Die Erfindung betrifft ein Verfahren zur Identifikation und/oder Sortierung von Objekten, insbesondere für das Recycling von Materialien und basierend auf Künstliche Intelligenz-Technologien.

Durch die Möglichkeit, viele verschiedene Objekteigenschaften zu analysieren, kann die Anzahl der unterscheidbaren Spezifikationen erhöht werden.

Hierbei besteht zum einen die Herausforderung, die große Vielfalt der erfassten Analyseinformationen zusammenzuführen und zu verarbeiten, um basierend auf der Gesamtheit der zur Verfügung stehenden Analyseinformaüonen die Identität und damit Fraktionszugehörigkeit der analysierten Objekte zu bestimmen.

Eine weitere Schwierigkeit besteht darin, dass jede der analysierten Objekt eigenschaften einer Varianz unterliegen kann. Diese kann herstellungsbedingt (z.B. durch Produktionsschwankungen), anwendungsbedingt (z.B. Änderung der Objektform durch mechanische Belastung bei Sammlung und Transport der Objekte, z.B. Farbänderung durch Verschmutzung oder Alterung) oder analysebedingt (z.B. unterschiedliche Objekt-Positionierung unter einem Kamerasystem) sein. Auch können sich Objekt eigenschaften untereinander beeinflussen. Z.B. können Schwarz-Pigmente die Emissionsintensität lumineszierender Materialien reduzieren.

Der Begriff Varianz soll hierbei die Variabilität einer Objekt eigenschaft innerhalb einer definierten Menge von Objekten beschreiben. Dabei umfasst der Begriff Varianz nicht nur die statistische Definition, sondern zudem Eigenschaftsschwankungen im Allgemeinen. Die Objekteigenschaften können Materialeigenschaften umfassen. Eine zusätzliche Herausforderung stellt daher auch das Anlernen des Identifikationssystems dar, damit es die Identität von Objekten besümmen kann. Das Anlernen kann in der Speicherung von Referenzeigenschaften in einer Datenbank bestehen.

Die Bestimmung der Identität der Objekte kann dann durch Abgleich der erfassten Objekt eigenschaften mit den in einer Datenbank hinterlegten Referenzeigenschaften erfolgen.

Jedoch ist die Hinterlegung von Referenzeigenschaften bei einer großen Vielfalt und Varianz von Objekt eigenschaften aufwändig. Denn hierzu müssen die Objekt eigenschaften einer repräsentativen Objektmenge nicht nur in umfangreichen Messkampagnen analysiert, sondern auch bewertet und ausgewertet werden, um Referenzeigenschaften zu bestimmen. Die Bewertung und Auswertung der Analyseergebnisse erfordert hohe Expertise.

Zur Lösung dieser Herausforderung können Künstliche Intelligenz (KI) Technologien herangezogen werden. Unter Künstliche Intelligenz (KI) Technologie soll jegliche Technologie verstanden werden, welche die autonome Bearbeitung eines zu lösenden Problems mittels eines Computersystems ermöglicht.

Im vorliegenden Fall besteht das durch die KI-Technologie zu lösende Problem darin, aus den erfassen Analyseinformationen die Idenütät des analysierten Objekts abzuleiten. Die analysierten Objekt eigenschaften fungieren als „Eingabe“ und werden durch die KI-Technologie verarbeitet. Als „Ausgabe“ wird ein Identiükationsergebnis zum Objekt berechnet bzw. diesem anschließend zugeordnet. Diese Berechnung erfolgt über Rechen-Algorithmen. Um dem Computersystem die Lösung dieses Problems zu ermöglichen, müssen die Algorithmen angelernt werden. In der Lernphase lernt das Computersystem basierend auf einer Menge von Beispiel-Objekten, welche eine repräsentative Auswahl der Vielfalt und Varianz analysierbarer Objekt eigenschaften darstellt, die erfassten Informationen zu verallgemeinern und Korrelationen zwischen den erfassten Informationen und der Objektidentität herzustellen. Die in der Lernphase erfassten Informationen dienen als Trainingsdaten, in denen Muster und Gesetzmäßigkeiten erkannt werden. Im Verlauf der Lernphase erfolgt eine Anpassung der KI-Algorithmen. Allerdings muss dem System die korrekte Identität der Objekte in der Lernphase vorgegeben werden. Nach der Lernphase sind die Algorithmen so angepasst, dass eine eigenständige Bestimmung der Objektidentität durch das System möglich ist, auch wenn die betreffenden Objekte nicht als Beispiel-Objekte während der Lernphase zum Einsatz kamen, sofern sich die Eigenschaften dieser Objekte innerhalb einer während der Lernphase vom System gefundenen zulässigen Variabilität bewegen. Auch kann das System nach der Lernphase Objekte als nicht-erkennbar klassiüzieren, wenn die Objekt-Eigenschaften außerhalb dieser zulässigen Variabilität hegen.

Die in der Lernphase dem System zur Verfügung gestellten Trainingsdaten umfassen für jedes Beispiel-Objekt einen Datensatz bestehend aus den analysierten Objekt eigenschaften und der korrekten Objektidentität. Diese Objektidentität stellt ein sogenanntes „Label“ dar.

Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren bzw. ein System zur Identifikation und/oder Sortierung von Objekten bereitzustellen, mittels welchem ein effizienteres und genaueres Sortieren ermöglicht wird.

Die Aufgabe wird gelöst mit den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Ausführungsformen werden in den jeweils abhängigen Ansprüchen beschrieben.

Die vorliegende Erfindung bezieht sich daher auch auf ein intelligentes System und Verfahren zur Identifikation und/oder Sortierung von Objekten, welches auf KI- Technologien basiert. Es wird ein System und -verfahren bereitgestellt, wobei ein Detektionssystem mit einem Detektionsmodul oder mehreren Detektionsmodulen verwendet wird, um Objekteigenschaften der zu identifizierenden Objekte zu analysieren. Die analysierten Objekteigenschaften werden an ein Computersystem übermittelt und durch dieses Computersystem verarbeitet, um eine Objektidentität der zu identifizierenden Objekte zu berechnen. Die Objekte können entsprechend der berechneten und diesen zugeordneten Objektidentität sortiert werden.

Die Identität eines Objekts soll als Zugehörigkeit zu einer Fraktion verstanden werden. Die Fraktionszugehörigkeit im Sinne der Eründung beschreibt die Eigenschaft eines Objekts oder Materials Teil einer Objekt- /Materialfraktion zu sein, wobei alle Teile dieser Objekt-/Materialfraktion gemeinsame Eigenschaften aufweisen. Bei diesen Eigenschaften kann es sich z.B. um eine Materialtype (z.B. PE), eine Herkunft (z.B. Hersteller des Materials), eine Anwendung (z.B. Lebensmittelverpackung) oder jegliche andere Eigenschaft (z.B. Gehalt eines bestimmten Additivs) handeln. Die Teile einer Objekt-/Materialfraktion können auch gemeinsame kombinierte Eigenschaften aufweisen (z.B. PE eines bestimmten Herstellers). Das System und -verfahren führt somit eine Klassifizierung der Objekte durch, wobei die Objekte einer bestimmten Objekt-/Materialfraktion und damit Klasse zugeordnet werden. Die Objekte können entsprechend dieser Zuordnung sortiert werden.

In einer besonderen Ausführungsform weist das Verfahren folgende Schritte auf: Verknüpfen zumindest eines ersten Objekttyps und einer den ersten Objekttyp eindeutig identifizierenden Referenz-Objekttypeigenschaft über eine Objektidentitätsinformation;

Durchführen zumindest einer Lernphase zum Anlernen von mindestens einem KI- Algorithmus, wobei die Lernphase das Analysieren zumindest eines die Referenz- Objekttypeigenschaft aufweisenden Objekts auf die Referenz-Objekttypeigenschaft und zumindest eine von der Referenz-Objekttypeigenschaft abweichende Objekteigenschaft umfasst;

Herstellen einer Korrelation zwischen der Objektidentitätsinformation und der zumindest einen von der Referenz-Objekttypeigenschaft abweichenden Objekt eigenschaft, wobei die Korrelation das Zuordnen des zumindest einen analysierten Objekts zum ersten Objekttyp umfasst;

Analysieren zumindest eines Objekts auf die zumindest eine von der Referenz- Objekttypeigenschaft abweichende Objekt eigenschaft und Berechnen einer Objektidentität des Objekts zum ersten Objekttyp mittels dem zumindest einen KI- Algorithmus, wenn es die zumindest eine von der Referenz-Objekttypeigenschaft abweichende Objekteigenschaft aufweistReferenz-ObjekttypeigenschaftReferenz- Objekttypeigenschaft.

Die Analyse der Objekteigenschaften kann qualitativ oder quantitativ erfolgen. Durch qualitative Analyse wird bestimmt, ob eine Eigenschaft vorhanden ist oder nicht. Durch quantitative Analyse kann bestimmt werden, wie stark eine Eigenschaft ausgeprägt ist.

