Afbeelding
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 precies te weten waar het materiaal waar je de software mee gaat trainen uit bestaat. 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 kijkt de software waar het nieuwe materiaal het meest op 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”, vertelt Dijkstra. “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 het materiaal nu duidelijk, maar ook van alle andere hoopjes. “Het is mooi om te zien dat het model ook werkt voor plastic afkomstig uit afval en niet alleen met het pure materiaal”, vindt Rick van der Tuin. “Hier zitten natuurlijk weekmakers in 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.”