Die Steigerung der jährlichen Menge an in Verkehr gebrachten Gerätebatterien zeigt den Drang zur Entwicklung batteriebetriebener Geräte. Infolge des hohen Ressourcenverbrauches und Kreislaufpotenzials stehen Batterien im Fokus gesetzlicher Novellierungen. Trotz der Bereitstellung von Sammelinfrastrukturen finden Batterien vermehrt den Weg in diverse Abfallströme. Unsachgemäß entsorgte Batterien gefährden nicht nur die ökonomische Behandlung von Abfällen, sondern führen im Brandfall zur Gefährdung der Umwelt und des Betriebspersonals. Diese Herausforderungen erfordern die Entwicklung von Systemen zur Detektion von Batterien in Abfallströmen, um das Risiko für die nachhaltige Bewirtschaftung von Abfällen zu minimieren. Die Entwicklung zuverlässiger Systeme erfordert jedoch die Bereitstellung von umfassenden, fehlerlosen Datensätzen. Die vorliegende wissenschaftliche Betrachtung setzt sich in diesem Kontext zum Ziel, grundlegende Kenntnisse über Einflüsse auf die optische Detektion und Datenverarbeitung zu erarbeiten. Um verschiedene Einflüsse auf die optische Erkennung von Batterien zu eruieren, erfolgte die Erstellung einer Batterie-Bilddatenbank durch die Aufnahme von qualitativ beprobten Altbatterien im Flug. Die Untersuchung der Beeinflussung von Kameraeinstellungen und der Komponentenanordnung auf die Bildqualität wurde in Versuchsreihen betrachtet. Die Variation der Trainingsparameter ermöglichte die Analyse der Einflüsse auf die Klassifikation von Batterien mittels künstlicher neuraler Netzwerke. Das Training eines YOLOv8-Modelles und die Vorhersage von Batterien in künstlich beimpften Abfallströmen lieferte Erkenntnisse über die Einsatzfähigkeit eines KI-gestützten Systems zur Detektion von Batterien. Die Ergebnisse dieser wissenschaftlichen Arbeit zeigen die Möglichkeit der Detektion von Batterien in Abfallströmen, und bilden die Basis für weitere Optimierungen eines Detektionsalgorithmus.