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.