Ihr optischer Sortierer ist blind für schwarzen Kunststoff. Wir haben aufgehört, es ein Softwareproblem zu nennen.

Als ich das Problem zum ersten Mal wirklich verstand, stand ich am Ende einer Reststromlinie und beobachtete.

Eine schwarze Polypropylen-Schale kam das Band herunter, fuhr an einer Reihe optischer Sortierer vorbei, die den Großteil einer halben Million Dollar gekostet hatten, und fiel zusammen mit allem anderen, das für die Deponie bestimmt war, in den Ausschussstrom. Der Auswerfer darüber löste nie aus. Nicht, weil die Software eine falsche Entscheidung traf. Sondern weil die Software überhaupt nichts sah. Für diesen Sortierer ist eine schwarze Schale auf einem schwarzen Gummiband ein Nichts. Da ist nichts, was sich klassifizieren ließe.

Diese Schale ist es wert, zurückgewonnen zu werden. Schwarzes PP, PE und ABS machen irgendwo zwischen 3 und 15 Prozent eines typischen Kunststoffstroms aus, je nach Region, und fast alles davon landet im Reststrom. Für eine mittelgroße Anlage summiert sich das zu einer Zahl mit einem Komma darin, die jedes Jahr als Deponiegebühr für Material ausgezahlt wird, für das ein Abnehmer gerne zahlen würde. Das ist die Lücke, um die herum wir bei Veriprajna unsere Arbeit an der Materialrückgewinnung und Schwarzkunststoff-Sortierung aufgebaut haben: nicht "KI ins Recycling bringen", denn Recycling hat bereits mehr KI als die meisten Branchen, sondern die eine Sache lösen, an der all diese KI immer wieder vorbeigeht.

Ich ging mit der Überzeugung an die Sache heran, dass dies ein Problem des maschinellen Lernens sei. Ich kam mit der Erkenntnis heraus, dass es ein physikalisches Problem im Kostüm des maschinellen Lernens war und dass das Wertvollste, was wir tun konnten, manchmal darin bestand, einem Werkleiter zu sagen, er solle weniger Geld ausgeben, als er erwartet hatte.

Warum wird ein Sortierer für eine halbe Million Dollar bei schwarzem Kunststoff blind?

Standard-Optiksortierer lesen Polymere mit Nahinfrarotlicht aus, im Bereich von 0,9 bis 1,7 Mikrometern. Der Trick ist elegant: Jeder Kunststoff hat einen molekularen Fingerabdruck, und die Bindungen darin, die Kohlenstoff-Wasserstoff- und Sauerstoff-Wasserstoff-Streckschwingungen, absorbieren bestimmte NIR-Wellenlängen in einem Muster, das der Sensor mit einer Bibliothek abgleichen kann. TOMRA, Machinex, Pellenc, das gesamte High-End-Feld arbeitet mit irgendeiner Variante davon.

Ruß macht das vollständig zunichte. Das Pigment absorbiert praktisch das gesamte Nahinfrarotlicht, bevor es diese molekularen Bindungen erreichen und zurückgeworfen werden kann. Der Detektor empfängt nichts. Man kann das Modell trainieren, so viel man will; es gibt kein Signal in der Eingabe, aus dem es lernen könnte.

Kein noch so umfangreiches KI-Training behebt eine Eingabe ohne Signal. Die Photonen erreichen den Detektor nie. Das ist Sensorphysik, kein Firmware-Update.

Dieser Satz ist der ganze Grund, warum ein anderer Ansatz existiert. Die Lösung besteht darin, zu ändern, welchen Teil des Spektrums man betrachtet. Mittelwelliges Infrarot, etwa 2,7 bis 5,3 Mikrometer, liest die fundamentalen Schwingungen von Polymermolekülen aus statt der schwachen Obertöne, die das NIR aufnimmt, und mit steigender Wellenlänge lockert sich der Griff des Rußes. Bei etwa 3 Mikrometern wird das Pigment praktisch transparent, und der Kohlenstoff-Wasserstoff-Streckschwingungsgipfel bei 3,4 Mikrometern kommt scharf und eindeutig durch. Eine schwarze Schale, die im NIR-Bild ein Loch war, wird im MWIR zu einer sauberen, gezackten Signatur. Die aromatischen Kohlenstoff-Wasserstoff-Moden von Polystyrol trennen sich sauber von den aliphatischen Banden von PE und PP. Die Kamera, die wir einsetzen, eine Specim FX50, erfasst 154 Spektralbänder über diesen Bereich. Sie sieht keine schwarzen Formen. Sie liest die chemische Zusammensetzung bei Fördergeschwindigkeit.

