Textilien etc.) aus der Probenmenge separiert werden, um Datensätze zu erzeugen, die ausschließlich die jeweils zugeordneten Objektklassen enthalten und folglich zum Training genutzt werden können. Dieser Arbeitsschritt ist nicht zwingend erforderlich, erleichtert jedoch die anschließende Annotation. Hierfür verwendet der Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben, wie in Abb. 3 dargestellt, im DWRL einen Sensorstand, bestehend aus einer integrierten RGB-Kamera, einem Förderband sowie einem pneumatischen Ausschusssystem, welcher auch für die eigentlichen Sortierversuche zum Einsatz kommt.
Abb. 3
Darstellung des AI-Sense-Classifiers des Digital Waste Research Lab
Mit diesem Setup im Technikums-Maßstab ist es möglich, große Datensätze mit hoher Variabilität und Komplexität, welche die Grundgesamtheit eines Abfallstroms abbilden, effizient zu erzeugen. Mithilfe eines Computer-Vision-Annotations-Tools welches vom Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft im Rahmen einer Bachelorarbeit entwickelt wurde (Koinig et al. 2024b), werden die generierten Aufnahmen anschließend annotiert. Dieses Tool ermöglicht die Annotation von Aufnahmen unter Verwendung von Standardmodellen als auch von vortrainierten Modellen. Somit kann eine automatische Annotation der Aufnahmen erzielt werden, indem ungenaue Vorhersagen der Bounding-Boxes manuell korrigiert und iterativ in den Trainingsprozess integriert werden. Nach der Datenannotation müssen die Objekte, die den Zielfraktionen entsprechen, klassifiziert werden. Darüber hinaus ist der generierte Datensatz in ein Trainings‑, Validierungs- und Testset zu unterteilen, um ein effizientes Training und eine iterative Optimierung zu ermöglichen wie auch Datenleaks zu vermeiden. Grundsätzlich können sowohl One-Stage- als auch Two-Stage-Modelle für das Training von Klassifikations- und Detektionssystemen zum Einsatz kommen. One-Stage-Modelle führen die Detektion und die Klassifikation in einem Schritt durch und eignen sich daher insbesondere für Echtzeitanwendungen, wie etwa Sortieraufgaben. Two-Stage-Modelle identifizieren zunächst Regionen von Interesse und führen anschließend die Bounding-Box-Erstellung sowie die Klassifikation durch. Sie zeichnen sich daher durch eine höhere Genauigkeit aus, sind jedoch im Vergleich zu One-Stage-Modellen langsamer (Koinig et al. 2026).
Klassifikationsmodelle können anhand verschiedener Kennzahlen wie beispielsweise Accuracy, Recall, Precision und dem F1-Score evaluiert werden. Zusätzlich dient die Kalkulation der Confusion Matrix der Bewertung des Anteils fehlerhafter und korrekter Klassifikationen für jede Klasse (Aberger et al. 2025a). Jedoch ist die In-Line-Validierung im Technikumsmaßstab entscheidend, um die Leistungsfähigkeit des trainierten Sortiermodells unter realen Bedingungen zu testen. Dabei spielen abfallwirtschaftliche Einflüsse, prozesstechnische Faktoren wie auch die Validierung mit bislang nicht berücksichtigten Stoffströmen eine zentrale Rolle. Es ist essenziell, diese Faktoren sowie ihre Auswirkungen auf die Sortiergenauigkeit und die erzielbare Reinheit der jeweiligen Zielfraktionen zu bewerten. Außerdem erfolgt eine Performance-Evaluierung des trainierten Modells sowie die Optimierung weiterer Modellparameter. Dabei ist festzuhalten, dass das iterative Training insbesondere bei stark inhomogenen Abfallströmen von besonderer Bedeutung ist, um das Erkennen neuer Objekte und Eigenschaften (z. B. höherer Drahtanteil in einer Stahlschrottcharge) im Datensatz abzubilden und nachzutrainieren. Darüber hinaus ist der Vergleich unterschiedlicher Modellversionen und Modellgrößen relevant, um eine möglichst hohe Detektions- und Klassifikationsgenauigkeit sowie eine optimale Verarbeitungsgeschwindigkeit sicherzustellen, welche auf den jeweiligen Abfallstrom abgestimmt ist.