Die Analyse der Objekt eigenschaften kann das Erfassen einer auf das Objekt aufgebrachten oder in das Objekt eingebrachten Eigenschaft aufweisen, etwas das Erfassen eines Fluoreszenzcodes und/ oder eines RFA (Röntgenfluoreszenzanalyse)- Codes und/oder eines magnetischen Codes und/oder eines Partikel-Codes und/oder von elektronischen Daten und/ oder eines Wasserzeichens und/ oder eines Bar-Codes und/oder eines QR-Codes und/oder eines Symbols und/oder einer Artikelnummer und/oder von Designelementen. Alternativ kann das spektroskopische Analysieren das Erfassen einer nativen Eigenschaft des Objekts aufweisen, etwa einer chemischen Materialzusammensetzung des Objekts. Auch eine Farbe und/oder eine Form und/oder eine Größe und/oder eine Oberflächenstruktur des Objekts kann erfasst werden.

Ein Fluoreszenzcode beruht auf ein- oder aufgebrachten Lumineszenzmarkern. Ein Lumineszenzmarker kann mindestens ein lumineszierendes Material aufweisen, z.B. ein fluoreszierendes Material und/ oder ein phosphoreszierendes Material und/ oder einen Upconverter und/oder einen Downconverter und/oder ein Material, welches nach Anregung eine Anregungswellenlänge reemittiert. Ein Lumineszenzmarker kann nach Anregung mindestens eine Emissionswellenlänge oder eine Mehrzahl Emssionswellenlängen emittieren. Es können einzelne unterschiedliche Lumineszenzmarker oder Mischungen unterschiedlicher Lumineszenzmarker zur Anwendung kommen. Ferner können die Lumineszenzmarker z.B. in den Mischungen in unterschiedlichen Mengen enthalten sein, sodass über die Intensitätsverteilung der emittierten Wellenlängen ein auswertbares Merkmal geschaffen wird.

Unter Lumineszenz wird die Emission elektromagnetischer Strahlung nach Eintrag von Energie verstanden. Dabei ist bevorzugt, dass der Energieeintrag über Photonen erfolgt, die beobachtete Lumineszenz somit Photolumineszenz ist. Die Photolumineszenz kann im UV und/oder VIS und/oder IR auftreten. Upconverter sind lumineszierende Substanzen, die nach Anregung Photonen emittieren, deren Wellenlänge kürzer ist als die Wellenlänge der Anregungsphotonen. Downconverter sind lumineszierende Substanzen, die nach Anregung Photonen emittieren, deren Wellenlänge länger ist als die Wellenlänge der Anregungsphotonen.

Das Analysieren eines Fluoreszenzcodes kann das spektroskopische Analysieren aufweisen, bei dem der/die Lumineszenzmarker elektromagnetisch angeregt wird/werden, um das emittierte Spektrum zu analysieren. Die Analyse des Fluoreszenzcodes kann die Analyse der An- und/oder Abwesenheit spezifischer und/oder die Analyse der Emissions-Intensität für eine oder für mehrere Emissionswellenlängen oder Wellenlängenbereiche und/oder die Analyse von Emissions-Intensitätsverhältnissen zwischen Emissionswellenlängen oder Emissionswellenlängenbereichen und/oder die Analyse eines gesamten Emissionsspektrums, d.h. die Intensität der Emission als Funktion der Wellenlänge oder Frequenz, und/oder die Analyse eines dynamischen Emissionsverhaltens aufweisen.

Unter dem dynamischen Emissionsverhalten wird das Lumineszenzemissionsverhalten über die Zeit verstanden. Zur Analyse kann nach dem Ende der Lumineszenz- Anregung die Emission der Lumineszenz in einem festgelegten Zeitraum messtechnisch erfasst werden. Hierbei kann zwischen dem Ende der Anregung und dem Beginn der ersten Messung eine festgelegte Totzeit vorgesehen sein. Nach der Anregung kann die Lumineszenzintensität für eine Emissionswellenlänge oder einen Wellenlängenbereich nach festgelegten Zeitintervallen mehrfach bestimmt werden. Aus den erhaltenen absoluten Intensitäten können Intensitätsverläufe über der Zeit gebildet werden. Dies kann auch für mehrere Emissionswellenlängen oder Wellenlängenbereiche durchgeführt werden. Ebenso können aus den erhaltenen absoluten Intensitäten für identische oder verschiedene Emissionswellenlängen/Wellenlängenbereiche Intensitätsverhältnisse gebildet werden. Auch ist bevorzugt, dass die Abklingkonstante für eine oder mehrere Emissions-Wellenlängen oder Wellenlängenbereiche bestimmt wird. Unter der Abklingkonstante wird die Zeitspanne verstanden, in der die Ausgangsintensität der Emission auf das 1/ e-fache abfällt.

Es existiert eine Vielzahl lumineszierender Substanzen. Die Lumineszenzeigenschaften lumineszierender Substanzen können durch Variation ihrer chemischen Zusammensetzung variiert werden. Hierduch ergibt sich eine große Variantenvielfalt, die durch Kombination verschiedener Lumineszenzmarker nochmals gesteigert werden kann. Somit kann eine Vielzahl unterscheidbarer Fluoreszenzcodes erzeugt werden. In Bezug auf die zu markierenden Objekte können geeignete Fluoreszenzcodes ausgewählt werden. Upconverter bieten auf Grund ihrer im Vergleich zur Anregung höher energetischen Emission die Möglichkeit zu optisch hintergrundfreier Detektion der Markersignale. Daraus ergibt sich das Potential, ein besonders hohe Signal-Rausch- Verhältnis erreichen zu können. Downconverter können höhere Quantenausbeuten aufweisen.

Unter einem RFA-Code soll ein Code verstanden werden, welcher mittels Röntgenfluoreszenzanalyse (RFA) detektiert werden kann. Der RFA-Code kann z.B. durch definierte Mengen eines oder mehrerer chemischer Elemente gebildet werden. RFA-Codes eignen sich z.B. für Objekte, deren optische Eigenschaften die Anwendung photolumineszierender Marker erschwert, z.B. für schwarze Objekte.

Ein magnetischer Code kann auf magnetischen Partikeln mit unterschiedlichen magnetischen Eigenschaften beruhen. Zur Analyse eines magnetischen Codes kann „Magnetic Particle Spectroscopy“ zur Anwendung kommen. Auch magnetische Codes eignen sich z.B. für Objekte, deren optische Eigenschaften die Anwendung photolumineszierender Marker erschwert, z.B. für schwarze Objekte.

Ein Partikel-Code kann auf zufällig verteilt vorliegenden Partikeln basieren. Die Partikel können lumineszierende Partikel umfassen. Zur Detektion des Partikelmusters können Kamerasysteme, gegebenenfalls mit Beleuchtungs- und Anregungseinheiten zur Anwendung kommen. Die Beleuchtungs- und Anregungsvorrichtungen können zur Reemission lumineszierender Partikel ausgebildet sein. Durch die zufällige Verteilung der Partikel entsteht ein einzigartiges Partikel -Muster. Ein Objekt, welches dieses einzigartige Partikel-Muster aufweist, kann durch Detektion dieses Musters eindeutig identifiziert werden. Partikel-Codes eignen sich daher z.B. für Objekte, die eindeutig und individuell identifiziert werden sollen.

Fluoreszenzcodes, RFA-Codes, Magnetische Codes und Partikel-Codes können einer Druckfarbe beigemengt sein. Die Druckfarbe kann beispielsweise in einem Teilbereich der Bedruckung, welche ein Objekt ohnehin aufweist, bereitgestellt sein. Alternativ oder zusätzlich kann die Druckfarbe für die Bedruckung eines Etiketts, einer Schrumpffolie oder dergleichen des Objekts bereitgestellt sein. Weiterhin kann die Druckfarbe für die Direktbedruckung etwa einer Verpackung verwendet werden. Alternativ oder zusätzlich können diese Codes in einem Etiketten-Klebstoff, in einem Lack für ein Etikett oder einen Packstoff, in einem Grundmaterial eines Etiketts oder Schrumpffolie, oder im Grundmaterial des Objekts, z.B. in einem Kunststoff einer Kunststoffflasche, bereitgestellt sein.

Elektronischen Daten können z.B. auf RFID-Transpondern gespeichert sein. RFID- Transponder können an vielfältigen Objekten angebracht werden. Die Daten können durch einen RFID-Reader erfasst werden.

Unter Wasserzeichen oder Wassermarken sollen für das menschliche Auge unauffällige Kodierungen, die auf der Oberfläche von Objekten, z.B. Verpackungen angebracht werden, verstanden werden. Die Erfassung der Wasserzeichen erfolgt mit Kamerasystemen. Wasserzeichen eigen sich z.B. für Objekte mit größeren zugänglichen Oberflächen.

Bar-Codes, QR-Codes, Symbole, Artikelnummern und Designelemente wie z.B. Logos, oder Bildmarken sind gängige Kennzeichnungen von Produkten und eigen sich daher zur Identifikation und Sortierung von Objekten. Sie können über optische Detektionsvorrichtungen detektiert werden.

