Datenakquise für die Digitalisierung der Handsortierung: Methodik und erste Erkenntnisse
Research output: Chapter in Book/Report/Conference proceeding › Conference contribution
Standard
13. Wissenschaftskongress Kreislauf- und Ressourcenwirtschaft: am 15. und 16. Februar 2024 an der Technischen Universität Wien. 2024. p. 171-174.
Research output: Chapter in Book/Report/Conference proceeding › Conference contribution
Harvard
APA
Vancouver
Author
Bibtex - Download
}
RIS (suitable for import to EndNote) - Download
TY - GEN
T1 - Datenakquise für die Digitalisierung der Handsortierung: Methodik und erste Erkenntnisse
AU - Aberger, Julian
AU - Brensberger, Lena
AU - Khodier, Karim
AU - Sarc, Renato
PY - 2024/2/15
Y1 - 2024/2/15
N2 - Die manuelle Sortierung von Abfällen in Sortierkabinen ist physisch und geistig herausfordernd, deshalb befasst sich das Projekt recAIcle mit der Entwicklung eines Assistenzsystems für Sortiermitarbeiter:innen. Für die Entwicklung des Systems sind fortschrittliche Künstliche Intelligenz- und Machine Learning-Modelle erforderlich, sowie hochwertige Trainingsdaten. Die Qualität der öffentlich verfügbaren Trainingsdaten ist oft begrenzt, daher ist es wichtig, maßgeschneiderte Datensets zu erstellen, um bestmögliche Ergebnisse zu erzielen. Im Digital Waste Research Lab des Lehrstuhls für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben wurden experimentell Trainingsdaten für die Objekterkennung, Klassifikation und Aktionserkennung des recAIcle Systems gewonnen. Die Methodik und die Ergebnisse der Trainingsdatenakquise werden in diesem Beitrag vorgestellt.
AB - Die manuelle Sortierung von Abfällen in Sortierkabinen ist physisch und geistig herausfordernd, deshalb befasst sich das Projekt recAIcle mit der Entwicklung eines Assistenzsystems für Sortiermitarbeiter:innen. Für die Entwicklung des Systems sind fortschrittliche Künstliche Intelligenz- und Machine Learning-Modelle erforderlich, sowie hochwertige Trainingsdaten. Die Qualität der öffentlich verfügbaren Trainingsdaten ist oft begrenzt, daher ist es wichtig, maßgeschneiderte Datensets zu erstellen, um bestmögliche Ergebnisse zu erzielen. Im Digital Waste Research Lab des Lehrstuhls für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben wurden experimentell Trainingsdaten für die Objekterkennung, Klassifikation und Aktionserkennung des recAIcle Systems gewonnen. Die Methodik und die Ergebnisse der Trainingsdatenakquise werden in diesem Beitrag vorgestellt.
U2 - 10.15203/99106-120-5
DO - 10.15203/99106-120-5
M3 - Beitrag in Konferenzband
SP - 171
EP - 174
BT - 13. Wissenschaftskongress Kreislauf- und Ressourcenwirtschaft
T2 - 13. DGAW-Wissenschaftskongress: Abfall- und Ressourcenwirtschaft
Y2 - 15 February 2024 through 16 February 2024
ER -