4 Forschungsprojekte mit KI-gestützten Anwendungen in der Abfallwirtschaft aus der Praxis
4.1 StraTex
Die vielfältigen Eigenschaften von Textilien ermöglichen ein breites Einsatzspektrum. Sie finden in Bekleidung und Schutzausrüstung, in Mobiliar und Bauwesen sowie in den Bereichen Mobilität und in medizinischen Anwendungen Einsatz und sind daher essenzieller Bestandteil unseres täglichen Lebens (Tischberger-Aldrian et al. 2023). Die global produzierte Menge an Textilfasern stieg in den vergangenen Jahrzehnten von 76 Mio. t im Jahr 2010 auf 108,3 Mio. t im Jahr 2020 und erreichte im Jahr 2022 bereits 113,8 Mio. t (Industrievereinigung Chemiefaser 2023). Zudem stieg der jährliche Pro-Kopf-Konsum an Textilien von 17 kg im Jahr 2019 auf 19 kg im Jahr 2022 (Europäisches Parlament 2025). Der zunehmende Konsum in Kombination mit niedrigen Preisen, kurzen Produktlebenszyklen und dem Trend „Fast Fashion“ führt weltweit zu enormen Abfallmengen (Luptáčik et al. 2021), die sich derzeit jährlich auf etwa 92 Mio.t belaufen (Shamsuzzaman et al. 2025). Prognosen zufolge wird dieses Aufkommen bis 2030 auf über 148 Mio. t ansteigen (Shamsuzzaman et al. 2025). Darüber hinaus fallen in der EU jährlich rund 5,8 Mio. t an Textilabfällen an, welches einem Pro-Kopf-Abfallaufkommen von 11,3 kg entspricht (Europäische Kommission 2022).
Das Projekt StraTex am Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben verfolgt das übergeordnete Ziel, geeignete, ökonomisch vertretbare und ganzheitliche Strategien für die Sammlung, Aufbereitung und automatisierte Sortierung von gemischten Nicht-ReUse-fähigen Textilien zu entwickeln und experimentell umzusetzen, um so den Anteil an marktfähigen Fraktionen für eine qualitativ hochwertige stoffliche Verwertung (möglichst Textil zu Textil) zu erhöhen.
Die Effizienz und der Erfolg der Sortierung hängen sehr stark von der Zuführung der Textilien bzw. der Trennung der Textilstücke ab. Der Grund dafür ist, dass bei den meisten Sensoren (z. B. VIS, NIR) die Erkennung nur dann erfolgreich funktioniert, wenn die zu detektierende Oberfläche in ihrer Gesamtheit dem Sensor zugewandt ist. Textilien sind jedoch nicht starr und können im Gegensatz zu vielen anderen Abfallarten sehr leicht ihre Form verändern. Daher muss der Zuführeinheit besondere Aufmerksamkeit gewidmet werden, um die Textilabfälle für die anschließende Erkennung auf das Förderband zu legen. Am Lehrstuhl wurde daher – gemeinsam mit der Fa. Stadler Anlagenbau – eine KI-basierte Methode entwickelt, die einen objektiven Vergleich der Leistung verschiedener Dosier- und Trenneinheiten ermöglicht. Die entwickelte KI-basierte Methode nutzt FastSAM (Fast Segment Anything Model), ein auf YOLOv8 basierendes System, das für die schnelle und präzise Segmentierung von Objekten in Bildern entwickelt wurde. Zu den Qualitätskriterien für die Bewertung gehören der Prozentsatz der überlappenden Textilien (Effizienz der Trennung) und die Förderbandbelegung (Auslastung des Förderbands, Effizienz der Materialzuführung). Darüber hinaus wird der Abstand zwischen den Textilien analysiert, um den durchschnittlichen Abstand zwischen den Objekten und damit die Verteilung und Trennung zu bewerten. Schließlich wird die Verteilung der Textilien auf dem Förderband untersucht, um festzustellen, wie das Material über die Breite des Bands verteilt ist (links, Mitte, rechts) und um Ineffizienzen bei der Materialzuführung zu identifizieren. Die Analysedaten bieten eine solide Grundlage für den Vergleich verschiedener Dosier- und Trenneinheiten und -methoden (vgl. Abb. 4).
Abb. 4
Analyse der Überlappung zerkleinerter Textilien. Links: Originalaufnahme. Rechts: Programmausgabe mit den erkannten Masken. Das Programm berechnete eine Bandbelegung von 29 % und eine relative Überlappung zwischen den Artikeln von 15 %
Darüber hinaus wird derzeit im Rahmen von StraTex an der Entwicklung eines objektbasierten Sortiermodells zur Klassifizierung von Alttextilien in definierte Textilklassen (z. B. Hosen, T‑Shirts) gearbeitet. Bildbasierte Klassifikationssysteme erfordern hierfür Datensets, welche aus annotierten Bildaufnahmen bestehen und mittels Bounding-Boxes den jeweiligen Klassen zugeordnet werden. Obwohl im Textilbereich eine Vielzahl von Fashion-Datasets verfügbar sind, existieren spezifische Second-Hand-Datasets nur in sehr begrenztem Umfang. Für industrielle Sortierprozesse ist es jedoch unabdingbar, realitätsnahe Bedingungen abzubilden. Aus diesem Grund ist die Generierung eines eigenen Datensatzes, der sowohl die Vielfalt der relevanten Textilklassen innerhalb einer Alttextilfraktion widerspiegelt als auch unterschiedliche Aufgabeszenarien am Förderband simuliert, von großer Bedeutung.