Als ich das zum ersten Mal skizzierte, dachte ich, die Geschichte ende dort. Neue Kamera, neues Spektrum, Problem gelöst. Sie endete dort nicht.

Die Zahl, die die Broschüre Ihnen nicht zeigen will

Die Marketingmaterialien von Specim und die meisten Berichte rund um die MWIR-Sortierung verweisen auf Genauigkeitswerte nahe 99 Prozent. Das war die Zahl, die mir im Kopf herumging, als wir mit dem Bau des Klassifikators begannen. Wir trainierten ein eindimensionales Convolutional Neural Network auf den Spektren, sahen es bei sauberen Referenzproben wunderbar abschneiden, und ich ließ mich zu dem Glauben verleiten, wir seien fast am Ziel.

Dann ließen wir es gegen die Art von Eingabe laufen, die eine echte Aufbereitungsanlage zu sehen bekommt. Keine makellosen Granulate. Ganze Objekte, verkratzt, mit Lebensmittelresten verschmutzt, mit Etiketten beklebt, überlappend auf einem laufenden Band, mit dem Staub und Schmutz, der in einer Recyclinganlage alles überzieht. Die ausgewogene Genauigkeit kam bei 83,4 Prozent zurück.

Ich möchte ehrlich sein, wie das ankam, denn es war der wichtigste Moment im Projekt. Mein erster Instinkt war, dass wir etwas falsch gemacht hätten, dass es einen Fehler in der Pipeline gäbe, eine Kalibrierung, die wir übersprungen hätten. Gab es nicht. Eine begutachtete Arbeit, veröffentlicht in Resources, Conservation and Recycling im Januar 2026, zu genau diesem Problem, MWIR plus ein CNN zur Identifikation von schwarzem Kunststoff, berichtete dieselbe Art von Wert bei echtem Abfall. Die 99 Prozent waren eine Laborzahl. 83 Prozent waren die reale Welt.

Die Lücke zwischen der Labor-Demo und dem schmutzigen Band ist der Ort, an dem die meiste Recyclingtechnik still und leise stirbt. Wir beschlossen, in dieser Lücke zu leben, statt sie zu verbergen.

Das rückte alles daran, wie wir uns präsentieren, in ein neues Licht. Wir hörten auf, nahezu perfekte Rückgewinnung zu versprechen, und begannen, über realistische Rückgewinnungsraten zu sprechen, die Art, die sich für das System immer noch mehrfach auszahlt, denn selbst bei 83 Prozent ist die Wirtschaftlichkeit alles andere als knapp. Eine Anlage mit 50.000 Tonnen pro Jahr und 5 Prozent Schwarzkunststoff sitzt auf rund 2.500 Tonnen rückgewinnbaren Polymers. Zu den gängigen Preisen für recyceltes PP und den vermiedenen Deponiekosten landet der ehrliche, konservative Fall bei rund 2,2 bis 2,7 Millionen an jährlichem Ergebnisbeitrag, gegenüber Nachrüstkosten im unteren sechsstelligen Bereich. Man braucht keine 99 Prozent, damit diese Rechnung aufgeht. Man muss nur aufhören, so zu tun, als hätte man sie.

"Kauf einfach die schnellere Hardware" war mein falscher Instinkt

Das Zweite, worin ich mich irrte, betraf die Geschwindigkeit.

In jeder Sortierlinie steckt eine echte technische Frage: Wie schnell kann man von "die Kamera hat eine schwarze PP-Schale gesehen" zu "das Luftventil hat genau an der richtigen Stelle ausgelöst" kommen? Ist diese Latenz zu lang, hat das Band das Objekt am Auslösefenster vorbeigetragen, und der Auswerfer verfehlt es entweder oder erwischt die Schale plus zwei Nachbarn, und Ihre Reinheit bricht zusammen. Ich nahm anfangs an, die Antwort darauf sei stets schnellere, deterministischere Hardware, eine FPGA-Datenfluss-Pipeline, die etwa 2 Millisekunden ohne Jitter erreichen könnte. Wir begannen sogar, eine zu entwerfen.

