KI-basierte Bilderkennung für die Kreislaufwirtschaft
Die manuelle Identifikation und Zustandsbewertung gebrauchter Industrieteile ist fehleranfällig und lässt sich kaum skalieren, da sich viele Bauteile nur geringfügig unterscheiden und Verschmutzung oder Verschleiß die Beurteilung erschweren. C-ECO setzt neuronale Netze und spezialisierte Bildverarbeitungsalgorithmen ein, die anhand von Bilddaten zu rund 1.400 verschiedenen Gebrauchtteilen trainiert wurden, kombiniert mit Tiefenkameras und Waagen. Im Labortest wurden zunächst 85 Prozent korrekte Identifikationsraten erreicht, durch hierarchische Netzstrukturen auf über 90 Prozent gesteigert.
Vertiefung
Das System liefert Werkern Handlungsempfehlungen statt sie zu ersetzen und unterstützt so die Rückführung gebrauchter Teile in den Wertstoffkreislauf. Laut Quelle spart Remanufacturing gegenüber der Neuproduktion rund 85 Prozent des Rohmaterials und 55 Prozent der Energie ein. Die genannten Erkennungsraten stammen aus Labortests, eine Validierung im Praxisbetrieb steht laut Anbieter noch aus. Voraussetzung ist eine ausreichend große, gepflegte Bilddatenbank der jeweiligen Teilefamilien. Das Vorgehen ist auf andere Branchen mit hohem Rücklaufvolumen an Gebrauchtteilen übertragbar, etwa Ersatzteillogistik oder Recyclingbetriebe.