4.2 KIRAMET
Das Recycling metallischer Reststoffe bietet im Vergleich zur Primärmetallurgie ein erhebliches Potenzial zur Reduktion des ökologischen Fußabdrucks, des Ressourcenverbrauchs sowie des Energiebedarfs. In der Stahlproduktion stellt der Übergang von Hochöfen zu Elektrolichtbogenöfen (EAF) als primäre Technologie eine Herausforderung dar, bei der auch die Anforderungen an die Reinheit von Schrottmaterialien stark ansteigen. Besonders Kupfer stellt in diesem Zusammenhang ein Problem dar: Es bleibt im Schmelzprozess in der flüssigen Phase und verschlechtert die mechanischen Eigenschaften des Stahls, z. B. Bruchdehnung und Duktilität (Daehn et al. 2017; Björkman und Samuelsson 2013; Hiraki et al. 2011). Dadurch eignet sich der recycelte Stahl nur noch für weniger anspruchsvolle Anwendungen. Gleichzeitig steigt der Bedarf an Kupfer – unter anderem durch Elektromobilität und erneuerbare Energien – deutlich an, und die EU führt es seit 2023 als kritischen Rohstoff (European Union 2024). Post-Consumer Metallabfälle wie z. B. Altfahrzeuge, Elektroaltgeräte und Haushaltsschrotte enthalten im Regelfall viele sogenannte „Metallverbunde“, in denen Metalle nicht sortenrein, sondern gemischt mit anderen Metallen (Legierungen), Kunststoffen und Textilien vorliegen. Zum Teil werden diese Verbunde im Schredder nicht aufgetrennt, wodurch Kupfer leicht in die Eisenfraktion gelangt (vgl. Abb. 5).
Abb. 5
Links oben: Altfahrzeuge sind Abfälle, in denen Metalle als „Materialverbunde“ vorliegen. Rechts oben: Kupferhaltige Teile gelangen trotz Magnetabscheidung in die Eisenfraktion. Links unten: Typische E40-Stahlschrottteile mit kupferhaltigen Teilen (im Bild oben). Rechts unten: rostige E40-Stahlschrottteile
Um hochwertige Stähle produzieren zu können, benötigt die Recyclingindustrie daher kostengünstige Verfahren zur Abtrennung von Kupfer aus eisenhaltigem Schrott. Hierfür gibt es prinzipiell Methoden und Herangehensweisen: (1) die manuelle Demontage und Sortierung, die jedoch aufgrund komplexer Produkte zunehmend an Grenzen stößt, sowie (2) automatisierte Sortierung mittels Röntgenfluoreszenz (XRF) oder Röntgentransmission (XRT), die jedoch teuer ist und strenge Sicherheitsanforderungen mit sich bringt.
Farbbasierte Sortierung ist eine mögliche Alternative, versagt aber häufig bei komplexeren Teilen wie Elektromotoren, in denen das Kupfer nicht offensichtlich erkennbar vorliegt. Hier kann maschinelles Lernen an menschliche Erfahrung anknüpfen und kupferhaltige von eisenhaltigen Partikeln anhand zusätzlicher Merkmale wie Form oder Textur unterscheiden.
Zunächst wurden zwanzig der gängigsten und am leichtesten verfügbaren Convolutional-Neural-Network-Architekturen (CNN) mit 2200 Metallschrott-Proben trainiert und anschließend inline auf einer sensorbasierten Sortieranlage hinsichtlich ihrer Vorhersagegenauigkeit und ihrer Inferenzlatenz evaluiert, um reale industrielle Bedingungen nachzubilden. Unter den untersuchten Architekturen wird DenseNet-201 mit einer Genauigkeit von 98 % in den Inline-Tests empfohlen, sofern leistungsfähige Hardware zur Verfügung steht. Bei Hardwareeinschränkungen werden hingegen AlexNet mit 92 % Genauigkeit oder MobileNet-V2 mit 90 % Genauigkeit für weiterführende Untersuchungen und die Modellerstellung empfohlen. Auf Grundlage der in Koinig et al. (2024a) präsentierten Ergebnisse kann die anfänglich aufwendige Auswahl der am besten geeigneten Netzwerkarchitektur deutlich reduziert und die Entwicklung eines Sortiermodells erheblich vereinfacht werden.