Dann rechnete ich tatsächlich die Zahlen für eine repräsentative Anlage durch, und sie beschämten mich. Stellen Sie sich eine Anlage mit 50.000 Tonnen vor, ein 1,2 Meter breites Band bei 3 Metern pro Sekunde, Auswerferdüsen im Abstand von 12,5 Millimetern und eine unoptimierte Edge-GPU-Pipeline mit 50 Millisekunden. Bandgeschwindigkeit mal Latenz ergibt 150 Millimeter Wegstrecke, bevor das Ventil auslöst, und mit Jitter verschmiert das reale Auslösefenster über 200 bis 260 Millimeter, weit breiter als ein Ziel von 60 bis 90 Millimetern. Natürlich sinkt die Reinheit. Aber die Lösung ist nicht das FPGA.

Die Lösung für diese Anlage besteht darin, die GPU-Pipeline zu optimieren, TensorRT, Batch-Größe eins, Kernel-Fusion, halbe Genauigkeit, was die Latenz auf 12 bis 18 Millisekunden senkt. Jetzt beträgt Ihr Wegstreckenfehler 36 bis 54 Millimeter, und das System funktioniert, ohne jede Hardware-Ausgabe, nur mit Engineering. Der FPGA-Weg, 2 Millisekunden und 6 Millimeter Fehler, rechtfertigt seine Kosten erst oberhalb von etwa 5 Metern pro Sekunde Bandgeschwindigkeit, und er bringt Monate spezialisierten Engineerings mit sich. Die meisten Anlagen laufen nicht mit 5 Metern pro Sekunde.

Die ehrliche Antwort auf "Brauche ich die teure deterministische Hardware" lautet meist nein, und die Einzigen, die Ihnen das sagen, sind diejenigen, die sie Ihnen nicht verkaufen.

Also bauten wir diese Rechnung in ein Erkundungsprojekt ein. Wir führen es zuerst durch, bevor wir irgendetwas vorschlagen, und meistens sagen wir dem Kunden die günstigere Antwort. Sie bringt uns weniger ein. Sie bedeutet auch, dass der nächste Werkleiter vom letzten von uns hört.

Was passiert, wenn die MWIR-Kamera ausfällt?

Beim ersten Treffen geht es darum, ob MWIR schwarzen Kunststoff sehen kann. Beim zweiten Treffen kommt immer dieselbe Frage, und es ist die, die diejenigen, die diese Ausrüstung tatsächlich im Feld eingesetzt haben, von denen trennt, die Folien verkaufen: Was passiert, wenn die Kamera ausfällt?

Es ist eine berechtigte Sorge. Die Specim FX50 kühlt ihren Detektor mit einem integrierten Stirling-Kühler auf etwa 77 Kelvin, und dieser Kühler ist das Teil, das sich abnutzt. Das Datenblatt nennt 10.000 Stunden. In einer realen Aufbereitungsanlage, mit Staubeintrag und ständiger Vibration, rechnen Sie mit 7.000 bis 8.000. Bei 16 Stunden am Tag ist das ungefähr alle 14 bis 18 Monate ein Kühler-Service, und die Lieferzeit für Ersatz von Specim beträgt 12 bis 16 Wochen. Wenn Ihre Rückgewinnungslinie ein Quartal lang stillsteht, weil ein Kryokühler auf einem Schiff unterwegs ist, haben Sie keine Lösung gekauft, sondern eine Belastung.

Also ist der Notfallplan Teil des Aufbaus, kein nachträglicher Gedanke. Die Kamera sitzt auf einer Hot-Swap-Halterung, sodass sie in einer halben Stunde abgenommen ist, und die Kühler laufen in einer Rotation, bei der einer zur Überholung herausgenommen wird, bevor er ausfällt, und als Ersatz für den nächsten Zyklus zurückkommt. Während eine Einheit außer Betrieb ist, läuft ein herabgestufter Rückfallmodus mit reiner RGB-Segmentierung, bei geringerer Genauigkeit, sodass die Linie nie ganz stehen bleibt. Unter all dem liegt eine zweite qualifizierte Sensorquelle, darunter Telops und IRCameras, denn fast jedes MWIR-Angebot in diesem Markt hängt stillschweigend von einer Kamera eines einzigen Unternehmens ab, und eine Anlage, die Millionen auf die Rückgewinnung setzt, verdient Besseres als einen einzelnen Ausfallpunkt, von dem sie nichts wusste.

