Sådan fungerer AI-baseret affaldssortering på genbrugsanlæg

Af Tommy Jonsson, Adm. direktør, Byte Motion · Opdateret 2026-10-29

AI-affaldssortering bruger industrikameraer og AI-detektionsmodeller til at genkende poser og materialer på et transportbånd eller i et modtageområde og styrer derefter robotter, der plukker, åbner eller sorterer dem. Trænet på billeder fra den rigtige affaldsstrøm forbliver modellerne pålidelige, hvor faste regler fejler — i linjehastighed, på materiale der aldrig ser ens ud to gange.

Hvorfor affaldsstrømme slår traditionel vision ud

Traditionel regelbaseret vision fungerer ved at fastlåse det, den forventer: ensartet belysning, ensartede dele, forudsigelig præsentation og tærskler, der er indstillet én gang ved idriftsættelsen. En produktionslinje kan somme tider give den slags forudsigelighed. En affaldslinje kan ikke. Poseform, orientering, fyldningsgrad og forurening varierer hele tiden; det samme produkt — en husholdningsaffaldspose — dukker op iturevet eller hel, slap eller overfyldt, alene eller begravet i en bunke, dækket af støv og folie, der ændrer, hvordan hver overflade aflæses. Ingen fast regel kan beskrive det input, så regelbaserede systemer, der klarer en acceptancetest på rene prøver, forringes hurtigt i drift.

AI-vision griber problemet an fra den modsatte vinkel. I stedet for at kode regler trænes detektionsmodellerne på billeder af den faktiske strøm — mange eksempler på, hvordan poser og materialer rent faktisk ser ud på det specifikke anlæg. Modellen lærer variationen i stedet for at kæmpe imod den, og det er derfor AI-baseret sortering forbliver stabil, selv når inputtet er uforudsigeligt. Den praktiske konsekvens: opgaver, der længe blev anset for umulige at automatisere med traditionel vision — at lokalisere deformerbare poser, at skelne visuelt ens posetyper fra hinanden — bliver til rutinemæssig ingeniørkunst.

Posedetektion og robotstyret åbning hos Nordic Recycling

Det tydeligste eksempel er poseåbningscellen, Byte Motion leverede til Nordic Recycling, en førende aktør inden for genbrugsdrift, der håndterer store mængder affaldsmateriale. Poseåbning sidder helt fremme i anlægget: alt nedstrøms — sigtning, fraktionssortering, genindvinding — afhænger af en jævn strøm af åbnet materiale, så når åbningen er manuel, arver hele anlægget den ujævnhed.

Udfordringen. Affaldet ankommer til anlægget i forseglede poser på et transportbånd. Operatører skulle manuelt lokalisere, skære og åbne hver eneste pose, før indholdet kunne sorteres og behandles — tidskrævende, arbejdskrævende og ujævnt arbejde, der skabte flaskehalse i genbrugsflowet og satte et loft over anlæggets samlede effektivitet.

Løsningen. Kameraer over transportøren fodrer et AI-visionsystem, der registrerer hver pose i realtid. Ud fra posens form, position og orientering beregner systemet den optimale måde at plukke og skære den på og sender den instruktion direkte til den tilkoblede industrirobot, som udfører skæringen og åbner posen med ensartet præcision.

Resultaterne. Behandlingshastigheden er nu stabil, uanset poseform, orientering eller fyldningsgrad — den variation, der tidligere skabte manuelle flaskehalse, er væk. Det manuelle arbejde i poseåbningstrinnet er reduceret, hvilket frigør medarbejdere til mere værdiskabende sorteringsopgaver, og anlæggets samlede gennemløb er steget, fordi materialet nu flyder uafbrudt videre ind i sorteringsprocessen.

Hele installationen er beskrevet i Nordic Recycling-casen. Læg mærke til, hvad der reelt gjorde forskellen: ikke en smartere kniv, men en detektion, der er robust nok til, at robotten altid ved, hvor og hvordan den skal skære.

Robotstyret sortering af hele poser i kommunal skala

Før selve åbningen er sortering af hele poser sin egen opgave: at plukke de rette poser ud af blandet affald og dirigere dem til den korrekte fraktion. To norske installationer fra vores side om genbrugsautomatisering viser, hvordan det ser ud i drift.

Hos et affaldshåndteringsselskab, der betjener kommuner i regionen Sør-Hedmark, er fire Lucid Helios2+ 3D-farvekameraer monteret over to containere med husholdningsaffald. En AI-model identificerer og kategoriserer de affaldstyper, der er til stede, og en skinnemonteret ABB IRB 6700 bevæger sig langs containerne og plukker poser — op til fire pr. cyklus — med en specialbygget multigriber, der er designet til at forbedre cyklustiden. Mens cellen kører, indsamler den statistik i realtid: driftsledere kan følge pluk, fordeling af affaldstyper og skiftdata på et dashboard — et driftsindblik, der slet ikke fandtes, da arbejdet blev udført manuelt. Medarbejderne skal ikke længere håndtere husholdningsaffaldsposer direkte i det primære sorteringstrin.