Im Rahmen weiterer Forschungstätigkeiten im Projekt wurden auch einstufige KI-Detektoren zur Identifikation von Kupferpartikeln in Post-Schredder-Schrott einsetzt. Nach dem Vergleich aller Modellgrößen von YOLOv8 und YOLOv11 wurde die vielversprechendste Architektur anschließend durch Pruning, Hyperparameteroptimierung und Modellkonvertierung weiter optimiert, um die Inferenzlatenz zu reduzieren, ohne die Vorhersagegenauigkeit zu beeinträchtigen. Das so erzeugte YOLOv8n-Modell erreichte auf CPU-basierter Testhardware eine Worst-Case-Inferenzzeit von 75 ms pro Bild bei einem mAP50–95 von 77 %. Hinsichtlich der objektbasierten Genauigkeit ergaben Tests auf einem unabhängigen Testdatensatz, dass 89 % aller Kupferpartikel und 86 % aller Eisenpartikel korrekt identifiziert wurden. Nach diesen Offline-Tests wurde ein Prototyp bestehend aus einem Förderband, einer kostengünstigen industriellen GPU, einer Industriekamera sowie einer industriellen Hochdruck-Düsenleiste aufgebaut, um den Einsatz des Modells in einer industriellen Umgebung zu evaluieren. Hierzu wurden eine weitere Hyperparameterabstimmung sowie die Konvertierung in GPU-optimierte Formate durchgeführt. An diesem Prototyp wurden dreistufige Separationsversuche mit Durchsätzen zwischen 2,5 und 10 t/h bei anfänglichen Kupfergehalten von 10 % und 25 % durchgeführt. Diese Versuche führten zu einer Reinheit der Eisenfraktion von über 99,3 %, berechnet auf Basis der Masse aller kupferhaltigen Partikel in der Eisenfraktion (Koinig et al. 2026).
4.3 ReWaste 4.0 und ReWaste F
Die Vision von ReWaste 4.0 umfasst die Weiterentwicklung von Behandlungsanlagen für nicht gefährliche, gemischte Abfälle hin zu einer „Smart Waste Factory“, in der digitale Kommunikation und Vernetzung zwischen Materialqualität sowie Maschinen- und Anlagenleistung systematisch realisiert werden. Das COMET-Projekt steht dabei für die datenbasierte Transformation dieser Abfallbehandlungsprozesse in Richtung Circular Economy und Industrie 4.0 (Sarc 2021). Im Zentrum der Forschungsarbeiten standen die digitale Vernetzung, die Abbildung und Nutzung der Wechselwirkungen zwischen Materialqualität und Anlagenleistung sowie die Entwicklung dynamischer Prozesssteuerungsansätze, um die Vision der „Smart Waste Factory“ technisch und organisatorisch umzusetzen (Sarc et al. 2019). Das Folgeprojekt ReWaste F (2021–2025) vertieft diese Entwicklung hin zu einer partikel-, sensor- und datenbasierten Kreislaufwirtschaft. In sechs Teilprojekten wurden Abfallströme umfassend charakterisiert, ihre physikochemischen und materialspezifischen Eigenschaften untersucht sowie ihre Kreislauffähigkeit bewertet. Neue Sonderströme aus gemischten Abfällen, etwa Kunststoffe und Holz, werden in technischen und großtechnischen Versuchen in Forschungszentren (u. a. im DWRL) und Partneranlagen sortiert, aufbereitet und verwertet. Ein erfolgreiches Beispiel für einen wertschöpfungskettenorientierten Ansatz ist die Herstellung hochwertiger PP-Rezyklate aus gemischten Abfällen (Enengel et al. 2025). Die Entwicklung standardisierter Methoden zur Bewertung von Materialien und Maschinenleistungen erfolgt auf Basis umfangreicher praktischer Tests. Kern des Projekts ist zudem die Konzeption einer „intelligenten Abfallfabrik“, die durch eine herstellerunabhängige digitale Plattform mit vernetzten Abfalldaten, Maschinen und Sensoren („Sensorfusion“) ermöglicht wird. Zur Maximierung der Wertschöpfung werden berührungslose Online-Charakterisierungs- und Qualitätssicherungsmethoden entwickelt (Kandlbauer et al. 2021).
Im Rahmen von ReWaste F wurde 2024 ein einzigartiger großtechnischer Prototyp einer „Smart Waste Factory“ entwickelt und erprobt, der die intelligente Vernetzung moderner Abfallbehandlungsanlagen demonstriert (siehe Abb. 6). Ziel war die Gestaltung einer digitalen Infrastruktur, die Maschinen- und Sensordaten verschiedener Hersteller modellkompatibel zusammenführt und damit eine autonome, dynamische und an die Abfallqualität adaptierte Anlagensteuerung ermöglicht. Der Prototyp umfasste vier Verarbeitungseinheiten: Vorzerkleinerung, ballistische Separation, eine multimesstechnisch ausgestattete Förderstrecke sowie das sensorbasierte DWRL und integrierte rund 30 Sensoren (u. a. RGB-Kameras, RFID, Volumenflusssensoren, Bandwaage, mehrere NIR-Systeme, u. a. von REDWAVE und EVK). Parallel wurden verschiede digitale Plattformen sowie diverse Schnittstellentechnologien eingebunden, um die entstehenden Datenströme in einem einheitlichen Datensatz zusammenzuführen.
