Hyperspectral Imaging Textiles (HIT)

De textielindustrie moet versneld overstappen naar echte circulariteit. Hoogwaardige recycling is daarbij cruciaal. Toch stokt dit proces vaak, omdat we niet precies weten waar textiel uit bestaat.

Binnen Hyperspectral Imaging Textiles (HIT) ontwikkelen we een nieuwe methode om textielsamenstellingen automatisch te herkennen met hyperspectrale SWIR-camera’s en Artificial Intelligence. We bouwen aan een unieke dataset, ontwikkelen nieuwe AI-algoritmes en realiseren een prototype-opstelling. Daarmee leggen we een belangrijke technische basis voor betere textielrecycling en dragen we bij aan de circulaire doelen van de Europese Unie.

Wat is de aanleiding voor het project?

Textiel is overal. De wereldwijde productie groeit jaarlijks tot meer dan 60 miljoen ton. Dat heeft grote gevolgen voor het milieu: intensief grondstofgebruik, vervuiling en groeiende afvalstromen. Meer circulariteit is geen keuze, maar noodzaak.

De EU-strategie voor duurzaam en circulair textiel (2022) stelt als doel dat textielproducten in 2030 grotendeels gemaakt moet zijn van gerecyclede vezels en geen schadelijke stoffen mogen bevatten. Daarbij is transparantie over de samenstelling van belang. Maar in de praktijk blijkt dat lastig.

Veel textiel bestaat uit complexe vezelmengsels, meerlaagse structuren of bevat additieven die met bestaande technieken moeilijk te detecteren zijn. Labels ontbreken regelmatig of kloppen niet. Daardoor kunnen inzamelaars, sorteerders en recyclebedrijven geen zuivere materiaalstromen creëren. Ontwerpers en producenten missen betrouwbare data voor circulair ontwerp en productpaspoorten.

De gedeelde behoefte aan nauwkeurige, geautomatiseerde herkenning van vezels en hulpstoffen vormde de basis voor dit consortium.

Welk probleem lost het project op?

Bestaande analysetechnieken schieten tekort bij het herkennen van complexe textielsamenstellingen. Variatie in materialen, verweving, multilayers en de aanwezigheid van additieven maken betrouwbare identificatie op vezelniveau moeilijk.

Dat heeft directe gevolgen voor de keten. Zonder duidelijke materiaalstromen is hoogwaardige recycling nauwelijks mogelijk. Ook de vereiste transparantie, bijvoorbeeld voor een digitaal productpaspoort, kan niet worden gegarandeerd.

Ontwerpers, producenten, sorteerders en recyclebedrijven lopen daardoor vast in hun ambitie om circulair te werken. Er is behoefte aan technologie die snel, betrouwbaar en automatisch kan bepalen waar textiel precies uit bestaat.

Het doel van HIT is om een betrouwbare technologie te ontwikkelen die textielsamenstellingen automatisch herkent. Met geavanceerde SWIR-beeldtechnologie, nieuwe AI-algoritmes en een unieke textieldataset bouwen we aan een systeem dat textiel op de lopende band nauwkeurig classificeert. Zo nemen we een belangrijke technische barrière weg voor een circulaire textielketen.

Wie is het projectteam?

Het onderzoek gebeurt door onderzoekers van de lectoraten Circular Plastics en Computer Vision & AI en studenten van de opleiding chemie, de master Computer Vision & Data Science en de minor I’M AI for Image Data.

Chemiestudenten analyseren de samenstelling van textiel en de invloed van de chemische samenstelling op het SWIR-signaal. Studenten van de master Computer Vision & Data Science en de minor I’M AI for Image Data realiseren vervolgens geavanceerde herkenning met AI. Hierbij is het belangrijk de verhoudingen van de aanwezige vezeltypes te herkennen, maar ook de aanwezigheid van stoorstoffen.

Hoe pakt het projectteam dat aan?

Naast de studenten zijn consortiumpartners actief betrokken, bijvoorbeeld bij het verzamelen van referentiemonsters en het aangeven wat belangrijk is om te kunnen herkennen. We analyseren de samenstelling van deze monsters en gebruiken dit als referentie. Vervolgens maken we een digitale database van foto’s gemaakt met de hyperspectrale Short-Wave Infrared (SWIR)-camera. Deze data is input voor geavanceerde herkenning en classificatie met Artificial Intelligence methode deep-learning. 

Het op te bouwen systeem wordt doorlopend getest. Zo brengen we de nauwkeurigheid per materiaalsoort in kaart en toetsen we of de prestaties voldoen aan de eisen voor verdere verwerking in de recyclingketen. Daarnaast onderzoeken we de mogelijkheden voor opschaling en doorontwikkeling naar een hoger TRL-niveau.

Voornaamste (en voorlopige) resultaten

Automatische herkenning van puur en gemengd textiel is al mogelijk, maar de nauwkeurigheid wordt nog verbeterd. We doen al testen voor opschaling samen met partners en focussen ons nu ook op stoorstoffen voor recycling.

Projectpartners

• NHL Stenden Hogeschool (penvoerder)
• Sympany
• Textile4ever B.V.
• Arapaha
• House of Design
• Batenburg Beenen
• de tijdelijke expert
• Havep
• Modint
• NRK

Dit project wordt gefinancierd door Regieorgaan SIA.