Neben aufgebrachten oder in das Objekt eingeb rächten Eigenschaften können auch native Eigenschaften erfasst werden. Die chemische Materialzusammensetzung eines Objekts kann z.B. mittels Nahinfrarot (NIR) Spektroskopie analysiert werden. Hierbei können Objekte basierend auf dem IR-Reflexionsspektrum einer Materialklasse zugeordnet werden. Klassische Kunststoffe wie z.B. Polyethylen oder Polypropylen können erkannt werden. Eine Methode zur Bestimmung der elementspezifischen Zusammensetzung einer Probe stellt die Laserinduzierte Plasmaspektroskopie (LIPS) dar. Die Farbe von Objekten kann z.B. mittels Visueller Spektroskopie (VIS) oder Farbzeilenkameras bestimmt werden. Die elektrische Leitfähigkeit kann mittels Elektromagnetischer Sensoren analysiert werden. Hierdurch können Metalle detektiert werden. Auch die Röntgenfluoreszenzanalyse ist zur Detektion von Metallen geeignet. Mittels Röntgentransmissionssensoren kann die atomare Dichte von Materialien analysiert werden. Dies ermöglicht z.B. die Unterscheidung von Aluminium und Schwermetallen. Weitere Objekt-Eigenschaften, wie z.B. Farbe, Form, Größe oder Oberflächenstruktur können z.B. mittels Farbzeilenkamera-Systemen detektiert werden.

Zur Zuführung von Objekten zum Detektionssystem kann eine Fördereinrichtung vorgesehen sein. Ebenso kann eine Transportvorrichtung zum Transport der Objekte durch das Detektionssystem vorgesehen sein. Alternativ können die Objekte bei im Wesentlichen vertikaler Anordnung des Detektionssystems, schwerkraftgetrieben durch das System transportiert werden.

Die Objekte können pulkförmig bereitgesteht werden, sodass diese in einem ersten Schritt zur Optimierung des Analyseergebnisses zunächst vereinzelt werden.

Für die Vereinzelung der pulkförmig zugeführten Anordnung von Objekten kann eine beliebige Vorrichtung zur Vereinzelung der Objekte bereitgestellt sein. Dies kann beispielsweise eine Mehrzahl in Reihe geschalteter Förderbänder steigender Fördergeschwindigkeit aufweisen, Schikanen, eine Rütteleinrichtung, ein Robotersystem, eine Einschleusestation mit manueller Beschickung oder dergleichen sein. Dabei kann die Vereinzelung das Ziel verfolgen, die Objekte mit einem ausreichenden, zur objektspeziüschen Detektion notwendigen Abstand voneinander zu positionieren, z.B. durch Verhinderung einer Berührung oder Überlappung mehrerer Objekte, oder die Objekte in Vorschubrichtung eines Fördermittels in Reihe angeordnet zu positionieren. Der Weitertransport der Objekte kann mit Hilfe eines Verteilförderers mit segmentierten Tragmitteln, aber auch mit Hilfe eines Verteilförderers mit kontinuierlichen Tragmitteln erfolgen.

Vor der Vereinzelung können die Objekte maschinell aus einem Sammellager dem Sortierverfahren zugeführt werden. Alternativ können die Objekte auch durch manuelle Beschickung zugeführt werden. Werden die einzelnen Objekte hierbei nacheinander zugeführt, wird gleichzeitig eine Vereinzelung der Objekte erreicht.

Ein Verteilförderer mit segmentierten Tragmitteln ist eine Förderanlage, bei der sich jedes transportierte Objekte an einem definierten Platz, z.B. in einer wannenförmigen Aufnahmestelle befindet. Bei Verteilförderern mit kontinuierlichen Tragmitteln befinden sich die Objekte nicht an definierten Plätzen.

Die Vereinzelung bietet mehrere Vorteile. Zum einen wird bei der Analyse der Objekt eigenschaften nur ein Objekt untersucht. Daher können objektspezifische Analyseergebnisse erhalten werden. Ohne Vereinzelung könnten mehrere Objekte mit unterschiedlichen Objekt eigenschaften gleichzeitig im Detektionsmodul vorhegen, oder ohne ausreichende räumliche Trennung in einem Detektionsmodul vorhegen, was zu vermischten Analyseergebnissen führen würde. Ferner ermöglicht die Vereinzelung eine Ablage einzelner Objekte auf je ein segmentiertes Tragmittel und damit den gezielten Transport einzelner Objekte zu definierten Zielstellen.

Nachdem die Objekte die Vorrichtungen zur Vereinzelung durchlaufen haben, kann das Vorhegen vereinzelter Objekte kontrolliert werden. Dies kann z.B. mittels optischer Bilderkennung erfolgen. Bei Detektion mehrerer Objekte und damit fehlerhafter Vereinzelung kann ein Pausieren des Analyseprozesses induziert werden. Die Gruppe nicht -vereinzelter Objekte durchläuft die Detektion dann ohne Analyse und kann anschließend als nicht-analysierbar aussortiert oder dem Vereinzelungsschritt erneut hinzugeführt werden.

Die zur Analyse einer Objekt eigenschaft erforderliche Detektionstechnologie ist in einem Detektionsmodul verwirklicht.

Die verwendeten Detektionstechnologien können eine Sensorik zur Lumineszenz- Analyse, eine optische Sensorik, etwa Kamerasysteme wie z.B. Hyperspektralkameras oder Farbzeilenkameras, eine VIS-Spektrometrie, Infrarot-Spektrometrie wie z.B. eine Nah-Infrarot-Spektrometrie (NIR), Detektoren basierend auf magnetischen Spulen, Elektromagnetischer Sensoren, RFID-Reader, Röntgensensorik (z.B. RFA oder Röntgentransmissionssensorik), Laserinduzierte Plasmaspektroskopie (LIPS), Metallsensorik und dergleichen aufweisen.

Die Analyse der/ des Fluoreszenzcodes bzw. der/ des Lumineszenzmarker/ s kann mit bekannten Methoden der Spektroskopie erfolgen, worunter im Rahmen dieser Anmeldung alle Methoden und Vorrichtungen zu verstehen sind, die geeignet sind, ein Gesamtemissionsspektrum, ein Teilemissionsspektrum, Wellenlängenbereiche, einzelne Emissionswellenlängen oder ein dynamisches Emissionsverhalten zu analysieren.

Zur Lumineszenz-Analyse können beispielsweise verschiedene Detektoren wie Schwarzweiß-Kameras, Farb-Kameras, Hyperspektralkameras, Photomultiplier, Spektrometer, Fotozellen, Fotodioden, Fototransistoren alleine oder in Kombination zum Einsatz kommen. Ferner können optische Filter wie z.B. Langpass/Kurzpass/Bandpass-Filter enthalten sein.

Zur Anregung der Lumineszenz können breit- und/oder schmalbandige Quellen wie z.B. Laser, Laserdioden, lichtemittierende Dioden (LEDs), Xenonlampen, Halogenlampen einzeln oder in Kombination zur Anwendung kommen. Die Anregungsquellen können einzeln aktiviert oder gleichzeitig oder sequentiell in unterschiedlichen Kombinationen aktiviert werden. In den Anregungseinrichtungen können optische Filter wie Langpass/Kurzpass/Bandpass-Filter zum Einsatz kommen. Ferner kann eine Variation der Öffnungsweite der Anregungsquellen vorgesehen sein, um die Größe einer Anregungszone, durch welche zu identifizierendes Material transportiert wird, zu modulieren. Die Anregungszone kann auch dadurch moduliert werden, dass mehrere Anregungsquellen sequentiell hintereinander angeordnet werden und die Anzahl der aktivierten Anregungsquellen in dieser Anordnung variiert wird.

Zur Sortierung der Objekte entsprechend der berechneten Objektidentität kann das Computersystem eine Sortiervorrichtung steuern. Die Sortiervorrichtung kann z.B. Fallklappensorter, Kippschalensorter, oder Düsenleisten zum Ausblasen von Objekten umfassen. Das Sortieren der vereinzelten Objekte kann das Adressieren eines Tragmittels des Förderers, dem genau eines der vereinzelten Objekte zugeordnet ist, aufweisen, wodurch das vereinzelte Objekt der Zieladresse zugeführt wird.

Das Adressieren kann das Ansteuern mindestens einer Vielzahl unabhängig voneinander ansteuerbarer Tragmittel eines Förderers aufweisen. Der Förderer kann beispielsweise ein Kreuzbandsortierer mit einer Vielzahl verketteter und unabhängig voneinander ansteuerbarer Förderbänder oder ein Fallklappensorter mit einer Vielzahl unabhängig voneinander ansteuerbarer Fallklappen sein.

Nach der Berechnung der Objektidentität kann durch Abgleich mit den in einer Datenbank für verschiedene Objektidentitäten hinterlegten Zieladressen einem Tragmittel des Förderers, dem genau eines der vereinzelten Objekte zugeordnet ist, die mit der berechneten Objektidentität verknüpfte Zieladresse zugewiesen werden.

Nach dem Abgleich kann folglich die Zieladresse dem analysierten Objekt bzw. einem Tragmittel eines Förderers, beispielsweise eines Transportbehälters eines Fallklappensorters, einem Segment eines Kreuzbandsortierers oder dergleichen zugewiesen werden. Die auf dem Sorter vereinzelten Objekte können somit beispielsweise auf einem Verteilförderer mit segmentierten Tragmitteln positioniert sein, wodurch es ermöglicht wird, die einzelnen Objekte mit der zugewiesenen Zieladresse zu der zugewiesenen Zieladresse zu transportieren, etwa zu einem Lagerbehälter für bestimmte Kunststoffsorten eines bestimmten Herstellers oder zu einem anderweitig spezifischen Adressaten.