Wo das Feld aufhört, und warum

Ich möchte präzise über den Wettbewerb sein, denn der Recycling-KI-Bereich ist tatsächlich stark umkämpft, und ich tue nicht so, als wäre es anders. TOMRA setzt seit 2022 Deep Learning am Edge ein und hat Tausende von Einheiten im Feld. Der Grund, warum diese Lücke immer noch besteht, ist nicht, dass die etablierten Anbieter schlafen. Es ist, dass jeder von ihnen aus strukturellen Gründen genau davor stehen bleibt.

Diejenigen, die schwarzen Kunststoff können sehen, verkaufen ihn im Paket. TOMRAs Autosort Black ist eine separate Maschine innerhalb einer Linie, die bei etwa 450.000 bis 650.000 Euro beginnt, mit geschlossener Software, die man nicht auf bereits vorhandene Hardware lizenzieren kann. Steinerts UniSort BlackEye läuft tatsächlich mit MWIR, ist aber als Nachsortierer für sauberes Mahlgut bei etwa einer Tonne pro Stunde ausgelegt, nicht für kontaminierte Ganzobjekt-Eingaben aus einem Primärstrom. Diejenigen, die ihn nicht sehen können, sind auf unterschiedliche Weise ehrlich damit: Machinex' Hyperspektral-Linie arbeitet im SWIR, das auf dieselbe Ruß-Wand stößt wie Standard-NIR; Pellencs Profilerkennung kann "ein schwarzes Ding im Strom" zur Störstoffentfernung markieren, aber sie unterscheidet schwarzes PP nicht von schwarzem PS; AMPs Roboter-Greifer und Greyparrots Analysegeräte leisten echte Arbeit, indem sie greifen beziehungsweise messen, aber mit RGB-Kameras, die Polymer überhaupt nicht klassifizieren können.

Jeder Anbieter in diesem Markt ist in etwas hervorragend, das an Ihr Schwarzkunststoff-Problem angrenzt. Keiner von ihnen verkauft die Nachrüstung, die es direkt löst.

Das ist die ganze Chance. Wir ersetzen nicht den Sortierer, für den jemand bereits bezahlt hat. Wir fügen eine Sensorstation hinzu, meist am Seitenband, das den schwarzlastigen Ausschuss auffängt, mit einer RGB-Kamera, um Objektgrenzen zu finden, der FX50, um die Spektren darin zu klassifizieren, und einer sauberen Schnittstelle zur SPS der bestehenden Maschine über OPC-UA, Modbus oder EtherCAT, um die vorhandenen Auswerfer auszulösen. Der Käufer behält die 92 Prozent des Stroms, die seine aktuelle Linie gut bewältigt, und gewinnt den Anteil zurück, den sie zu ignorieren gebaut wurde.

Und es gibt eine schwierigere Version davon mit höherer Marge für Elektronikrecycler. Elektro-Altgeräte stecken voller schwarzem ABS, viel davon beladen mit bromierten Flammschutzmitteln, deren Rückkehr in neue Geräte die RoHS verbietet, und 40 bis 50 Prozent der erfassten Elektroaltgeräte-Kunststoffe werden deswegen nie ordentlich recycelt. Röntgenfluoreszenz kann das Brom lesen, aber nicht das Polymer; MWIR liest das Polymer, aber nicht das Brom. Verschmilzt man beide zu einem einzigen Klassifikationskopf, der bei etwa 5 Millisekunden läuft, kann man sauberes recyceltes ABS in einem einzigen Durchgang von den flammhemmenden Ausschüssen trennen, wo die meisten Anlagen immer noch zwei durchführen. Zusammen eingesetzt entfernen die Sensoren bis zu 98 Prozent der bromierten Kunststoffe aus dem Strom. Dieses Sensorfusions-Problem ist auf Produktionsniveau weitgehend ungelöst, was genau der Grund ist, warum es sich lohnt, es zu bauen.

Das Schwarzkunststoff-Problem hat eine Fünfzehn-Jahres-Uhr

Wer die Verpackungsbranche verfolgt, wird den naheliegenden Einwand erheben: Warum überhaupt Infrastruktur für Ruß aufbauen, wenn Marken einfach auf NIR-erkennbare schwarze Pigmente umsteigen könnten und das Problem an der Quelle verschwindet? Es ist eine echte Bewegung. UPM brachte Ende 2025 ein biobasiertes, NIR-erkennbares Schwarz auf den Markt; Cabot hat lebensmittelkontaktkonforme Alternativen; Ampacet hat Masterbatches, die auf Sortierbarkeit abgestimmt sind.