Abb. 6
Prototyp einer intelligenten Abfallfabrik – Foto der Versuchsanlage am DWRL-Standort in St. Michael, Österreich, 2024. Entworfen und umgesetzt im Rahmen des COMET-Programms ReWaste F
Großtechnische Versuche sind essenziell, um die Herausforderungen bei der Verarbeitung gemischter Abfälle zu analysieren, Optimierungspotenziale zu identifizieren und das Verhalten zentraler Aggregate, wie etwa des Ballistikseparators (hergestellt von der Komptech GmbH), unter realen Bedingungen zu bewerten sowie belastbare Vorhersagemodelle zu entwickeln (Lasch et al. 2025). Für die dynamische Steuerung des Ballistikseparators wurden die maschinenrelevanten Stellgrößen (Paddelneigung, Paddelgeschwindigkeit und Luftunterstützung) systematisch untersucht, mit dem Ziel, diese Parameter künftig in Echtzeit dynamisch an heterogene Materialströme anzupassen und dadurch eine qualitätsadaptive Prozessführung zu ermöglichen.
Im Versuchsbetrieb wurde eine kostenbasierte Steuerungslogik implementiert, die aus sensorgestützten Informationen zum Materialfluss abgeleitet wurde und die Betriebsparameter des Schredders und des Ballistikseparators dynamisch anpasste. Die Datenplattform basierte auf der Industrial-Edge-Architektur von Siemens, einer modularen Plattform, die industrielle Steuerungssysteme, Sensorik und Datenanalyse integriert und in Echtzeit verarbeitet. Eine zentrale Innovation war die erfolgreiche Anwendung des herstellerunabhängigen Module Type Package (MTP)-Standards, vorangetrieben von Siemens, zur Kopplung von Sensorik, Prozessleitsystem und Verarbeitungseinheiten. Damit wurde MTP erstmals im Bereich der Abfalltechnik eingesetzt und bildete die Grundlage für die digitale, vernetzte Smart-Waste-Factory-Architektur von ReWaste F.
Die gewonnenen Erkenntnisse aus den Projekten ReWaste 4.0 und ReWaste F bildeten die Grundlage für zahlreiche nachfolgende Forschungsaktivitäten am Lehrstuhl, darunter Projekte wie recAIcle und Meteor. Insbesondere die Erfahrungen in der digitalen Vernetzung von Anlagen, der sensorgestützten Materialcharakterisierung und der datenbasierten Prozesssteuerung flossen maßgeblich in die DWRL ein. Dadurch konnte eine praxisnahe Forschungsumgebung geschaffen werden, die sowohl die Weiterentwicklung intelligenter Abfallbehandlungsanlagen als auch die Erprobung neuer Technologien und Methoden für zirkuläre Wertschöpfungsketten ermöglicht.
4.4 recAIcle
RecAIcle ist ein KI-gestütztes Assistenzsystem zur Modernisierung der manuellen Abfallsortierung, entwickelt mit den Kooperationspartnern Siemens und Pro2Future. Es kombiniert maschinelles Lernen, kontinuierliches Lernen und projektionsbasierte Augmentation, um Sortierkräfte in Echtzeit zu unterstützen: Relevante Objekte auf dem Förderband werden erkannt, klassifiziert und direkt auf dem Band farblich markiert projiziert, sodass Entscheidungen schneller und konsistenter getroffen werden können (vgl. Abb. 7). Das System lernt dabei passiv aus den Handlungen erfahrener Mitarbeitender und passt seine Klassifizierungsmodelle fortlaufend an, um die Genauigkeit des KI-Modells über die Zeit zu steigern und die Langlebigkeit bei veränderlicher Stoffstromzusammensetzung zu sichern. In Versuchen mit PET und Getränkekartons erzielte das System eine Präzision von 92,996 %, einen Recall von 88,823 %, einen F1-Score von 90,79 % und eine mAP50–95 von 82,621 %. Die farbcodierten Overlays waren unter typischen Anlagenlichtbedingungen klar erkennbar, und das Tracking blieb auch bei Teilverdeckungen stabil (Aberger et al. 2025b).
Abb. 7
a Funktionsweise des recAIcle-Assistenz-Systems, b Augmentation eines Partikels auf dem Förderband, c Darstellung der Modellvorhersagen
Zusammenfassend zeigt recAIcle, dass KI-Assistenz in der manuellen Sortierung mit hoher Präzision, Echtzeitfähigkeit und adaptiver Lernfähigkeit realisierbar ist und damit einen skalierbaren, zukunftsfähigen Beitrag zur Digitalisierung des Recyclings leistet.
4.5 DeB-AT
Das kooperative Forschungsprojekt DeB-AT adressiert eine der aktuell zentralen Herausforderungen in der Abfallwirtschaft: den sicheren und ressourceneffizienten Umgang mit in Siedlungsabfällen enthaltenen Gerätebatterien. Fehlwürfe dieser Batterien führen zunehmend zu Brandereignissen, Prozessunterbrechungen und Wertstoffverlusten. Vor diesem Hintergrund verfolgt das Projekt das Ziel, ein vollständiges System zur Detektion und automatisierten Ausschleusung von Batterien aus gemischten Abfallströmen zu entwickeln und dessen Funktionsfähigkeit unter realitätsnahen Bedingungen nachzuweisen.
