Synthetische Generierung von Trainingsdaten für kontrollierbares Lernen von Bilderkennungsverfahren im Recycling

Die moderne Abfallwirtschaft steht vor der Herausforderung, Recyclingprozesse effizienter zu gestalten. Eine präzise Sortierung ist dafür unerlässlich. Der Sortierprozess könnte mithilfe von künstlicher Intelligenz (KI) optimiert werden. Die Implementierung solcher KI-gestützten Objekterkennungssysteme wird jedoch durch den Mangel an repräsentativen Trainingsdaten erschwert, deren Beschaffung praktisch oftmals nicht möglich oder typischerweise mit hohem Arbeitsaufwand und Kosten verbunden ist. Diese Arbeit stellt einen neuartigen prozeduralen Alpha-Matting-basierten Ansatz zur synthetischen Datengenerierung vor, welcher aus begrenzten Realdaten neue Kompositionen und Labels gleichzeitig erstellt. Im Gegensatz zu konventionellen Cut-and-Paste-Methoden, welche typischerweise Objekte zur Gänze einfügen oder nur einen Übergang an den Rändern verwenden, berücksichtigt der präsentierte Ansatz die realistische Darstellung transparenter Objekte wie Kunststoffe durch die Verwendung von Transparenz-Schätzungen. Um die Anwendbarkeit des Ansatzes zu demonstrieren, werden RGB-Bilder aus einem typischen Sortier-Szenario mit einer orthogonal zum Förderband montierten Kamera verwendet, bei welchem verschiedene Objekte mittels KI automatisch erkannt werden sollen. Die durchgeführten Experimente zeigen, dass moderne KI-Modelle, welche mit rein generierten Daten trainiert wurden, eine sehr gute Lokalisierungsperformance auf realen Daten aufweisen. Insgesamt demonstriert diese Arbeit das Potenzial der Alpha-Matting-basierten synthetischen Datengenerierung als kosteneffiziente Lösung für die Akquisition zusätzlicher Daten zur Verbesserung von Abfallmanagementsystemen und zeigt die Herausforderungen bei der Erkennung verschiedener Kunststofftypen in Sortieranwendungen auf.