Ich habe das gründlich geprüft, denn wenn die Substitution kurz davorstünde, das Problem auszulöschen, wäre der Aufbau einer MWIR-Praxis eine schlechte Wette. Ist es nicht. Standard-Ruß kostet rund 0,20 Euro pro Kilogramm; die erkennbaren Alternativen liegen beim Drei- bis Sechsfachen davon, noch vor den Kosten für die Neuqualifizierung lebensmittelkonformer Verpackungen. Die Verbreitung seit 2018 verläuft langsam, beste Schätzungen setzen erkennbares Schwarz unter 10 Prozent der schwarzen FMCG-Verpackungen an, und der Altstrom hat keinen Ausweg: Automobil-Innenräume steigen nicht um, Elektronikgehäuse steigen nicht um, kostensensible Handelsmarkenverpackungen steigen nicht um.

Das ist also ein Übergang von 15 bis 20 Jahren, keine Klippe. Die ehrliche Einordnung, die, an die ich tatsächlich glaube, ist MWIR-Rückgewinnung jetzt, während die Marken langsam umstellen, und dieselbe Linie gewinnt den langen Schwanz noch zwei Jahrzehnte danach zurück. Zugleich steigt der regulatorische Boden unter all dem: Kaliforniens SB 54 beginnt, rund 500 Millionen pro Jahr von Verpackungsherstellern einzuziehen, mit der ersten Berichtsfrist Ende Mai 2026, und die Verpackungsvorschriften der EU werden Recyclingfähigkeitsklassen und steil steigende Rezyklatanteil-Ziele verlangen, 30 Prozent bei Kunststoffverpackungen bis 2030, die sich schlicht nicht erreichen lassen, wenn schwarzer Kunststoff weiter auf die Deponie geht. Das zurückgewonnene Material ist nicht mehr nur Umsatz. Es ist Compliance.

Was ich Leuten sage, die fragen, ob sie uns überhaupt brauchen

Zwei Fragen kommen fast jedes Mal auf, und ich beantworte sie lieber hier als in einem Verkaufsgespräch.

Die erste ist, ob sie stattdessen einfach eine der großen Beratungen beauftragen sollten. Können sie, und bei manchen Fragen sollten sie es. Aber ein Auftrag bei Accenture oder Capgemini geht in die Millionen und produziert eine Anbieterauswahl-Matrix und einen Fahrplan. Er schreibt nicht das 1D-CNN, kalibriert keinen kryogekühlten Sensor gegen den spezifischen Bandhintergrund und beauftragt nicht die SPS-Schnittstelle. Wir sind kleiner als die Systemintegratoren, schneller, als die Fähigkeit im eigenen Haus aufzubauen, wo man, ehrlich gesagt, die Leute, die einen Stirling-Kühler qualifizieren oder einen Tracking-Algorithmus gegen einen EtherCAT-Controller schreiben können, nicht leicht einstellen kann, und fokussierter als die OEMs, deren Aufgabe es ist, Ihnen ihre nächste Maschine zu verkaufen.

Die zweite Frage ist die, auf deren Beantwortung ich am stolzesten bin: Brauchen sie das überhaupt? Manchmal lautet die Antwort nein. Eine Anlage mit weniger als etwa 25.000 Tonnen pro Jahr, mit einem geringen Schwarzkunststoff-Anteil, in einer Region, in der Deponierung billig ist, sieht die Amortisation vielleicht nie. Wir sagen das und gehen. Ein Plattformanbieter kann Ihnen strukturell nicht sagen, dass Sie nicht passen. Wir können es, und die Projekte, die zu uns zurückkommen, sind die, bei denen die Rechnung tatsächlich aufgeht.

Die Recyclingbranche verbrachte die letzten Jahre damit, dass ihr "KI" verkauft wurde, als wäre sie eine einzelne Sache, die man entweder hatte oder nicht. Ist sie nicht. Die schwarze Schale, die in den Ausschussbunker fällt, kümmert es nicht, wie viele neuronale Netze weiter oben laufen. Sie kümmert es, ob irgendetwas im Gebäude sie in einer Wellenlänge betrachtet, in der sie existiert. Die meisten Anlagen tun das gerade nicht. Das ist ein kleineres, besser lösbares Problem, als es die Broschüren klingen lassen, und ein wertvolleres, als der Reststrom-Bericht es je verraten wird. Wenn Sie sehen möchten, wie wir die Rechnung für Ihre Linie aufgehen lassen würden, die vollständige Aufschlüsselung finden Sie hier.