Zentraler Ausgangspunkt des Projekts war der Aufbau einer repräsentativen Datenbasis, die die außerordentlich hohe Diversität marktgängiger Batterieformen abbildet. Da im Projekt einerseits die Detektion im fallenden Abfallstrom, andererseits auch die Detektion auf Band im Fokus standen, wurden auf sensorischer Ebene unterschiedliche Kamera- und Beleuchtungskonzepte analysiert. Die komplexe Bewegung fallender Batterien, hohe Geschwindigkeiten, Rotation und variable Orientierung erforderten ein Setup mit sehr kurzer Belichtungszeit, großer Schärfentiefe und intensiver LED-Beleuchtung. Während CNN-Modelle wie AlexNet und GoogLeNet Klassifikationsgenauigkeiten bis knapp 80 % erreichten, zeigte ein YOLOv8-Detektionsmodell besonders robuste Lokalisierungsergebnisse auch in heterogenen Abfallströmen.
Im abschließenden Schritt wurde der Funktionsnachweis eines automatisierten Ausschleusesystems erbracht. In mehreren Technikumsversuchen konnten sowohl zylindrische als auch flächige Batterien mittels Druckluft-Düsenleisten zuverlässig entfernt werden. In den beiden besten Versuchsreihen konnten 83–100 % bzw. 86–92 % der Batterien erkannt und ausgeschleust werden. Dabei kam eine druckluftbasierte Düsenleiste zum Einsatz, die sich durch hohe Reaktionsgeschwindigkeit und zuverlässige Partikelauslenkung auszeichnet.
Das Projekt DeB-AT konnte die vollständige Prozesskette von der Identifikation bis zur Ausschleusung von Batterien erfolgreich demonstrieren und wird 2026 in einem Folgeprojekt fortgesetzt.
5 Ausblick
Der Einsatz von KI in der Abfallwirtschaft befindet sich trotz vielversprechender Ansätze und Lösungen im Entwicklungsstadium. Aufgrund der unterschiedlichen Disziplinen Abfallwirtschaft und Data Science bedarf es zukünftig der Entwicklung gemeinsamer Definitionen sowie einer verstärkten interdisziplinären Zusammenarbeit. Eine zentrale Herausforderung dabei ist die begrenzte Verfügbarkeit geeigneter Datensätze für konkrete Anwendungsfälle der Abfallwirtschaft. Öffentlich verfügbare Datensätze, welche verschiedenste Objekte aus unterschiedlichen Materialien enthalten, eignen sich im Regelfall jedoch nicht für das Training von realen Anwendungsbeispielen und berücksichtigen meist keine abfallwirtschaftlichen Einflüsse. Hinzuzufügen ist, dass sich diese Daten häufig im Besitz einzelner Stakeholder befinden, wodurch ihre Nutzung für die Recyclingbranche oft nur bedingt möglich ist. Darüber hinaus müssen bestehende Datensätze aufgrund der starken Inhomogenität und Komplexität der unterschiedlichen Abfallströme kontinuierlich weiterentwickelt werden. Die zukünftige Schaffung verwendbarer und auf den jeweiligen Abfallstrom abgestimmter Datensets ist daher von größter Bedeutung. Hinzu kommt, dass fortschrittliche Machine-Learning-Modelle eine große Menge an hochqualitativen Trainingsdaten sowie hohe Rechenleistung benötigen. Gleichzeitig bestehen oft große Unterschiede in der Zusammensetzung und Qualität von Abfallströmen. Darüber hinaus muss festgehalten werden, dass das derzeit bestehende Equipment der Abfallwirtschafts- und Recyclingindustrie oft nicht mit der theoretischen Leistungsfähigkeit der entsprechenden KI-Modelle kompatibel ist. Des Weiteren erfordert der praxistaugliche Einsatz moderner KI-Modelle eine hohe Robustheit gegenüber realen Betriebsbedingungen und Umwelteinflüssen wie beispielsweise Staub, Verschmutzungen, Vibrationen der Anlage, variierenden Lichtverhältnissen, Witterungseinflüssen sowie stark schwankenden Durchsatzmengen und Bandbelegungen. Moderne KI-Trends können einige dieser Herausforderungen adressieren. Beispielsweise ermöglicht Zero-Shot Learning Modellen, neue Materialklassen oder Objekte ohne spezifisches, abfallstrombezogenes Training zu erkennen und ist besonders bei stark inhomogenen und vielfältigen Fraktionen hilfreich. Künstliche Datengenerierung, etwa durch Simulationen, fotorealistisches Rendering oder generative Modelle, kann Datensätze gezielt um abfallwirtschaftliche Szenarien erweitern, die Variabilität erhöhen und Sonderfälle abdecken, ohne zusätzliche realweltliche Erhebungskosten zu verursachen. Foundation-Modelle bieten starke Vorleistungen, die sich per Fine-Tuning oder Few-Shot-Ansätzen an spezifische Abfallströme anpassen lassen. Gleichzeitig erfordern diese Ansätze eine sorgfältige Domänenanpassung sowie Validierung unter realen Betriebsbedingungen, um verlässliche und robuste Ergebnisse in der Praxis zu gewährleisten.
