KI-gestützte Erkennung von Gasflaschen in Schrott Haufwerken

Abstract

In Schrottverarbeitungsbetrieben stellen Gasflaschen in Schrott Haufwerken ein erhebliches Sicherheitsrisiko dar, da sie beim Schreddern zu Explosionen und Bränden führen können. Da eine zuverlässige manuelle Erkennung bei den anfallenden Materialmengen nicht praktikabel ist, untersucht diese Arbeit die Entwicklung eines KI gestützten Systems zur automatisierten Gasflaschenerkennung über eine am Bagger befestigte Kamera. Im Mittelpunkt steht die Frage, welche Kombination aus Datensatz, Modellarchitektur und Trainingsstrategie die beste Erkennungsleistung unter den gegebenen Ressourcenbeschränkungen erzielt. Hierfür wurde ein domänenspezifischer Datensatz mit 694 realen Aufnahmen erhoben und systematisch durch halb-synthetische sowie vollsynthetische Datenerweiterung und klassische Datenaugmentation optimiert. Verschiedene YOLO-Versionen wurden miteinander verglichen und Mask R-CNN als Two-Stage-Detektor als Gegenmodell evaluiert. Die Ergebnisse zeigen, dass die Datensatzqualität den stärksten Einfluss auf die Erkennungsleistung hatte. Ein fine getunetes YOLOv11-Modell, trainiert auf dem halb-synthetisch erweiterten Datensatz mit milder Augmentation, erzielte die beste Gesamtleistung aller evaluierten Konfigurationen. Mask R-CNN schied trotz vergleichbarer Erkennungsansätze aufgrund seiner zu hohen Inferenzzeit als nicht echtzeitfähig aus. Das Modell ist zum aktuellen Zeitpunkt als Proof of Concept zu verstehen. Als nächster Schritt ist die Erweiterung des Datensatzes durch weitere reale Aufnahmen und zusätzliche synthetische Daten geplant, um die Erkennungsleistung gezielt zu steigern. Anschließend soll das Modell testweise in den Live-Betrieb überführt werden, wobei Bedienerinnen und Bediener korrekte Detektionen markieren, um kontinuierlich neue Trainingsdaten zu generieren und das System iterativ weiterzuentwickeln.