Optische Sortierung von Ziegel- und Mauerwerksbruch
unter Verwendung von Verfahren des maschinellen Lernens

1. Einleitung

Die Bauwirtschaft steht unter wachsendem Druck, ihre Umweltauswirkungen zu minimieren und den Übergang zu einer Kreislaufwirtschaft zu vollziehen. Ein wichtiger Aspekt dabei ist die Optimierung des Recyclings und der Wiederverwendung von Bauabfällen, die weit über ein Drittel des gesamten Abfallaufkommens in Deutschland und Europa ausmachen. Von besonderer Bedeutung sind dabei mineralische Bauabfälle, wie Ziegel- und Mauerwerkbruch (»Abbildung 1), die einen erheblichen Anteil am Gesamtabfallaufkommen haben. Allein in Deutschland fielen im Jahr 2022 207,9 Mio. Tonnen mineralische Bau- und Abbruchabfälle an, davon ca. 10 Mio. Tonnen Ziegel- und Mauerwerkbruch [1]. Dieser Abfallstrom bietet ein erhebliches Potenzial für hochwertige Recyclinganwendungen, insbesondere im Hochbau [2]-[4].

Obwohl Deutschland eine hohe Recyclingrate für mineralische Bau- und Abbruchabfälle aufweist, wird ein großer Teil dieses Materials für minderwertige Anwendungen, wie den Straßen- und Wegebau oder Verfüllungen verwendet [5], [6]. Diese Praxis schmälert die potenziellen ökologischen und wirtschaftlichen Vorteile, die durch ein hochwertiges Recycling erzielt werden könnten und schränkt die Verwendung von Recyclingmaterial in Anwendungen, wie der Beton- oder Ziegelherstellung ein [7]. Beim Rückbau von Gebäuden entsteht ein Gemisch verschiedener Materialien, dass in Recyclinganlagen zu rezyklierten Gesteinskörnungen vorsortiert wird und im Straßen-, Wege- und Sportplatzbau oder als Vegetationssubstrat Verwendung findet. Je nach Produktgruppe unterscheiden sich die Zugabemengen an Recycling (RC)-Material, welches problemlos wieder in den Produktionsprozess eingebunden werden kann, erheblich. Auch die Qualität des RC-Materials, das verwertet werden kann, muss sich nach dem jeweiligen Einsatz richten. Während im Bereich der Hintermauerziegel eine Zugabemenge von bis zu 25 % RC-Material in neuen Ziegelprodukten gut möglich ist, beschränkt sich diese für Dachziegel auf höchstens 3 % [8]. Voraussetzung dafür ist jedoch der Ausschluss von Mörtelanhaftungen oder anderen Störstoffen.

Ziegel- und Mauerwerkbruch stellt aufgrund seiner Heterogenität eine große Herausforderung für den Recyclingprozess dar [9]. Verunreinigungen, wie anhaftende Putze und Mörtel, erschweren das Erreichen der für ein hochwertiges Recycling erforderlichen Materialreinheit. Herkömmliche mechanische Sortierverfahren, die auf physikalischen Eigenschaften wie der Dichte basieren, können diese Materialien nur schwer effektiv trennen. Aus diesem Grund haben sensorgestützte optische Sortierverfahren in den letzten Jahren an Bedeutung gewonnen [10]-[14].

Im IGF-Vorhaben Nr. 22068 BG wurde ein Demonstrator für die Sortierung von Mauerwerkbruch im Größenbereich von 2-8 mm aufgebaut. Dieser ermöglicht mittels eigens entwickelter Erkennungsalgorithmik in Verbindung mit bildgebenden Verfahren die Klassifikation sowie Separierung verschiedener Ziegelarten (Hintermauerziegel (HMZ), Vormauerziegel (VMZ) und Dachziegel (DZ)). Auch Störstoffe werden zuverlässig erkannt und können aussortiert werden. Sortenreine Ziegelrezyklate können somit aussortiert und der Ziegelproduktion, sowie anderen Einsatzbereichen in der Mörtel-, Zement- und Betonindustrie wieder zugeführt werden.

2. Materialien und Demonstrator

2.1. Materialien des Datensets

Für das Training verschiedener Klassifikatoren aus dem Bereich des maschinellen Lernens wurden insgesamt 59 Proben (recycelte und neuwertige) in einer Datenbank inklusive der baustofftechnischen, bildanalytischen und spektralen Kennwerte erfasst. Weitere zehn Proben dienten der Evaluierung der Erkennungsalgorithmen. Die Sammlung umfasste neben hochgebrannten Ziegeln (DZ und VMZ) und niedriggebrannten Ziegeln (HMZ) auch Störstoffe. Die Proben wurden hinsichtlich ihrer physikalischen, chemischen und mineralogischen Eigenschaften analysiert.