Danksagung
Wir danken den Förderstellen sowie Industriepartnern für ihre finanzielle und nicht-finanzielle Unterstützung: StraTex (FFG FO 917957) ist ein durch das BMLUK gefördertes Forschungsprojekt. KIRAMET (https://www.unileoben.ac.at/kiramet) ist ein durch das BMLUK (FFG No.: FO 999899661) gefördertes Leitprojekt. RecAIcle (FFG FO 999892220) wird von der FFG im Rahmen der Ausschreibung „AI for Green 2021 (KP)“ gefördert. Recycling and Recovery of Waste for Future (Projektnr. 882512) ist ein COMET-Projekt im Rahmen des COMET–Competence Centers for Excellent Technologies-Programms und wird durch das BMK, das BMAW sowie das Bundesland Steiermark gefördert. Das COMET-Programm wird durch die FFG abgewickelt. Das Center of Competence for Recycling and Recovery of Waste 4.0 (ReWaste 4.0) (Vertragsnummer 860 884) fällt ebenfalls in den Bereich des COMET–Competence Centers for Excellent Technologies und wird finanziell durch das BMVIT, das BMDW sowie das Bundesland Steiermark unterstützt; das Programm wird von der FFG gemanagt. DeB-AT (FFG FO 897800) ist ein durch das BMLUK gefördertes Forschungsprojekt.
Interessenkonflikt
H. Weber, J. Aberger, G. Koinig, T. Nigl, R. Sarc und A. Tischberger-Aldrian 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.
Aberger, J., Brensberger, L., Koinig, G., Hacker, B., Pestana, J., Sarc, R. (2025a): Limitations of Influence-Based Dataset Compression for Waste Classification. Data 10, 127. https://doi.org/10.3390/data10080127.CrossRef
Aberger, J., Brensberger, L., Pestana, J., Sopidis, G., Häcker, B., Haslgrübler, M., Sarc, R. (2025b): recAIcle: An Intelligent Assistance System for Manual Waste Sorting—Validation and Scalability. Recycling 10, 221. https://doi.org/10.3390/recycling10060221.CrossRef
Aberger, J., Shami, S., Häcker, B., Pestana, J., Khodier, K., Sarc, R. (2025c): Prototype of AI-powered assistance system for digitalisation of manual waste sorting. Waste Management 194, 366–378. https://doi.org/10.1016/j.wasman.2025.01.027.CrossRef
Björkman, B., Samuelsson, C. (2013): Recycling of steel. In: Worrell, E.,Reuter, M. (Hrsg.): Handbook of recycling, S. 65–83. Elsevier, Oxford. ISBN 978-0-12-396459-53.
Cura, K., Rintala, N., Kamppuri, T., Saarimäki, E., Heikkilä, P. (2021): Textile Recognition and Sorting for Recycling at an Automated Line Using Near Infrared Spectroscopy. Recycling 6(1), 11. https://doi.org/10.3390/recycling6010011.CrossRef
Daehn, K.E., Cabrera Serrenho, A., Allwood, J.M. (2017): How will coppercontamination constrain future global steel recycling? Environ. Sci. Technol. 51(11), 6599–6606. https://doi.org/10.1021/acs.est.7b009972.CrossRef
Enengel, M.J., Roitner, J., Kandlbauer, L., Lasch, T., Lehner, M., Sarc, R. (2025): From Waste to Product: New Circularity by Recovering Polypropylene from Mixed Commercial Waste. Recycling 10, 128. https://doi.org/10.3390/recycling10040128.CrossRef
Europäische Kommission (2022): Directorate General for Environment. Factsheet on Textiles: Sustainable and circular textiles by 2030. Publications Office. https://doi.org/10.2779/122408.CrossRef
Feldbaumer, M., Granzer-Sudra, K., Ganglberger, E. (2023): Sekundärrohstoffe für die österreichische Textilindustrie. Kurzstudie mit Handlungsempfehlungen für die österreichische FTI-Politik. Österreichische Gesellschaft für Umwelt und Technik (ÖGUT), Wien. In Berichte aus Energie- und Umweltforschung (Vol. 4). (BMK). Internet: https://www.oegut.at/downloads/pdf/sekundaerrohstoffe-textilindustrie/schriftenreihe-2023-04-textilindustrie.pdf (Zugriff: 25.11.2025).