Bei der Verwendung von Düsenleisten zum Ausblasen von Objekten, können Düsen in Abhängigkeit von der Berechnung der Objektidentität und dem Abgleich mit den in einer Datenbank für Objektidentitäten hinterlegten Zieladressen aktiviert werden. Die Objekte werden dann entsprechend ihrer zugewiesenen Zieladresse ausgeblasen, z.B. in einen dazu vorgesehenen Sammelbehälter.

Zur Prüfung der Anwesenheit von Objekten auf der Fördereinrichtung und/oder im Detektionssystem und/oder in der Sortiervorrichtung können Detektionsmodule zur Objekterkennung vorgesehen sein, z.B. Kamerasysteme oder nicht-bildgebende Detektoren wie Lichtschranken. Bei Anwesenheit eines Objekts auf der Fördereinrichtung und/oder im Detektionssystem kann die Aktivierung des Detektionssystems und der KI-Algorithmen aktiviert werden. Bei Anwesenheit eines Objekts in der Sortiervorrichtung kann diese aktiviert werden. Ferner können diese Detektionsmodule zur Detektion der Anwesenheit nicht-vereinzelter Objekte vorgesehen sein. Unter nicht-vereinzelten Objekten sollen Objekte verstanden werden, welche nicht mit einem ausreichendem, zur objektspezifischen Detektion notwendigen Abstand voneinander positioniert sind, z.B. weil sie sich berühren oder einander überlappen. Bei Detektion nicht -vereinzelter Objekte kann das Detektionssystem und/oder die Algorithmen deaktiviert werden, um eine Detektion gemischter Objekt eigenschaften zu verhindern. Ferner kann die Sortiervorrichtung zum Transport nicht -vereinzelter Objekte in einen gesonderten Sammelbehälter veranlasst werden.

Das Computersystem beinhaltet einen KI-Algorithmus oder mehrere verschiedene KI- Algorithmen. Der/die Algorithmen berechnen eine Objektidentität auf Basis der analysierten Objekteigenschaften. Die Information eines Detektionsmoduls kann von einem Algorithmus verarbeitet werden. Hierdurch kann die Analyse jedes Detektionsmoduls zur Berechnung einer Objektidentität genutzt werden. Ferner kann der Algorithmus spezifisch auf die analysierte Objekt eigenschaft optimiert werden. Die Information eines Detektionsmoduls kann auch durch mehrere Algorithmen verarbeitet werden. Hierdurch können die Ergebnisse verschiedener Algorithmen verglichen werden, um besonders geeignete Algorithmen auszuwählen. Durch das Aufteilen der Algorithmen auf die einzelnen Detektionsmodule bzw. einzelne Detektionscharakteristiken desselben Detektionsmoduls können an diesem besonders einfach Updates durchgeführt, Weiterentwicklungen vorgenommen oder Fehler behoben werden. Die Informationen mehrerer Detektionsmodule können jedoch auch von einem gemeinsamen Algorithmus verarbeitet werden. Das Integrieren der Funktionen der Detektionsmodule in einen gemeinsamen Algorithmus kann insbesondere von Vorteil sein, wenn ein ständiger oder regelmäßiger Datenabgleich zwischen den Analysedaten der verschiedenen Detektionsmodule vorgenommen wird. Hierbei können von vornherein mehrere Objekteigenschaften zur Berechnung einer Objektidentität herangezogen werden.

Bei Anwendung mehrerer Algorithmen können die berechneten Einzel- Objektidentitäten aller Algorithmen zu einer kombinierten Gesamt-Objektidentität zusammengeführt und die Gesamt-Objektidentität dann dem jeweiligen Objekt zugeordnet werden. Hierzu kann ein Abstimmungsalgorithmus vorgesehen sein, welcher die kombinierte Objektidentität berechnet. Die Berechnung kann die Festlegung der am häufigsten erhaltenen Objektidentität als kombinierte Objektidentität umfassen. Ferner kann eine unterschiedliche Gewichtung einzelner erhaltener Objektidentitäten vorgenommen werden. Dies ermöglicht z.B. eine schwächere Gewichtung störanfälliger Materialmerkmale.

Unter KI-Algorithmen im Rahmen dieser Anmeldung, sollen alle anlernbaren Netzwerke und damit verbundenen Rechenalgorithmen zu verstehen sein, die über Konzepte des maschinellen Lernens angelernt werden können und nach der Anlernphase geeignet sind, auf der Grundlage von analysierten Objekteigenschaften Objektidentitäten zu berechnen.

Es kann eine Vielzahl von KI-Algorithmen zur Anwendung kommen. Beispielsweise können die Algorithmen VGG16, VGG19, ResNetso, ResNet 101, oder ResNeti52 verwendet werden. Auch Support Vector Machine Algorithmen können zur Anwendung kommen.

Die Algorithmen werden über Konzepte des maschinellen Lernens angelernt. Hierbei werden die Algorithmen durch Trainingsdaten trainiert. Bei den Trainingsdaten handelt es sich um die analysierten Objekt eigenschaften von Objekten. In der Lernphase wird eine Korrelation zwischen den erfassten Objekt eigenschaften und der Objektidentität hergesteht. Die korrekte Objektidentität der Objekte wird dem System dabei vorgegeben. Entsprechend ist auch die korrekte Objektidentität Bestandteil der Trainingsdaten.

Durch das maschinelle Lernen wird der Arbeitsaufwand zum Anlernen des Identifikationssystems reduziert. Zwar muss dem System die Objektidentität der Objekte vorgegeben werden. Jedoch entfällt die Notwendigkeit der Bewertung und Auswertung von erfassten Objekt eigenschaften durch Personen.

In die Lernphase können alle zur Verfügung stehenden Objekt eigenschaften als Trainingsdaten einfließen, oder eine Auswahl oder auch nur eine einzige Objekt eigenschaft. Die Auswahl der verwendeten Objekt eigenschaften kann auf den Objekt-Eigenschaften beruhen, welche sich zur Identifikation und/oder Sortierung der Objekte eignen. Wenn die Objekte definierte Eigenschaften aufweisen (z.B. bei der Sortierung von Kunststoff-Produktionsabfällen einer definierten Fertigungslinie im Produktionsbetrieb), dann kann die Analyse einer Auswahl geeigneter Objekt eigenschaften ausreichen (z.B. Farbe oder Materialzusammensetzung), während auf die Analyse ungeeigneter Objekteigenschaften (z.B. Metallgehalt) verzichtet werden kann. Wird mit einer großen Vielfalt unterschiedlicher Objekte gerechnet, dann können alle Objekteigenschaften in die Lernphase einfließen.

Für die Lernphase können Objekte verwendet werden, welche eigens zu diesem Zweck hergestellt wurden, oder reguläre Objekte aus dem industriellen Geschäftsbetrieb. In der Lernphase können ausschließlich Objekte mit einer identischen Objektidentität vorgelegt werden. Es können auch mehrere Sorten Objekte mit unterschiedlichen Objektidentitäten vorgelegt werden. Dies hat den Vorteil, dass dem System gleichzeitig unterschiedliche Objekt-Identitäten antrainiert werden können. Es können auch Objekte zusammen mit Begleit-Objekten vorgelegt werden. Unter Begleit-Objekten werden Objekte verstanden, welchen sowohl in der Lernphase als auch im Regelbetrieb die Objektidentität „unbekannt“ zugewiesen werden soll. Hierdurch kann dem System eine Differenzierung zwischen Objekten mit definierter Identität und Objekten mit unbekannter Identität angelernt werden.

In der Lernphase wird dem System die Objektidentität der -Objekte vorgegeben. Dies kann dadurch erfolgen, dass im Rahmen der Analyse der Objekteigenschaften eines - Objekts die zugehörige Objektidentität durch einen menschlichen Bediener eingegeben wird. Dieser Vorgang kann mehrfach wiederholt werden, bis das System die korrekte Objektidentität mit einer zuvor definierten Zuverlässigkeitsrate berechnet. Unter der Zuverlässigkeitsrate soll der Quotient aus der Anzahl korrekt erkannter Objektidentitäten und der Gesamtzahl der analysierten Objekte verstanden werden.

Die Zuverlässigkeitsrate, welche erreicht werden soll, kann der Identifikationsgüte und damit Sortiergüte entsprechen, welche im Regelbetrieb des Verfahrens mindestens erreicht werden soll. Diese kann o,8, 0,9, bevorzugt 0,95, bevorzugter 0,97, noch bevorzugter 0,99 betragen. Diese Güten können auch Gütebereiche darstellen, z.B. kann 0,8-1, 0,9-1, bevorzugter 0,95-1, noch bevorzugter 0,97-1, oder gar 0,99-1 vorgesehen sein.

Bei Anwendung von Objekten mit unterschiedlicher Identität müssen entsprechend diese unterschiedlichen Objektidentitäten eingegeben werden. Kommen zusätzlich Begleit-Objekte zur Anwendung, muss nach deren Analyse die Objektidentität „unbekannt“ eingegeben werden. Da in der Lernphase zu jedem analysierten Objekt die korrekte Identität durch einen Mitarbeiter eingegeben werden muss, ist das Verfahren vor allem bei der Anwendung von unterschiedlichen Objekten und Begleit-Objekten mit einem hohen Arbeitsaufwand verbunden. Dieser Arbeitsaufwand limitiert die Anzahl und Vielfalt der anwendbaren Objekte während der Lernphase. Eine realitätsnahe Darstellung aller möglichen Varianzen (z.B.: verschiedene Verschmutzungsgrade und Verschmutzungsarten) und Varianten (z.B. durch eine enorme Vielfalt möglicher Begleit-Objekte in einem Sammelbehälter) ist daher schwierig zu realisieren.