Zum Anlernen des Sortiersystems wurden die Ziegelproben aufgrund ihrer baustofftechnischen Eigenschaften und ihres Verwertungspotenzials in fünf verschiedene Kategorien eingeteilt:

Kategorie I: sortenreines, hoch gebranntes Material (Klinker),

Kategorie II: sortenreines, hartes Material (DZ und VMZ mit ρ_roh > 2,0 g/cm³),

Kategorie III: weiches Material (HMZ mit ρ_roh < 2,0 g/cm³),

Kategorie IV: Mauerwerkbruch und

Kategorie V: Störstoffe, wie Beton, Mörtel und Gips.

»Abbildung 2 zeigt den Zusammenhang zwischen der Rohdichte und der 24 h-Wasseraufnahme für die verschiedenen Probenkategorien. Hoch gebrannte Ziegel (Kategorie I und II) weisen eine höhere Rohdichte und eine geringere Wasseraufnahme auf. Umgekehrt weisen niedrig gebrannte Ziegel (Kategorie III) eine geringere Rohdichte und eine höhere Wasseraufnahme auf, was auf die höhere Porosität zurückzuführen ist. Die Störstoffe (Kategorie V) sind in ihrer Zusammensetzung heterogener und variieren deshalb stärker. Die Mauerwerkbruch-Gemische (Kategorie IV) sind hier nicht aufgeführt.

2.2. Demonstrator

Der in »Abbildung 3 dargestellte Demonstrator ermöglicht die kontinuierliche Aufgabe und den Transport von Partikeln auf einem Förderband sowie die Klassifizierung in Echtzeit mithilfe von RGB-Bildern, Klassifikatoren des maschinellen Lernens und einem synchronisierten, softwaregesteuerten, mechanischen Austragssystem. Die RGB-Zeilenkamera ermöglicht eine schnelle und hochpräzise Bildaufnahme, während sich die Partikel auf dem Förderband bewegen. Die Partikel mit einer Größe von 2 bis 8 mm werden mit einem linearen Vibrationsförderer transportiert, so dass eine gleichmäßige Verteilung und Ausrichtung während der Bildaufnahme sichergestellt ist und das Risiko einer Überlappung oder Fehlausrichtung der Partikel minimiert wird. Das Beleuchtungssystem besteht aus zwei LED-Zeilenbeleuchtungen mit zylindrischen Linsen, die im 45°-Winkel zum Förderband angeordnet sind, um das Licht gleichmäßig zu verteilen, die Schattenbildung zu reduzieren und die Oberflächentexturen der Partikel hervorzuheben. Aus den vorverarbeiteten Bildern wird eine Vielzahl an Bild-Merkmalen zu Farbe, Textur und Form berechnet. Anhand dieser Merkmale wurden maschinelle Lernmodelle (Klassifikatoren) trainiert, so dass die Partikel anhand ihrer optischen Eigenschaften unterschieden werden können. Das Klassifikationsmodell basierte hauptsächlich auf einer Support Vector Machine (SVM), die sich als besonders effektiv bei der Verarbeitung hochdimensionaler Daten und der genauen Unterscheidung zwischen den Kategorien erwies.

Mittels Demonstrator wurde ein großer Bild-Datensatz erstellt und verarbeitet, wobei Kreuzvalidierungstechniken verwendet wurden, um die Leistung der maschinellen Lernmodelle zu bewerten.

3. Ergebnisse

3.1. Auswahl eines Klassifikators

Anhand von Voruntersuchungen wurde für die o. g. Erkennungsaufgabe als am besten geeignet eine SVM mit einem Radial Basis Function (rbf)-Kernel ausgewählt. Die SVM ist ein bekannter Algorithmus im Bereich des maschinellen Lernens, der für Klassifikationsaufgaben eingesetzt wird. Die Eingabedaten werden in einem höherdimensionalen Raum abgebildet und eine Hyperebene eingefügt, um verschiedene Klassen zu trennen. Die Klassifikations-Leistung des Systems wurde anhand der Erkennungsrate und der Robustheit der Sortierung analysiert, wobei sowohl angelernte als auch nicht angelernte Proben getestet wurden.

3.2. Erkennungs- bzw. Sortierraten für die angelernten Ziegelproben

Der mittels Demonstrators erstellte Trainings-Datensatz (»Abbildung 4) wurde aufgenommen und analysiert. Wie in »Abbildung 5 zu sehen ist, erzielte das System eine mittlere Erkennungs- bzw. Sortierrate von 89,9 %. Die Sortierrate lag in den meisten Kategorien über 90 %, obwohl Kategorie III eine geringere Genauigkeit von 80,4 % aufwies.  

