Multi-sensor detecties op invoer materialen met deep learning om geinformeerde behandeling van elektronisch afval mogelijk te maken

De behandeling van afgedankte elektrische en elektronische apparatuur (AEEA) is vandaag gekarakteriseerd door initieel schadelijke componenten manueel te scheiden en vervolgens de afvalstroom volledig te versnipperen om zo recyclaten te kunnen herwinnen. Deze methode wordt betwist vanuit verschillende perspectieven: (1) vanuit een gezondheids- en veiligheidsperspectief aangezien er bandwerk wordt vereist in een gevaarlijke omgeving waarbij werknemers kunnen worden blootgesteld aan schadelijke stoffen en aangezien er steeds meer branden in recyclagebedrijven worden gerapporteerd vanwege het versnipperen van ongeïdentificeerde brandbare componenten en (2) vanuit een economisch en ecologisch perspectief aangezien herbruikbare producten en componenten vaak niet apart worden behandeld en aangezien een groot aantal kritische grondstoffen, die van groot belang zijn voor de ontwikkeling van de circulaire economie kunnen worden teruggevonden in AEEA maar niet als recyclaat worden ontgonnen.

Hieruit komt de nood aan het licht om product-gebaseerde behandelingstechnieken te ontwikkelen. Om dit mogelijk te maken moet in eerste instantie informatie over de identiteit en in tweede instantie informatie over de inhoud van een product worden bepaald om op intelligente wijze de afvalstroom te kunnen sorteren en (semi-)automatische behandeling van gevaarlijke, waardevolle en herbruikbare componenten mogelijk te maken.

Daarom zal dit doctoraat de toepasbaarheid van de huidige state-of-the-art in deep-learning computer visie detectietechnieken op verschillende beeldtypes zoals kleur en X-Ray in functie van deze toepassing onderzoeken. In een eerste stadium vanuit een technisch perspectief en in tweede stadium vanuit een economisch perspectief aan de hand van de verhouding tussen de geschatte waarde van een product en de behandelingskost.