Zur Vereinfachung der Lernphase wird daher ein Verfahren vorgeschlagen, bei dem mindestens eine der detektierten Objekteigenschaften als „Referenz- Objekttypeigenschaft“ (z.B. Lumineszenz-Emissions-Spektrum oder Objekt-Form) fungiert, welche die eindeutige Korrelation zwischen den analysierten Objekten und ihrer Objektidentität (z.B. HDPE-Flaschen von einem bestimmten Hersteller) herstellt. Bei diesem Verfahren beinhaltet die Analyse der Objekt eigenschaften der Objekte die Prüfung, ob die Referenz-Objekttypeigenschaft bei den Objekten vorhanden ist. Wenn die Referenz-Objekttypeigenschaft vorhanden ist, dann kann das System den Objekten autonom die korrekte Objektidentität zuweisen. Die Zuweisung dieser Objektidentität kann durch Abgleich der erfassten Referenz-Objekttypeigenschaften mit in einer Datenbank hinterlegten Referenz-Objekttypeigenschaften erfolgen, wobei den Referenzeigenschaften in der Datenbank die zugehörigen Objektidentitäten zugwiesen sind. Neben der Analyse der „Referenz-Objekttypeigenschaft“ können weitere Objekt eigenschaften der Objekte analysiert werden. Hierdurch werden die Algorithmen durch die weiteren detektierten Objekt eigenschaften (z.B. Form, Farbe, Bildmuster, Infrarot-Reflexionsspektrum, Röntgenfluoreszenz- Spektrum, Metallgehalt) angelernt. Gleichzeitig wird die Korrelation zwischen den Objekt eigenschaften der Objekte und der durch die Referenz-Objekttypeigenschaft hergestellten korrekten Objektidentität in den Algorithmen implementiert.

Die Lernphase kann somit die Analyse der Objekteigenschaften, die Anwesenheitsprüfung einer Referenz-Objekttypeigenschaft, die Zuweisung einer Objektidentität, das Anlernen von KI- Algorithmen durch die analysierten Objekt eigenschaften und die Herstellung einer Korrelation zwischen den analysierten Objekt eigenschaften und der Objektidentität umfassen. Die Lernphase kann mit einer Vielzahl von Objekten, weitgehend ohne menschliches Zutun, durchgeführt werden, bis das System die korrekte Objektidentität mit einer zuvor definierten Zuverlässigkeitsrate berechnet. Durch die Anwendung einer vom System detektierbaren Referenz-Objekttypeigenschaft und der damit verbundenen eindeutig zuweisbaren Objektidentität kann die Lernphase weitgehend autonom erfolgen. Die detektierte „Referenz-Eigenschaft“ (z.B. Lumineszenz-Emissions-Spektrum) kann vom System zweifach genutzt werden. Zum einen kann wie beschrieben die erfasste Referenz-Eigenschaft mit den in einer Datenbank hinterlegten Referenz-Eigenschaften abgeglichen werden und darüber den analysierten Objekten eine Objektidentität zugewiesen werden. Zum anderen kann die detektierte Referenz- Eigenschaft analog zu den weiteren detektierten Objekt eigenschaften dem Anlernen von KI-Algorithmen dienen. Nach Abschluss der Lernphase kann dann auch die Referenz-Eigenschaft in die Berechnung der Objektidentität durch die KI-Algorithmen eingehen.

In der Lernphase kann auch eine Gruppe mehrerer Objekteigenschaften als „Referenz- Objekttypeigenschaft“ (z.B. Emissionsspektrum und Objekt-Form) fungieren und die Korrelation zwischen dem analysierten Objekt und der Objektidentität herstellen.

In der Lernphase können auch mehrere unterschiedliche Objekte mit unterschiedlichen Referenz-Objekttypeigenschaften zur Anwendung kommen. Das System weist den unterschiedlichen Referenz-Objekten dann autonom die zugehörigen Objektidentitäten zu. Ebenso können Begleit-Objekte ohne Referenz- Objekttypeigenschaft zur Anwendung kommen. Bei Feststellung des Fehlens einer Referenz-Objekttypeigenschaft kann das System diesen Objekten selbstständig die Objektidentität „unbekannt“ zuweisen. Folglich kann das System auch die Berechnung der Objektidentität für unterschiedliche Objekte weitgehend autonom anlernen.

Referenz-Objekte sind Objekte, die zur Verfügung gestellt werden, um in der Lernphase der KI-Algorithmen eine Korrelation zwischen den analysierten Objekteigenschaften und der Objektidentität herzustellen.

Das System kann eine Rückführung bereits analysierter Objekte zu den Detektionsmodulen vorsehen. Hierdurch können Objekte im Kreis geführt werden, was eine unterbrechungsfreie Lernphase ermöglicht. Hierbei können mechanische Vorrichtungen, z.B. Schikanen, zur Lageänderung der Objekte vorgesehen sein, wodurch das System eine Identifikation auch unterschiedlich positionierter Objekte erlernen kann. Im einfachsten Fall kann ein einziges Objekt im Kreis geführt werden, um unterschiedliche Messdaten zu erzeugen.

Als Referenz-Objekttypeigenschaft können Objekteigenschaften zur Anwendung kommen, welche in den Objekten stets vorhanden sind. Hierbei kann es sich z.B. um die reguläre Materialzusammensetzung und/oder Form und/oder Farbe der Objekte handeln. Als Referenz-Objekteigenschaften können jedoch auch Eigenschaften zur Anwendung kommen, welche den Objekten gezielt für diese Anwendung, d.h. zur Herstellung einer Korrelation zwischen Objekt und Objektidentität in der Lernphase, hinzugefügt wurden. Hierbei kann es ich um jegliche Objekteigenschaft, z.B. um Fluoreszenzcodes im Grundmaterial der Objekte, in der Druckfarbe von Objekten oder Etiketten oder an anderer Stelle, oder andere Kennzeichnungen wie z.B. QR-Codes oder Wasserzeichen handeln.

Begleit-Objekten kann in der Lernphase durch einen Bediener eine beliebige andere Objektidentität zugewiesen werden. Dies ermöglicht die nachträgliche Zuordnung einer Identität zu Objekten, denen keine definierte Referenz-Objekttypeigenschaft zugewiesen werden kann, z.B., weil eine geeignete Referenz-Objekttypeigenschaft nicht identifiziert werden kann oder weil eine gezielte Hinzufügung einer Referenz- Objekttypeigenschaft aus technischen Gründen nicht möglich ist.

Nach der Lernphase kann das System getestet werden, indem die Anwesenheitsprüfung einer Referenz-Objekttypeigenschaft und damit die autonome Zuweisung der korrekten Objektidentität auf Basis der Referenz-Objekttypeigenschaft deaktiviert wird. Hierzu kann das zur Detektion der Referenz-Objekttypeigenschaft vorgesehene Detektionsmodul deaktiviert werden oder der Abgleich der erfassten Referenz- Objekttypeigenschaften mit den in einer Datenbank hinterlegten und mit Objektidentitäten verknüpften Referenz-Objekttypeigenschaften unterbleiben. Es kann dann geprüft werden, ob das System die korrekte Objektidentität auf Grundlage der anderen detektierten Objekt eigenschaften mit der zuvor definierten Zuverlässigkeitsrate berechnet. Wenn das System auf die Identifikation von Objekten ohne Referenz-Objekttypeigenschaft angelernt wurde, dann erfolgt die Testung des Systems, indem die Eingabe der korrekten Objektidentität durch den menschlichen Bediener unterbleibt.

Nach Abschluss der Lernphase kann das System im Regelbetrieb auch auf Basis der weiteren erfassten Objekteigenschaften die Objektidentität berechnen. Die in der Lernphase eingesetzte Referenz-Objekttypeigenschaft muss dann nicht mehr auf den Objekten vorhanden sein. Jedoch kann die Referenz-Objekttypeigenschaft auch im Regelbetrieb in die Berechnung der Objektidentität eingehen, sofern die Objekte im Regelbetrieb die „Referenz-Objekttypeigenschaft“ aufweisen. Im Regelbetrieb können eine, mehrere oder alle der detektierten Objekt eigenschaften als „Eingabe“ fungieren. Die Auswahl der analysierten Objekt eigenschaften kann hierbei auf den Objekteigenschaften beruhen, welche in der Lernphase zur Anwendung kamen.

Auch bei prinzipiell identischen Objekten können sich die erfassten Objekt eigenschaften unterscheiden. Dies kann z.B. auf herstellungsbedingten Qualitätsschwankungen, ungleicher mechanischer Belastung, unterschiedlicher Lebensdauer (unterschiedlich lange Alterung) oder unterschiedlicher Verschmutzung beruhen. Bei dem beschriebenen Verfahren können solche Varianzen in die Lernphase eingehen, indem eine repräsentative Auswahl an Referenz- Objekten, welche die auftretenden Eigenschaftsschwankungen beinhalten, eingesetzt wird. Im Regelbetrieb kann das System dann auch für Objekte mit solchen Eigenschaftsschwankungen die korrekte Objektidentität berechnen.

Die Referenz-Objekttypeigenschaften können auch zur autonomen Überprüfung der Zuverlässigkeit der Objektidentifikation genutzt werden. Hierzu erfolgt zum einen die Berechnung der Objektidentität durch den/die Algorithmen. Zum anderen prüft das System die Anwesenheit von Referenz-Objekttypeigenschaften. In einer Datenbank werden zu jedem analysierten Objekt die berechnete Objektidentität und die über die eventuell aufgefundene Referenzeigenschaft definierte korrekte Objektidenütät abgelegt. Die berechneten Identitäten können mit den korrekten Objektidentitäten abgeglichen werden. Je höher die Übereinstimmung, desto größer ist die Zuverlässigkeit der berechneten Objektidentität.

Die erfassten Objekt eigenschaften können auch dazu genutzt werden, die Varianz der erfassten Objekteigenschaften zu bestimmen. Hierbei wird aus den Messdaten aller Einzel objekte ein Messdaten-Bereich berechnet. Der erhaltene Messdaten-Bereich kann dann dazu genutzt werden die Sensorik der Detektionsmodule optimal an die zu erwartenden Messergebnisse anzupassen. Zum Beispiel können aus der Analyse von lumineszierenden Markercodes die Varianzen der Emissionsintensität, Emissionsmaxima (Wellenlängen mit maximaler Emission), und/oder Halb wertsbreiten erhalten werden. Darauf basierend kann die Sensorik z.B. durch die Anpassung der Anregungsintensität oder die Auswahl geeigneter optischer Filter, optimal im Hinblick auf spektrale Sensitivität und Selektivität angepasst werden. Die Anpassung der Detektionsmodule kann bei inaktiven Modulen erfolgen. Dies ist z.B. der Fall, wenn basierend auf dem erhaltenen Messdaten-Bereich neue Hardware- Komponenten in die Module eingebaut werden müssen. Die Anpassung kann jedoch auch bei aktiven Modulen erfolgen. Dies kann zur Anwendung kommen, wenn bereits alle zur Anpassung notwendigen technischen Komponenten im Modul integriert sind und gesteuert werden können. Dann kann eine Anpassung der Sensorik auch während des Betriebs der Anlage durchgeführt werden. Der Einfluss der Anpassung auf die Objekterkennung kann somit auch direkt untersucht werden.

Alternativ zur den analysierten Objekt eigenschaften realer Referenz-Objekte können auch virtuelle Objekt eigenschaften in der Lernphase als „Eingabe“ dienen und durch KI-Technologie verarbeitet werden. Diese virtuellen Objekteigenschaften und somit virtuellen Datensätze können z.B. auf Messdaten von Referenz-Objekten beruhen, die mit externen Messmodulen erhalten und gespeichert wurden und erst nachträglich der hier vorgeschlagenen Vorrichtung zur Verfügung gestellt werden. Dies bietet den Vorteil, dass auch Daten von noch nicht in der Vorrichtung implementierten Detektionsmodulen eingepflegt werden können. Auf diese Weise kann die technische Ausführbarkeit und Leistungsfähigkeit solcher Detektionsmodule im Gesamtsystem bereits vor Integration in die Vorrichtung untersucht werden. Die virtuellen Datensätze können auf der Messung einer Menge von Referenz- Objekten beruhen, welche eine repräsentative Auswahl der Vielfalt und Varianz der analysierten Objekteigenschaft sicherstellt. Die virtuellen Datensätze können jedoch auch auf einer geringeren Anzahl von Referenz-Objekten, welche nicht die gesamte Bandbreite der Varianzen abdeckt, beruhen. Die erhaltenen Messergebnisse können in diesem Fall künstlich, z.B. computergestützt vervielfältigt und variiert werden, um eine virtuelle Vervielfältigung der Objekte und eine virtuelle Erhöhung der Messdaten-Variabilität zu erhalten. Dies bietet den Vorteil, dass auch die Identifikation von Referenz- Objekten, die nicht in einer für eine repräsentative Auswahl ausreichenden Anzahl zur Verfügung stehen, getestet werden kann.

Das Verfahren kann zur Identifikation und/oder Sortierung jeglicher Objekte, z.B. aus Privathaushalten, Gewerbe oder Industrie genutzt werden. Es kann sich z.B. um Produktionsabfälle von Gewerbe- und Industriebetrieben handeln, oder um gebrauchte Verkaufsverpackungen aus Privathaushalten. Die Identifikation und Sortierung der Objekte ermöglicht ein effizientes Recycling der enthaltenen Materialien. Entsprechend ermöglicht z.B. die Identiükation und / oder Sortierung von Objekten aus Kunststoffen ein effizientes Recycling verschiedener Kunststoff-Materialien. Das Verfahren kann jedoch auf verschiedenste Materialien wie z.B. auch Metall-haltige Materialien angewendet werden. Das vorgestellte System bietet verschiedene Vorteile:

Es können vielfältige Detektionstechnologien bzw. Detektionsmodule zur Analyse vielfältiger Objekt eigenschaften zur Anwendung kommen. Durch die Möglichkeit, viele verschiedene Objekt eigenschaften zu analysieren, kann die Anzahl der unterscheidbaren Spezifikationen erhöht werden.

Ferner ermöglicht die Einbeziehung vielfältiger Materialinformationen eine zuverlässigere Bestimmung der Objektidentität.

Die zuverlässige Bestimmung einer großen Anzahl unterscheidbarer Spezifikationen bietet insbesondere Vorteile bei der Anwendung des Verfahrens zum Recycling von Materialien, da eine hochwertige Wiederverwertung der Materialien eine hohe Sortenreinheit der sortierten Objekte und damit der in den Objekten enthaltenen Materialien voraussetzt.

Es können sowohl native, wie auch ein-/aufgebrachte Objekteigenschaften analysiert werden. Die Analyse nativer Objekteigenschaften ermöglicht eine Identifikation und Sortierung basierend auf natürlichen Objekteigenschaften. Mittels ein-/aufgebrachter Objekt eigenschaften, z.B. der Aufbringung von Fluoreszenz-Codes oder Wasserzeichen, kann Objekten Information hinzugefügt werden. Die Analyse solcher Eigenschaften ermöglicht daher eine Identifikation und Sortierung unabhängig von den natürlichen Objekt eigenschaften basierend auf beliebigen Spezifikationen.

Die in der Lernphase und im Regelbetrieb zur Anwendung kommenden Detektionstechnologien bzw. Detektionsmodule können in Abhängigkeit von den Eigenschaften der zu identifizierenden Objekte ausgewählt werden. Das Identifikationssystem kann alle zur Verfügung stehenden Detektionsmodule enthalten. Diese können entsprechend aktiviert oder deaktiviert werden. Alternativ kann das Identifikationssystem gezielt mit den zur Anwendung kommenden Detektionsmodulen ausgestattet werden.

Durch die Anwendung von KI wird sowohl die Einbeziehung vieler Objekt eigenschaften, als auch die Berücksichtigung der Varianz von Objekt eigenschaften zur Identifikation einer Objektidentität vereinfacht, da Vielfalt und Varianz der Objekt eigenschaften in den Algorithmen implementiert werden kann. Durch die Anwendung von KI-Technologie reduziert sich der Arbeitsaufwand zum Anlernen des Systems. Das Anlernen der KI kann unter Mitwirkung eines menschlichen Bedieners erfolgen. Durch die Einbeziehung einer physikalisch messbaren Referenz-Objekttypeigenschaft, welche die Verbindung zur korrekten Objektidentität herstellt, kann der Arbeitsaufwand zum Anlernen des Systems weiter reduziert werden, so dass das Anlernen weitgehend autonom erfolgen kann.

Durch das weitgehend autonome Anlernen, kann die Anzahl der in der Lernphase verwendeten Objekte vergrößert werden. Hierdurch kann sichergestellt werden, dass das Anlernen auf einer repräsentativen Stichprobe, welche die Varianz der Objekt eigenschaften repräsentiert, durchgeführt wird.

Bei Implementation einer Objekt-Rückführung wird eine unterbrechungsfreie Lernphase ermöglicht.

Als Objekte für die Lernphase können Objekte aus dem regulären Geschäftsbetrieb verwendet werden. Hierdurch kann sichergestellt werden, dass herstellungs- und verwendungsbedinge Varianzen der Objekt eigenschaften in die Analysen eingehen. Es können jedoch auch Objekte verwendet werden, welche eigens zu diesem Zweck hergestellt wurden. Dies ermöglicht z.B. die Anwendung von Objekten mit ausgewählten und bekannten Eigenschafts-Varianzen. Ferner können diese Objekte gezielt verschiedenen Testbedingungen unterworfen werden (z.B. die Behandlung mit definierten Test-Substanzen oder mechanischen oder klimatischen Belastungen), um das System an die dadurch induzierten Eigenschaftsschwankungen anzupassen. Ferner können Objekte für die Lernphase mit einer „Referenz-Objekttypeigenschaft“ ausgestattet werden.

