22.10.2025, 10:00 Uhr
Universität Wien
Sensengasse 8
Top 16
1090 Wien
Titel:
„Supervised Machine Learning for the Quantification of
Cotton/Polyester Textiles Using IR Spectroscopy“
Kurzfassung:
Textilabfälle stellen eine erhebliche Umweltbelastung dar, die durch den ressourcenintensiven
Charakter der Textilproduktion und die Fast-Fashion-Industrie noch verschärft wird. Seit den 1980er
Jahren ist die weltweite Textilfaserproduktion jährlich um etwa 3% gewachsen und erreichte 2018 107
Millionen Tonnen. Allerdings werden nur 12% der jährlichen Textilproduktion für
Verbraucherbekleidung recycelt, der Großteil landet auf Mülldeponien oder in Verbrennungsanlagen.
Diese Arbeit befasst sich mit der effizienten Sortierung von Textilabfällen durch Anwendung von
Methoden zur Textilquantifizierung. Der Schwerpunkt liegt auf der Anwendung von
Infrarotspektroskopie (IR), einer zerstörungsfreien Methode, die Textilzusammensetzungen anhand
ihre spektralen Fingerabdrücke identifizieren kann.
Ziel ist es, die IR-Spektroskopie zu nutzen, um den Anteil von Baumwolle und Polyester in
Textilien zu bestimmen. Die Methodik umfasst den Einsatz von Mittelinfrarot- (MIR) und Nahinfrarot-
(NIR) Spektroskopie, um die Genauigkeit und Zuverlässigkeit der Analyse zu erhöhen. Durch die
Kombination spektroskopischer Daten mit sieben verschiedenen Regressionmodellen zielt diese Studie
darauf ab, die Sortierung von Textilabfällen während des Recyclingprozesses zu verbessern. Das
Projekt umfasst die Bestimmung der richtigen Stichprobengröße sowie den Vergleich verschiedener
Regressionsmodelle mit unterschiedlichen Methoden der Datenvorverarbeitung.
Durch einen Bootstrapbasierten Ansatz konnte die Mindestanzahl an Messungen bestimmt werden, die
für statistisch zuverlässige Spektren erforderlich ist. Die Kombination von Nahinfrarot- (NIR)
Spektroskopie mit Regressionsmodellen ermöglichte einen schnellen und genauen Ansatz zur
Textilquantifizierung. Wir stellten fest, dass die Wahl der Vorverarbeitungsmethode eine
entscheidende Rolle für die Prognosegenauigkeit und die Generalisierbarkeit der Modelle spielte.
Insgesamt erwiesen sich Partial Least Squares Regression, Least Squares Support Vector Machine
sowie die Kombination aus Kernel Ridge Regression und der Vorverarbeiungsmethode Standard Normal
Variate als die besten Lösungen zur Quantifizierung des Baumwollgehalts in Mischtextilien. Unsere
Ergebnisse zeigten auch, dass Modelle basierend auf Entscheidungsbäumen und Convolutional Neural
Networks zu Overfitting neigten. Die Erkenntnisse bilden die Grundlage für weitere Forschungen zu
Mehrfaser-Textilmischungen und der Einbeziehung ergänzender spektroskopischer Techniken.