3.3. Testen der Erkennungsroutine an nicht angelernten Proben

Um die Leistung des trainierten Modells zu bewerten, wurde eine Konfusionsmatrix (»Abbildung 6) auf der Grundlage der durchgeführten Tests berechnet. Diese Daten können verwendet werden, um eine differenzierte Beurteilung der Leistung des Klassifikators bei der Kategorisierung von Ziegelpartikel zu erhalten (»Tabelle 1). Die wichtigsten Kennwerte, die mit Hilfe der Konfusionsmatrix berechnet werden, sind ebenfalls in »Tabelle 1 kurz erläutert. Die diagonalen Werte in »Abbildung 6 stellen die Sortierraten für jede Kategorie dar. Bemerkenswert ist, dass die Kategorie V (Störstoffe) eine nahezu perfekte Vorhersage aufweist, während die Klasse I (dicht gebranntes Material) die niedrigste Sortierrate von 79 % erreicht.

»Tabelle 1 enthält eine detaillierte Aufschlüsselung der Klassifizierungsergebnisse für jede Kategorie. Kategorie V erreicht eine sehr gute Genauigkeit von 99,9 %, gefolgt von Kategorie I mit 96,1 %. Die Genauigkeitswerte variieren zwischen den Kategorien, wobei Kategorie II mit 83 % die geringste Genauigkeit aufweist. Demgegenüber weist Kategorie II mit 93,2 % die höchste Sensitivität auf, während Kategorie I mit 79 % die geringste Sensitivität aufweist. Insgesamt liegt der F1-Wert für alle Klassen über 80 %, was auf eine robuste Leistung bei der Klassifizierung und Sortierung von Mauerwerkspartikeln hinweist.

Insgesamt lässt sich sagen, dass der gezeigte Klassifikator eine gute Leistung liefert. Die Fehlklassifizierungen können auf mehrere Faktoren zurückgeführt werden, wie z. B. Schmutz auf dem Förderband oder mechanische Probleme der Sortierklappen. Ein Upgrade auf eine Kamera mit höherer Auflösung kann zukünftig dazu beitragen, die Erkennung zu verbessern, da die Texturen der kleinen Objekte dadurch einen höheren Detailgrad aufweisen und Unterschiede deutlicher hervorgehoben werden können. Auch die Implementation von zusätzlichen Klassifikatoren kann für die weitere Optimierung der Erkennung in Betracht gezogen werden.

4. Zusammenfassung und Ausblick

Die entwickelte Erkennungsalgorithmik zeigt insgesamt sehr gute Ergebnisse bei der automatisierten, sensorgestützten Unterscheidung / Sortierung von verschiedenen Ziegelarten. Insbesondere bei der Identifizierung von Fremdmaterialien (Kategorie V) innerhalb der Chargen wurden Erkennungsraten von 99,9 % ermittelt. Trotz der komplexen Herausforderung, zwischen sortenreinem, hart gebranntem Material (Kategorie I), hoch gebranntem, hartem Material (Kategorie II) sowie niedrig gebranntem, weicherem Material (Kategorie III) zu unterscheiden, erreichte der Klassifikator für alle Kategorien Erkennungsraten > 90 % und einen F1-Score von über 83 % für alle Materialklassen. Diese Genauigkeit belegt die Robustheit des gewählten Ansatzes, insbesondere in einer kontrollierten Laborumgebung.

Zukünftig sollen weitere Einflussfaktoren, wie Kameraauflösung, Beleuchtung, Staubanhaftungen, und Materialfeuchte eingehender untersucht werden. Hierfür ist geplant, eine Zeilenkamera mit höherer Auflösung und einem erweiterten Spektralbereich (nahinfrarotes Spektrum) einzusetzen. Weiterhin kann auch die Verbesserung der maschinellen Lernalgorithmen dazu beitragen, noch besser auf Variationen in den Ziegelmerkmalen und den Umgebungsbedingungen reagieren zu können. Diese Verbesserungen können den Weg für die Skalierung der Technologie auf industrielle Anwendungen ebnen und sie zu einem wertvollen Werkzeug für nachhaltige Industrieprozesse und Bauprodukte machen.

Das derzeitig im Labormaßstab entwickelte und nachgewiesene Verfahren muss in einem Upscaling-Prozess schrittweise auf ein größeres Sortierungssystem übertragen werden. Hierfür sind weitere Untersuchungen zum Einfluss der prozesstechnischen Einflussgrößen auf die Erkennung durchzuführen und die Erkenntnisse in die Erkennungssoftware zu implementieren. Dafür werden Unternehmen, welche das neue Verfahren umsetzen können, benötigt. Die Realisierbarkeit in der Praxis ist möglich und vielversprechend.

Danksagung

Das IGF Vorhaben Nr. 22068 BG unter dem vollständigen Titel: „Automatisierte hyperspektrale Bildgebung und Bildanalyse für die Sortierung von Ziegel und Mauerwerksbruch unter Verwendung von Verfahren des maschinellen Lernens“ wurde gefördert durch das Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages.