ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing

Waarom slim afval scheiden ertoe doet

Elke dag worstelen steden wereldwijd met bergen gemengd afval. Wanneer flessen, blikjes, etensresten en batterijen in dezelfde container terechtkomen, wordt het lastiger en duurder om ze veilig te recyclen. Dit artikel introduceert ResSeMo, een nieuw computerziensysteem dat machines leert verschillende soorten afval snel en betrouwbaar te herkennen, zelfs in echte straatbeelden, en zo helpt naar schonere buurten en efficiëntere recycling.

De groeiende stapel stedelijk afval

Urbanisatie heeft de hoeveelheid afval die mensen produceren scherp doen toenemen. Traditionele sorteermethoden vertrouwen op arbeiders en eenvoudige machines die vaak meer dan een kwart van het afval verkeerd classificeren. Dat betekent dat waardevolle materialen begraven of verbrand worden in plaats van hergebruikt, en dat gevaarlijke items zoals batterijen door de mazen glippen. Onderzoekers hebben zich gericht op moderne beeldherkenning, waarbij camera’s en algoritmen foto’s van afval onderzoeken en bepalen of een object van glas, plastic, papier, metaal of iets anders is. Toch zijn veel bestaande systemen ofwel traag en zwaar, of werken ze alleen goed in schone, gecontroleerde labomstandigheden, niet op rommelige stoepen of in volle vuilnisbakken.

Een nieuw drieledig brein voor afval

ResSeMo pakt dit probleem aan door drie typen neurale netwerkmodules te combineren tot één gecoördineerd “brein.” Het eerste deel is gespecialiseerd in het herkennen van rijke visuele details op meerdere schalen, zoals textuur, contouren en glans, zodat het een glazen fles van een plastic exemplaar kan onderscheiden. Het tweede deel werkt als een spotlicht en versterkt de belangrijkste visuele signalen, zoals corrosieplekjes op metaal of patronen typisch voor batterijen, terwijl afleidende achtergronden worden onderdrukt. Het laatste deel richt zich op het doen van dit alles met veel minder berekeningen, waardoor het systeem op kleine apparaten zoals slimme containers of laagvermogen sensoren kan draaien zonder veel geheugen of energie te verbruiken. Samen vormen ze een stappenplan dat rommelige beelden omzet in zekere categorie-beslissingen.

Training met echt wereldafval

Om ResSeMo te testen gebruikten de auteurs twee grote beeldverzamelingen. De eerste, TrashNet, bevat een paar duizend foto’s genomen in eenvoudige settings waarbij elk object duidelijk en gecentreerd is. De tweede, TACO, is veel groter en dichter bij de realiteit, gevuld met zwerfafval verspreid op straten, in parken en binnenhoeken, vaak klein, deels verborgen of slecht verlicht. Het team heeft deze data zorgvuldig voorbereid: ze brachten categorie-labels tussen de twee bronnen op één lijn, vergrootten het aantal voorbeelden met standaardtrucs zoals rotatie en helderheidsaanpassingen, en maakten afbeeldingsgebieden rond zeer kleine objecten zoals flessendoppen groter om ze voor het model makkelijker zichtbaar te maken. Ze voegden ook extra labels toe die beschrijven hoe vuil en hoe lomp elk item eruitziet, om later te kunnen analyseren hoe sorteerverschillen de rest van de afvalverwerkingsketen kunnen beïnvloeden.

Het model aan de tand gevoeld

ResSeMo werd vergeleken met tien bekende netwerken, inclusief zwaargewichten die vaak in onderzoek worden gebruikt en lichtere modellen ontworpen voor telefoons. Op de eenvoudigere TrashNet-foto’s classificeerde het nieuwe systeem iets meer dan negen van de tien items correct, terwijl het veel minder rekentijd nodig had dan de krachtigste concurrenten. Op de zwaardere TACO-afbeeldingen herkende het nog steeds bijna 87 procent van de items correct en bleef het verwerkingsvermogen laag. Het model hield zich ook goed onder zware omstandigheden: toen de onderzoekers ruis, vervaging, duisternis, schittering of gesimuleerde slecht weer toevoegden, daalde ResSeMo’s nauwkeurigheid slechts bescheiden en bleef hoger dan die van rivaliserende modellen. Verdere tests op kleine boards zoals NVIDIA Jetson Nano en Raspberry Pi lieten zien dat een gecomprimeerde versie met laag vermogen en geheugen kon draaien, wat het geschikt maakt voor in het veld ingebedde apparaten.

Wat dit betekent voor het dagelijks leven

Eenvoudig gezegd laat ResSeMo zien dat het mogelijk is een afvalsorteersysteem te bouwen dat zowel scherpzinnig als praktisch is. Door krachtige patroonherkenning te combineren met een ontwerp dat op klein, energiezuinig hardware past, helpt deze aanpak de kloof tussen onderzoek en echte containers op echte straten te overbruggen. Hoewel er meer werk nodig is om zeldzame afvaltypes of extreme omstandigheden aan te pakken, toont deze studie een veelbelovende weg voor steden die de frontlinie van sortering willen automatiseren, meer materialen willen terugwinnen en schadelijke items uit stortplaatsen en verbrandingsovens willen houden.

Bronvermelding: Liu, T., Li, B. & Wang, Z. ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing. Sci Rep 16, 15167 (2026). https://doi.org/10.1038/s41598-026-45814-5

Trefwoorden: afvalclassificatie, deep learning, slimme recycling, edge AI, stedelijke reiniging