Plasticanalyse met cameratechnologie bij NHL Stenden
Nieuwe basis voor betere recycling
Boven een lopende band hangt een speciale hyperspectrale camera die stukjes plastic in beeld brengt. Het is een nieuwe opstelling in het mechanisch recyclelab van NHL Stenden Hogeschool waarin de lectoraten Circular Plastics en Computer Vision samenwerken. Met de nieuwe cameraopstelling willen de lectoraten een betere analyse en sortering van plastic mogelijk maken, waardoor betere recycling mogelijk is.
Rick van der Tuin, student Chemie en stagiair bij het lectoraat Circular Plastics, laat zakjes zien gevuld met stukjes plastic in allerlei soorten en kleuren. Afgelopen maanden heeft hij zoveel mogelijk verschillende types plastic uit het afval van afvalverwerker Omrin gesorteerd, gewassen en verkleind. Daarnaast probeert hij zoveel mogelijk chemische informatie over het plastic afval te verzamelen.
“Om de software goed te kunnen trainen hebben we zoveel mogelijk verschillende monsters nodig", legt hij uit. “We leren het computermodel eerst hoe verschillende types plastic eruitzien en testen daarna of het de volgende stukjes plastic kan karakteriseren. Het is daarom belangrijk om de precieze samenstelling te kennen van het materiaal waarmee je de software traint. Hoe meer trainingsdata we hebben hoe betrouwbaarder het model wordt. Dan is de kans kleiner dat het model zijn conclusie baseert op een toevalligheid." Ondertussen legt Rick stukjes plastic netjes in hoopjes op de band en haalt ze onder de camera door. Op het beeld verschijnt een afbeelding, waarop te zien is dat de aanwezige materialen een verschillende kleur hebben.
Speciale software
Martin Dijkstra, project onderzoeker bij het lectoraat Computer Vision, laat zien hoe je de speciaal voor dit project ontwikkelde software vervolgens traint.
“Je selecteert een vierkantje van een bepaald materiaal en specificeert wat het is. Dit doe je voor alle materialen in het beeld, en je wijst ook de achtergrond aan. Bij de volgende scan bekijkt de software waarop het nieuwe materiaal het meest lijkt. Daarom is een goede training belangrijk."
Met de user interface die Dijkstra laat zien lijkt het eenvoudig. Toch is de achterliggende software een stuk ingewikkelder.
“De camera slaat voor elke pixel 224 banden op. Elke band hoort bij een golflengte in het nabije infraroodspectrum en voor al die golflengtes meet de camera welk deel van het licht het materiaal reflecteert. Een normale camera doet dit voor het zichtbare licht, voor slechts drie golflengtes. Deze hyperspectrale camera geeft veel meer informatie over het materiaal, maar dat levert wel enorme databestanden op. Vervolgens zijn er verschillende computermodellen die deze bestanden kunnen verwerken en die beoordelen het materiaal op hun eigen manier. We werken nu aan het trainen en uitbreiden van de huidige modellen. En we testen natuurlijk de betrouwbaarheid van de verschillende modellen bij variërende trainingssets."
Herkennen van plastic
Een volgende scan met dezelfde hoopjes plastic laat zien dat het model na een enkele trainingsfoto al verschillende materialen kan herkennen. Niet alleen van de hoopjes die eerder zijn gespecificeerd is de materiaalsoort nu duidelijk, maar ook van alle andere hoopjes.
Rick van der Tuin vervolgt: “Het is mooi om te zien dat het model ook werkt voor plastic afkomstig uit afval, en niet alleen met het pure materiaal. Hierin zitten natuurlijk weekmakers en pigmenten, maar het model herkent het wel gewoon. Het werkt natuurlijk nog niet perfect, maar dit is slechts het resultaat na een enkel trainingsmonster per materiaal. Na een structurele training zijn er vast veel meer mogelijkheden. Zo zou het mooi zijn als we naast het polymeertype dan ook additieven kunnen zien, of de ketenlengte van het polymeer."