Die Verwendung von Objekten, welche eigens zur Durchführung der Lernphase hergestellt wurden, ermöglicht die Testung solcher Objekte in Bezug auf Identifizier- und Sortierbarkeit. Hierdurch können Objekte bereits vor einem Einsatz im regulären Geschäftsbetrieb in Bezug auf ihre Recyclingfähigkeit geprüft werden. Die Ergebnisse dieser Prüfung können in das Design-for- Recycling dieser Objekte eingehen.

In der Lernphase können ausschließlich Objekte mit einer identischen Objektidentität vorgelegt werden. Bei der Identifikation und Sortierung von Objekten besteht jedoch oft die Schwierigkeit, dass die zu identifizierenden Objekte mit weiteren bekannten, aber dennoch unterschiedlichen Objekten und einer Vielzahl unbekannter Objekte vermischt sind. Zum Anlernen des Systems an dieses Szenario, können auch mehrere Sorten Objekte mit unterschiedlichen Objektidentitäten vorgelegt werden. Dies hat den Vorteil, dass dem System gleichzeitig unterschiedliche Objekt-Identitäten antrainiert werden können. Es können auch Objekte zusammen mit Begleit-Objekten vorgelegt werden. Unter Begleit-Objekten werden Objekte verstanden, welchen sowohl in der Lernphase als auch im Regelbetrieb die Objektidentität „unbekannt“ zugewiesen werden soll. Hierdurch kann dem System eine Differenzierung zwischen Objekten mit definierter Identität und Objekten mit unbekannter Identität unter bereits realitätsnahen Regelbetrieb-Bedingungen angelernt werden.

Durch Ausnutzung einer „Referenz-Objekttypeigenschaft“ und das hiermit erreichte autonome Anlernen einer Korrelation zwischen analysierten Objekt eigenschaften und Objektidentität, wird das Anlernen und Testen der Identifikation neuer Objekte im laufenden Betrieb der Identifikations- und Sortieranlage erleichtert. Ohne Referenz- Objekttypeigenschaft muss die neue Objektidentität durch einen menschlichen Bediener den Analysedaten der Objekteigenschaften der neuen Objekte zugeordnet werden. Wenn im laufenden Betrieb eine Vielzahl vielfältiger Objekte die Detektionsmodule der Anlage durchläuft, ist dies wenig praktikabel. Es kann dann eine Unterbrechung des Regelbetriebs notwendig sein, um das Anlernen und Testen neuer Objekte in einer eigenen Versuchskampagne durchführen zu können. Neben der Unterbrechung des Betriebs hat dies auch den Nachteil, dass eventuelle Einflüsse durch die Anwesenheit anderer Objekte nicht erfasst werden können.

Nach erfolgreichem Anlernen des Systems kann auf den Einsatz der Referenz- Objekttypeigenschaft verzichtet werden. Dies ermöglicht eine Kosteneinsparung, wenn diese Eigenschaften bei in Verkehr gebrachten Produkten nicht implementiert werden muss. Ferner ermöglicht dies die Nutzung von Referenz-Objekttypeigenschaften, die auf Grund von technischen Erwägungen bei in Verkehr gebrachten Produkten nicht eingesetzt werden sollen. Dies kann z.B. für Referenz-Objekttypeigenschaften gelten, die auf Additiven beruhen, die keine behördliche Zulassung für den Anwendungsbereich der Produkte haben, oder die über eine lange Produktlebensdauer negative Auswirkung auf die Produktfunktion haben könnten.

Als „Referenz-Objekttypeigenschaft“ kann eine Objekt eigenschaft gewählt werden, welche das Detektionsergebnis der anderen detektierten Objekt eigenschaften nicht beeinflusst. Hierdurch kann die Berechnung einer fehlerhaften Objektidentität bei späterer Abwesenheit der „Referenz-Objekttypeigenschaft“ vermieden werden. Im Folgenden sind einige geeignete Referenz-Objekttypeigenschaften beschrieben. Kunststoff-Objekte können mit lumineszierenden Stoffen versetzt werden indem diese Stoffe bei der Herstellung der Objekte zugegeben werden. Zur Anwendung können z.B. anorganische Anti-Stokes-Kristalle, anorganische Stokes-Kristalle oder organische Leuchtstoffe kommen. Stokes-Kristalle zeigen eine Stokes-Verschiebung und sind Downconverter. Anti-Stokes-Kristalle sind Upconverter. Es gibt anorganische Anti- Stokes-Kristalle welche mit IR-Strahlung angeregt werden können und im sichtbaren Spektralbereich lumineszieren. Diese Substanzen haben keinen Einfluss auf übliche farbgebende Additive welche zur Färbung von Produkten eingesetzt werden. D.h., die anorganischen Anti-Stokes Kristalle beeinflussen nicht die Farbe der Objekte, wenn keine Infrarot-Anregung erfolgt. Ferner müssen die Kristalle nur in sehr geringen Mengen eingesetzt werden. Daher haben Sie auch keinen wesentlichen Einfluss auf die Transparenz von Objekten. Des Weiteren besteht kein Einfluss auf die Objektform. Folglich eignen sie sich z.B. als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch die Objekt eigenschaften „Farbe“, „Form“ oder Bildmuster welche mittels geeigneter Kamerasysteme detektiert werden können. Durch die Anwendung von verschiedenen Anti-Stokes-Kristallen mit unterschiedlichen Emissionsspektren bei unterschiedlichen Objekten mit unterschiedlichen Farben, Formen oder Bildern kann das System daher zur Identifikation dieser unterschiedlichen Objekte angelernt werden. Nach der Lernphase kann das System die Objekte basierend auf ihrer Farbe, Form oder Bilder identifizieren, auch wenn die Anti-Stokes Kristalle nicht mehr enthalten sind. Umgekehrt kann z.B. die Objektform als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch die Emissionscharakteristik von Anti-Stokes- Kristallen, welche z.B. mit geeigneten Spektrometern, Kameras oder Photodioden detektiert werden kann, dienen. So könnten z.B. drei Objekttypen aus gleichem Material aber mit unterschiedlicher Form mit jeweils charakteristischen Anti-Stokes- Kristallen markiert werden. Auf diese Weise kann das System auf die Objekterkennung mittels der Objekt eigenschaft des Anti-Stokes-Emissionsspektrums angelernt werden. Nach der Lernphase kann das System Objekte basierend auf den enthaltenen Anti- Stokes-Kristallen identifizieren, auch wenn andere Objektformen vorhegen. Ebenso gibt es anorganische Stokes-Kristalle welche Emissions-Wellenlängen < lioonm aufweisen. Sie haben jedoch keinen Einfluss auf das Infrarotreflexionsspektrum oberhalb von lioonm. Folglich eignen sie sich als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch das IR-Reflexionsspektrum als analysierter Objekt eigenschaft. So könnten in der Lernphase Objekte mit eng verwandtem aber unterscheidbarem IR-Reflexionsspektrum zur Anwendung kommen, wobei eine der Objekt-Sorten mit Stokes-Kristalle ausgestattet wird. Das System wird hierdurch auf die Objekterkennung mittels des IR-Reflexionsspektrums angelernt, wobei als Referenz-Objekttypeigenschaft die Anwesenheit einer Lumineszenz-Emission <noonm dient. Nach der Lernphase kann das System die Objekt-Sorte der mit Stokes- Kristallen markierten Objekte basierend auf dem IR- Reflexionsspektrum in Abgrenzung zu den anderen Objekten identifizieren, auch wenn keine Stokes-Kristalle mehr enthalten sind. Ferner sind organische Leuchtstoffe bekannt, welche z.B. mit UV- Licht angeregt werden können und charakteristische Emissionsspektren aufweisen. Auch solche Stoffe können als Referenz-Objekttypeigenschaft geeignet sein, sofern diese keinen Einfluss auf die Eigenschaften der anzutrainierenden Objekt eigenschaften haben. So könnten Objekttypen mit unterschiedlichem Metall-Gehalt mit jeweils charakteristischen organischen Leuchtstoffen markiert werden. Auf diese Weise kann das System auf die Objekterkennung mittels der Objekteigenschaft „Metall-Gehalt“ angelernt werden. Nach der Lernphase kann das System die Objekttypen basierend auf dem Metallgehalt identifizieren, auch wenn keine Leuchtstoffe mehr enthalten sind.

Die Referenz-Objekttypeigenschaften können auch zur autonomen Überprüfung der Zuverlässigkeit der Objektidentifikation genutzt werden.

Zur Überprüfung, ob die in der Lernphase angewendete Referenz-Objekttypeigenschaft doch einen Einfluss auf die zur Objekterkennung detektierten Objekteigenschaften hat, kann nach Abschluss der Lernphase ein Vergleich der Identifikation von Objekten mit Referenz-Objekttypeigenschaft gegenüber der Identifikation von Objekten ohne Referenz-Objekttypeigenschaft vorgenommen werden. Identische Ergebnisse zeigen eine Unabhängigkeit der detektierten Objekt eigenschaften von der Referenz- Objekttypeigenschaft an. Hierbei kann auch eine Mischung von Objekten mit und ohne Referenz-Objekttypeigenschaft getestet werden. Werden alle Objekte gleichartig identifiziert, besteht kein Einfluss der Referenz-Objekttypeigenschaft auf das Identifikations-Ergebnis.

Die Erfassung der Objekt eigenschaften kann dazu verwendet werden, die Varianz von Objekt eigenschaften zu bestimmen. Die erhaltene Varianz der Messergebnisse kann zur Anpassung der Detektionsmodule genutzt werden.