Hos Halden kommune er opgaven mere fintmasket: et 3D-farvekamera over affaldets modtageområde fodrer en model, der er trænet til at genkende de specifikke grønne poser med bioaffald — og til at skelne dem fra visuelt lignende grønne poser, som ikke skal sorteres som bioaffald, en skelnen manuelle sortører ofte kommer til at fejle på under tidspres. Korrekt sorteret bioaffald når frem til kompostering i stedet for restaffald, hvilket forbedrer udsorteringsgraden og reducerer omkostningerne til efterfølgende behandling.

Den samme detekter-og-handl-model udvides også til fjernelse af forurenende emner — at identificere farlige genstande som batterier i en blandet strøm og fjerne dem robotstyret — som beskrevet på produktsiden for AI-affaldssortering.

Valg af kamera til en affaldsstrøm

Det rette kamera afhænger af materialet og den beslutning, der skal træffes. I installationerne ovenfor bruges 2D-farvekameraer til klassifikationsopgaver, mens 3D-farvekameraer bruges, hvor dybde og fyldningsgrad spiller ind, som ved posepluk fra bulkcontainere, og højopløste industrikameraer bruges, hvor små mål skal opløses i båndhastighed. Optimus-platformen er kameraagnostisk, så hardwaren vælges til opgaven i stedet for at blive dikteret af softwaren — og i hvert eneste tilfælde trænes AI-modellerne på billeder fra den faktiske affaldsstrøm, de skal køre på, ikke et generisk datasæt. En kommunal husholdningsstrøm ligner ikke en kommerciel eller en byggeaffaldsstrøm, og modellen bør kende forskellen.

Human-in-the-loop til grænsetilfældene

Ingen model klassificerer hvert eneste emne med sikkerhed, og i affaldsstrømme er den lange hale af mærkelige objekter reelt lang. Human Assisted Vision (HAV) håndterer den hale uden at give afkald på automatiseringen. Hver detektion bærer en konfidensscore. Emner med høj konfidens håndteres automatisk af robotten i maskinhastighed; tvivlsomme tilfælde vises for en operatør på en skærm med det levende billede, og operatørens afgørelse udføres med det samme. Hver beslutning gemmes desuden som ny træningsdata, så modellen over tid håndterer flere tilfælde selvstændigt, og andelen af eskaleringer falder. De norske kommunale installationer ovenfor kører netop denne arbejdsgang: robotter klarer hovedparten af sorteringen, mens operatører beholder overblikket og griber ind ved grænsetilfælde fra en skærm i stedet for at stå ved selve sorteringslinjen.

Kan AI-affaldssortering tilføjes en eksisterende linje?

Ja. Optimus-platformen er kamera- og robotagnostisk og integreres med eksisterende transportbånd, signaler og anlægslogik via gængse industrielle protokoller, så sorteringscellen fungerer som en del af hele processen frem for som en isoleret demo. Hardwaren vælges til opgaven, og eksisterende robotter og transportbånd forbliver på plads.

Hvordan trænes et AI-affaldssorteringssystem?

Detektionsmodellerne trænes på billeder fra anlæggets faktiske affaldsstrøm i stedet for et generisk datasæt. Et afgrænset forstudie træner indledende modeller på rigtige billeder fra jeres linje og bekræfter detektionsevnen, før nogen installation besluttes. Med Human Assisted Vision bliver operatørernes afgørelser på tvivlsomme emner ved med at fodre modellerne som ny træningsdata efter idriftsættelsen.

Erstatter AI-affaldssortering manuelle sortører?

Det fjerner mennesker fra de beskidteste og mest repetitive trin, ikke fra anlægget som sådan. Hos Nordic Recycling frigjorde automatisering af poseåbningen medarbejdere til mere værdiskabende sorteringsopgaver; på et norsk kommunalt anlæg håndterer medarbejderne ikke længere husholdningsaffaldsposer direkte i det primære sorteringstrin. Med Human Assisted Vision flytter de resterende skønsafgørelser over på en skærm.

Næste skridt: bevis det på jeres egen affaldsstrøm

Om AI-sortering virker på en given linje, er et empirisk spørgsmål, og det besvares før installationen, ikke bagefter: et afgrænset forstudie træner og tester detektionen på billeder fra jeres faktiske strøm. Kontakt Byte Motion for at sætte det op — vi svarer inden for én arbejdsdag.

Relaterede produkter

Relaterede kundecases

Relaterede guider

Book en gratis konsultation