Een objectdetectie-algoritme voor bouw- en sloopafval gebaseerd op een gecascadeerd groepsaandachtsmechanisme

Waarom slimmer afval sorteren ertoe doet

Elke keer dat een gebouw wordt opgetrokken of afgebroken, ontstaat er een berg puin—brokken beton, kapotte bakstenen, tegels, hout, metaal en plastic. Dit bouw- en sloopafval is inmiddels in veel steden goed voor ongeveer 40% van het afval. In dat puin zitten waardevolle materialen die hergebruikt kunnen worden in nieuwe bouwproducten, maar veel sortering gebeurt nog met de hand, wat traag, duur en gevaarlijk is. Dit artikel presenteert een nieuw computervisionsysteem dat in realtime automatisch verschillende soorten bouwafval kan herkennen en classificeren, zelfs wanneer stukken klein zijn, overlappen of sterk op elkaar lijken.

De uitdaging om orde te zien in een hoop puin

Het scheiden van gemengd bouwafval is verrassend moeilijk voor machines. Beton- en keramiekscherven bijvoorbeeld delen vaak vergelijkbare kleuren en texturen, waardoor ze gemakkelijk door elkaar gehaald worden. In echte scènes liggen grote fragmenten vlak naast piepkleine stukjes, veel objecten zijn deels verborgen en licht- of camerahoek kan de verschijning van materialen veranderen. Eerdere AI-systemen voor deze taak misten ofwel nauwkeurigheid, hadden moeite met zeer kleine items of vereisten zware rekenkracht die onrealistisch is voor sorteerlijnen en mobiele apparatuur. De auteurs richten zich op het verbeteren van een populaire familie van snelle objectdetectiemodellen, bekend als YOLO, zodat deze beter met deze rommelige, drukke scènes om kan gaan zonder langzamer te worden.

Een nieuwe manier voor het netwerk om aandacht te richten

De kern van de nieuwe methode is een herontworpen “backbone” die beelden in fasen verwerkt, geïnspireerd op transformer-modellen die in taal en visie worden gebruikt. In plaats van het beeld alleen in kleine lokale stukjes te behandelen, leert het netwerk hoe verder gelegen regio’s zich tot elkaar verhouden, wat helpt wanneer objecten overlappen of in de achtergrond opgaan. Om dit efficiënt te doen introduceren de auteurs een gecascadeerd groepsaandachtsmechanisme. Ze verdelen de interne representatie van het beeld in groepen, laten elke groep zich op patronen binnen zichzelf richten en geven vervolgens geleidelijk informatie van de ene groep aan de volgende door. Dit schema van “eerst lokale focus, later globale verfijning” stelt het model in staat subtiele verschillen te benadrukken tussen bijvoorbeeld beton en keramiek, terwijl geheugen- en rekenkosten laag genoeg blijven voor realtime gebruik.

Het afval op meerdere schalen tegelijk bekijken

Buiten het herkennen van materiaalsoorten moet het systeem ook objecten van zeer verschillende groottes vinden, van piepkleine scherven tot grote balken. Het model gebruikt daarom meerdere lagen die elk op een andere afbeeldingsresolutie werken. Een speciaal interactiemodule laat informatie zowel van grove, overzichtsrijke lagen naar fijne, gedetailleerde lagen stromen als andersom. Grove lagen leveren algemene context—waar hopen zich bevinden, hoe objecten clusteren—terwijl fijne lagen scherpe randen en texturen leveren. Een ruimtelijke aandachtscomponent benadrukt vervolgens de meest informatieve regio’s op iedere schaal en onderdrukt afleidende achtergrond. Ten slotte voorspellen afzonderlijke detectietakken op elke resolutie waar objecten zich bevinden en tot welk materiaal ze behoren, met een trainingsopzet die nauwkeurige plaatsing van boxen aanmoedigt en een gebalanceerde afweging stimuleert tussen veel objecten vinden en valse alarmen vermijden.

Het systeem op de proef stellen

Om hun aanpak te evalueren gebruikten de onderzoekers twee openbare datasets van bouw- en sloopafval. De ene, BTC genaamd, bevat afbeeldingen van bakstenen, tegels en beton; de andere, SWP, richt zich op staal, hout en plastics en bevat duizenden hoge-resolutie afbeeldingen. Het team vergeleek hun methode met verschillende bestaande varianten van YOLO-modellen die voor deze taak waren aangepast. Hun systeem behaalde duidelijk hogere detectiescores op beide datasets, vooral op de moeilijkere maatstaf die beoordeelt hoe precies voorspelde boxen overeenkomen met de werkelijke objectcontouren. Het was bijzonder sterk in het handhaven van een zeer hoge recall—bijna geen objecten missend—terwijl de totale rekencapaciteit bescheiden bleef, concurrerend met of lager dan veel rivalen.

Wat dit betekent voor recycling in de praktijk

Voor niet-specialisten is de belangrijkste conclusie dat de auteurs een slimmere “blik” hebben ontwikkeld voor het sorteren van bouwpuin, een die recyclebare materialen in drukke, chaotische scènes beter kan oppikken en onderscheiden dan eerdere hulpmiddelen. Door efficiënte aandachtsmechanismen te combineren met multi-schaalsverwerking herkent het systeem kleine en overlappende stukken nauwkeuriger, terwijl het snel genoeg blijft om praktisch inzetbaar te zijn op industriële hardware. Enige verwarring tussen afval en achtergrond blijft bestaan, maar de algehele prestaties zijn sterk en stabiel over verschillende datasets. Op de lange termijn kunnen dergelijke verbeteringen recyclinginstallaties helpen meer waardevol materiaal terug te winnen met minder handarbeid, het gebruik van stortplaatsen verminderen en de bouwsector schoner en hulpbronnenefficiënter maken.

Bronvermelding: Jiang, Z., Yang, Y., Hu, J. et al. A cascaded group attention mechanism-based object detection algorithm for construction and demolition waste. Sci Rep 16, 11798 (2026). https://doi.org/10.1038/s41598-026-41557-5

Trefwoorden: detectie van bouwafval, deep learning visie, geautomatiseerde recycling, objectdetectie, aandachtsmechanismen