Durch Zu- und Abschaltung verschiedener Detektionsmodule kann der Einfluss verschiedener Objekteigenschaften auf das Identifikationsergebnis getestet werden.

Beispiele: Beispiel 1)

Zwei Sorten Plastikflaschen A und B sollen über Ihre Flaschenform identifiziert werden. Die Flaschenform wird durch ein Detektionsmodul mit Kamerasystem detektiert. Die Flaschen können mit zufälliger Orientierung in dem Detektionsmodul vorliegen, was die automatische Bilderkennung erschwert.

Die Identifikation der Flaschen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Flaschenform“ werden die Flaschen mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt.

Zur Lernphase wird eine Vielzahl Plastikflaschen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „Flaschenform“ durch Aufnahme von Bildern der Flaschen, die Anwesenheitsprüfimg der Referenz- Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Flasche A zu Flaschen mit Code a, die Zuweisung der Objektidentität Flasche B zu Flaschen mit Code b und die Anpassung des Algorithmus welcher die Bilder verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Bildern und Herstellung einer Korrelation zwischen den erfassten Bildern und der Objektidentität.

Nach Abschluss der Lernphase kann das System die Identität der Plastikflaschen auf Basis der erfassten Bilder berechnen. Die in der Lernphase eingesetzten Fluoreszenz- Codes müssen dazu nicht mehr auf den Flaschen vorhanden sein.

Bei Integration einer Sortiereinheit kann die Sortiereinheit die Flaschen A und B in unterschiedliche Behälter sortieren.

Beispiel 2)

Zwei Kosmetikflaschen A und B weisen unterschiedliche Etiketten-Designs auf. Die Flaschen sollen anhand des optischen Designs identifiziert werden. Das Design wird durch ein Detektionsmodul mit Kamerasystem detektiert. Die Identifikation der Flaschen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „optisches Design“ werden die Flaschen mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt.

Zur Lernphase wird eine Vielzahl Flaschen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „optisches Design“ durch Aufnahme von Bildern der Flaschen, die Anwesenheitsprüfung der Referenz-Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Flasche A zu Flaschen mit Code a, die Zuweisung der Objektidentität Flasche B zu Flaschen mit Code b und die Anpassung des Algorithmus welcher die Bilder verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Designs und Herstellung einer Korrelation zwischen den erfassten Designs und der Objektidentität.

Nach Abschluss der Lernphase kann das System die Identität der Flaschen auf Basis der erfassten Bilder berechnen. Die in der Lernphase eingesetzten Fluoreszenz-Codes müssen dazu nicht mehr auf den Flaschen vorhanden sein.

Bei Integration einer Sortiereinheit kann die Sortiereinheit die Flaschen A und B in unterschiedliche Behälter sortieren.

Beispiel 3)

Zwei Sorten Verpackungen A und B, auf welchen sich die Etiketten A und B befinden, sollen über in die Etiketten integrierte Wassermarken identifiziert werden. Ferner sollen die Verpackungen A und B von Verpackung C unterschieden werden können, wobei Verpackung C keine Wassermarke im Etikett enthält. Die Wassermarken werden durch ein Detektionsmodul mit Kamerasystem detektiert. Die Verpackungen und damit Etiketten können mit zufälliger Orientierung in dem Detektionsmodul vorliegen. Ferner können die Etiketten verschmutzt und mechanisch deformiert sein. Diese Faktoren erschweren die automatische Erkennung der Wassermarken.

Die Identifikation der Etiketten wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Wassermarke“ werden die Etiketten A und B mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. Etikett C erhält keinen Fluoreszenz-Code, es enthält somit keine Referenz-Objekttypeigenschaft.

Zur Lernphase wird eine Vielzahl Verpackungen mit den Etiketten A, B und C durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekt eigenschaft „Wassermarke“ durch Analyse der Etiketten, die Anwesenheitsprüfung der Referenz-Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Etikett A zu Etiketten mit Code a, die Zuweisung der Objektidentität Etikett B zu Etiketten mit Code b und die Anpassung des Algorithmus welcher die Wassermarken verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Wassermarken und Herstellung einer Korrelation zwischen den erfassten Wassermarken und der Objektidentität. Auch bei den Etiketten C erfolgt die Analyse der Objekt eigenschaft „Wassermarke“ durch das Detektionsmodul und die Anwesenheitsprüfung der Referenz-Objekttypeigenschaft „Fluoreszenz-Code“. Da die Referenz-Objekttypeigenschaft nicht gefunden wird, erhalten Objekte mit Etikett C die Objektidentität „unbekannt“. Für die Etiketten C erlernt der Algorithmus daher die Korrelation zwischen der Objektidentität „unbekannt“ und Etiketten ohne Wassermarke.

Beispiel 4)

Zwei Sorten Verpackungen A und B sollen durch aufgebrachte Etiketten mit dort eingebrachten Fluoreszenz-Codes identifiziert werden. Der Fluoreszenz-Code wird durch ein Detektionsmodul mit Spektrometer detektiert.

Die Identifikation der Verpackungen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Fluoreszenz-Code“ werden die unterschiedlichen Geometrien der Verpackungen A und B als Referenz- Objekttypeigenschaft genutzt. In einer Datenbank werden die Geometrien a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt.

Zur Lernphase wird eine Vielzahl Verpackungen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „Fluoreszenz- Code“ durch Spektrometer- Analyse, die Anwesenheitsprüfung der Referenz- Objekttypeigenschaften Geometrie a und Geometrie b, die Zuweisung der Objektidentität Verpackung A zu Verpackungen mit Geometrie a, die Zuweisung der Objektidentität Verpackung B zu Verpackungen mit Geometrie b und die Anpassung des Algorithmus welcher die Fluoreszenzspektren verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Spektren und Herstellung einer Korrelation zwischen den erfassten Spektren und der Objektidentität.

Nach Abschluss der Lernphase kann das System die Identität der Verpackungen auf Basis der erfassten Fluoreszenz-Codes berechnen. Die Verpackungen müssen dabei nicht mehr die in der Lernphase eingesetzten Verpackungs-Geometrien aufweisen.

Bei Integration einer Sortiereinheit kann die Sortiereinheit die Verpackungen A und B in unterschiedliche Behälter sortieren.

Beispiel 5)

Verpackungen enthalten einen Lumineszenzmarker im Grundmaterial der Verpackung. Die Verpackungen weisen unterschiedlich starke Verschmutzung auf. Der Einfluss der Verschmutzung auf die Varianz des Emissionsspektrums des Lumineszenzmarkers soll analysiert werden.

Es wird eine Vielzahl Verpackungen durch das System analysiert. Die Analyse der Objekt eigenschaft „Emissionsspektrum“ erfolgt durch Spektrometer- Analyse. Als Ergebnisse werden die Varianzen der Emissionsintensität, Emissionsmaxima (Wellenlängen mit maximaler Emission), und Halb wertsbreiten erhalten. Die erhaltenen Ergebnisse könne nun zur Anpassung der Spektrometer-Sensorik genutzt werden.

Beispiel 6)

In einer Sortieranlage kommen vielfältige Detektionsmodule zum Einsatz. Erfasst werden z.B. die elektrische Leitfähigkeit, das IR-Reflexionsspektrum, Wasserzeichen und Fluoreszenz-Codes. Zwei Sorten Objekte A und B sollen identifiziert werden. Die Identifikation der Objekte wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems wird Objekt A mit Fluoreszenz-Codes a und Objekt B mit Fluoreszenz-Code b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz- Eigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. Das Anlernen der KI-Technologie soll im laufenden Betrieb durchgeführt werden. Zur Lernphase werden Objekte A und B unter andere, durch die Sortieranlage transportierte Objekte gemischt. Die Objekte werden durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaften „elektrische Leitfähigkeit“, „IR-Reflexionsspektrum“ und „Wasserzeichen“, die Anwesenheitsprüfung der Referenz-Eigenschaften Code a und Code b, die Zuweisung der Objektidentitäten A zu Objekten mit Fluoreszenz-Code a und B zu Objekten mit Fluoreszenz-Code b, die Anpassung der Algorithmen zur Erkennung von Mustern und Gesetzmäßigkeiten in den analysierten Objekt eigenschaften und die Herstellung einer Korrelation zwischen den erfassten Eigenschaften und der Objektidentität.

Nach Abschluss der Lernphase kann das System die Identität der Objekte auf Basis der erfassten Objekteigenschaften „elektrische Leitfähigkeit“, „IR-Reflexionsspektrum“ und „Wasserzeichen“ berechnen und die Objekte A und B sortieren. Die in der Lernphase eingesetzten Fluoreszenz-Codes müssen dazu nicht mehr auf den Objekten vorhanden sein.

Zum Test des Objektidentifikation und Sortierung wird der Abgleich der erfassten Referenz-Eigenschaften mit den in der Datenbank hinterlegten und mit Objektidentitäten verknüpften Referenz-Eigenschaften deaktiviert. Anschließend wird geprüft, ob die Objekte A und B noch immer korrekt identifiziert und sortiert werden. Ferner können Objekte A und B ohne Fluoreszenz-Codes durch die Sortieranlage verarbeitet und deren Identifikation und Sortierung überprüft werden.