Hiraki, T., Takeda, O., Nakajima, K., Matsubae, K., Nakamura, S., Nagasaka, T. (2011): Thermodynamic criteria for the removal of impuritiesfrom end-of-life magnesium alloys by evaporation and flux treat-ment. Sci. Technol. Adv. Mater. 12(3), 35003. https://doi.org/10.1088/1468-6996/12/3/035003CrossRef
Kandlbauer, L., Khodier, K., Ninevski, D., Sarc, R. (2021): Sensor-based Particle Size Determination of Shredded Mixed Commercial Waste based on two-dimensional Images. Waste Management 120, 784–794. https://doi.org/10.1016/j.wasman.2020.11.003.CrossRef
Kandlbauer, L., Sarc, R., Pomberger, R. (2024): Großtechnische experimentelle Forschung im Digital Waste Research Lab und Digitale Abfallanalytik und -behandlung. Österreichische Wasser- und Abfallwirtschaft 76(1-2), 32–41. https://doi.org/10.1007/s00506-023-00999-1.CrossRef
Koinig, G., Kuhn, N., Barretta, C., Friedrich, K., Vollprecht, D. (2022): Evaluation of Improvements in the Separation of Monolayer and Multilayer Films via Measurements in Transflection and Application of Machine Learning Approaches. Polymers 14, 3926. https://doi.org/10.3390/polym14193926.CrossRef
Koinig, G., Kuhn, N., Fink, T., Lorber, B., Radmann, Y., Martinelli, W., Tischberger-Aldrian, A. (2024a): Deep learning approaches for classification of copper-containing metal scrap in recycling processes. Waste Management 190, 520–530. https://doi.org/10.1016/j.wasman.2024.10.022. Epub 2024 Oct 24. PMID: 39454556.CrossRef
Koinig, G., Kuhn, N., Fink, T., Lorber, B., Radmann, Y., Martinelli, W., Aberger, J., Grath, E., Tischberger-Aldrian, A. (2026): Detection of copper-containing scrap in a post-shredder fraction with machine vision and artificial intelligence towards green-steel production. Cleaner Engineering and Technology 30, 101110, ISSN 2666-7908, https://doi.org/10.1016/j.clet.2025.101110.CrossRef
Lasch, T., Enengel, M.J., Kandlbauer, L., Khodier, K., Pomberger, R., Sarc, R. (2025): Parameter study of a ballistic separator in waste treatment for optimized mechanical processing and improved recovery of valuable materials from mixed commercial waste. Waste Management 203, 114864. https://doi.org/10.1016/j.wasman.2025.114864.CrossRef
Luptáčik, P., Schneider, H. W., Pöchhacker-Tröscher, G., Scherk, J. (2021): Anreize für eine nachhaltige Kreislaufwirtschaft im Textil- und Bekleidungssektor in Österreich. Analyse von Rahmenbedingungen, Instrumenten und Handlungsperspektiven. Im Auftrag des BMK).
Mhaddolkar, N., Koinig, G., Vollprecht, D., Astrup, T.F., Tischberger-Aldrian, A. (2024): Effect of Surface Contamination on Near-Infrared Spectra of Biodegradable Plastics. Polymers 16, 2343. https://doi.org/10.3390/polym16162343.CrossRef
Sarc, R., Curtis, A., Kandlbauer, L., Khodier, K., Lorber, K.E., Pomberger, R. (2019): Digitalisation and intelligent robotics in value chain of circular economy oriented waste management—A review. Waste Management 95, 476–492. https://doi.org/10.1016/j.wasman.2019.06.035.CrossRef
Shamsuzzaman, M., Al. Mamun, M.A., Hasan, H.M.R.U., Hassan, R., Zulkernine, A., Atik, M.A.R., Islam, M. (2025): Fashion Circularity: Potential of Reusing and Recycling Remnant Fabric to Create Sustainable Products. Sustainability 17(5), 2010. https://doi.org/10.3390/su17052010.CrossRef
Stipanovic, H., Koinig, G., Fink, T., Tischberger-Aldrian, A. (2026): Effects of surface contamination on automated textile sorting using NIR-spectroscopy. Waste Management 210, 115227, ISSN 0956-053X, https://doi.org/10.1016/j.wasman.2025.115227.CrossRef
Tischberger-Aldrian, A., Stipanovic, H., Kuhn, N., Bäck, T., Schwartz, D., Koinig, G. (2023): Automatisierte Textilsortierung – Status quo, Herausforderungen und Perspektiven. Österreichische Wasser- und Abfallwirtschaft 76(1-2), 63–79. https://doi.org/10.1007/s00506-023-01004-5.CrossRef
Tischberger-Aldrian, A., Winkler, K., Fonseca Diaz, V., Rainer, R., Strohmeier, F., Neubauer, M., Rückert, E., Ebenhofer, G., Pönitz, T., Koinig, G. (2024): Datenbereitstellung für KI-Systeme – Fallbeispiele und ihre Herausforderungen. In: Pomberger, R. et al. (Hrsg.): POSTER-Konferenzband zur 17. Recy & DepoTech-Konferenz, 13.–15. November 2024, Montanuniversität Leoben, Österreich. https://pureadmin.unileoben.ac.at/ws/portalfiles/portal/29950597/GESAMT_Poster.pdf, ISBN: 978-3-200-09989‑0
