In jüngster Zeit hat der Fortschritt bei tiefen neuronalen Netzen eine erhebliche Entwicklung der Literatur zur bildbasierten Abfallklassifizierung vorangetrieben. Diese Ansätze nutzen überwiegend Transferlernen, um state-of-the-art-Ergebnisse zu erzielen. In diesem Beitrag wird eine neue Methodologie vorgestellt, die Metadaten wie Standort und zeitbasierte Verkehrsintensität nutzt, um bestehende bildbasierte Klassifikatoren zu unterstützen. Wir haben das ISBNet-Datensatz erstellt, der 889 Bilder und deren zugehörige Metadaten umfasst, verteilt auf fünf Klassen (Papier, Kunststoff, Dosen, Tetra-Pak und Deponie). Dieser Datensatz diente zur Entwicklung unseres Modells ThanosNet, das gegenüber aktuellen state-of-the-art-Bildklassifikationsmodellen für Abfall überlegen ist. Obwohl ISBNet auf eine einzelne Nutzercommunity beschränkt ist, ist die hier entwickelte allgemeine Methodologie auf eine breite Palette von Verbraucheranwendungsfällen übertragbar.