خفضت Glacier Robotics تسرب مادة PET بنسبة 70% في جميع مرافق إعادة التدوير في الولايات المتحدة

إعادة تدوير النفايات أكثر تعقيداً مما تبدو عليه. ففي مرافق استرداد المواد (MRF)، تصل النفايات المختلطة غير مصنفة، وتقع مهمة فصلها إلى تدفقات سلعية قابلة للاستخدام على عاتق مزيج من المعدات الآلية، وأجهزة الفرز البصري، والعاملين البشريين الذين يعملون في ظروف سريعة الخطى وغالباً ما تكون فوضوية. هوامش الخطأ ضيقة: فبالة الألمنيوم الملوثة بمواد خاطئة تفقد قيمتها، والسلع القيمة التي تمر دون استرداد تذهب إلى مدافن النفايات.

تأسست شركة Glacier لجعل هذه العملية أكثر موثوقية وكفاءة. يقع مقرها في سان فرانسيسكو، وقد صنفتها Fast Company كأكثر الشركات ابتكاراً في مجال الروبوتات والهندسة، حيث تبني Glacier أنظمة فرز روبوتية مدعومة بالذكاء الاصطناعي وأدوات تحليلات المرافق لمرافق إعادة تدوير المواد (MRFs). يتم تركيب روبوتاتها مباشرة على أحزمة النقل، وتستخدم الرؤية الحاسوبية لتحديد المواد وفرزها في الوقت الفعلي. تمنح منصتها التحليلية مشغلي المرافق رؤية واضحة لما يتحرك عبر خطوطهم وأين تحدث المشكلات.

تعد Ultralytics YOLO11 جوهر كلا المنتجين، حيث تتولى مهمة الكشف والتصنيف التي تجعل الفرز في الوقت الفعلي والمراقبة المستمرة أمراً ممكناً.

جلب الرؤية الحاسوبية إلى ساحة إعادة التدوير#

تم بناء نظام الفرز الروبوتي الخاص بـ Glacier حول كاميرا علوية مثبتة مباشرة فوق حزام النقل على هيكل، وموضعة لالتقاط كل جسم يمر تحتها. وبينما تتحرك المواد على طول الحزام، تلتقط الكاميرا كل جسم من الأعلى، مما يمنح النظام رؤية متسقة وغير محجوبة بغض النظر عن شكل الجسم أو اتجاهه.

تقوم Ultralytics YOLO11 بمعالجة هذا التدفق في الوقت الفعلي، حيث تكتشف وتصنف كل كائن أثناء مروره. يُخرج النموذج مربع إحاطة (bounding box) وتصنيفاً لكل عنصر يتم اكتشافه، محدداً ما إذا كان، على سبيل المثال، علبة ألمنيوم، أو إبريق حليب، أو صندوقاً من الورق المقوى، أو غشاء بلاستيكياً. هذا التصنيف، إلى جانب تقدير السرعة بناءً على سرعة الحزام، يسمح لنظام Glacier بحساب المكان الذي سيكون فيه كل كائن عندما يصل إليه ذراع الروبوت، عادة في أقل من ثانية واحدة بعد الاكتشاف.

يقوم ذراع الروبوت، المجهز بأكواب شفط، بعد ذلك بالتقاط الجسم من الحزام وإيداعه في الحاوية المناسبة بناءً على فئته. تعمل الحلقة بأكملها (الكشف، التصنيف، التنبؤ بالموقع، الالتقاط) بشكل مستمر مع تدفق المواد عبر المرفق، حيث تمنح الكاميرا النظام إطارين إلى ثلاثة إطارات لكل جسم قبل أن يخرج من نطاق الرؤية.

بالتوازي، يمكن لبيانات الكاميرا نفسها أن تغذي منصة Glacier التحليلية. يتم تحميل الصور إلى السحابة، حيث تعمل YOLO11 على إجراء الاستدلال لعد الأجسام حسب النوع بمرور الوقت. يمكن لمشغلي المرافق أيضاً تثبيت كاميرات تحليل بشكل مستقل، بدون روبوت، إذا كانوا يرغبون في الحصول على رؤية لخط ما بدون فرز آلي. وفي كلتا الحالتين، يكون المخرج عبارة عن تدفق مستمر من البيانات المهيكلة حول ما يتحرك عبر المرفق.

الشكل 1. Ultralytics YOLO11 أثناء العمل في منشأة لإعادة التدوير، مما يتيح اكتشاف النفايات في الوقت الفعلي وتبسيط فرز المواد لتحسين كفاءة إعادة التدوير.

تحدي تصنيف المواد غير المتجانسة#

يعد الكشف عن الأجسام على حزام نقل المواد القابلة لإعادة التدوير تحدياً أصعب مما قد يبدو. غالباً ما تعمل الأحزمة بسرعات تصل إلى أكثر من 200 قدم في الدقيقة، حيث تكون المواد متداخلة غالباً، أو محجوبة جزئياً، أو مبللة، أو متسخة، أو مشوهة. وتختلف ظروف الإضاءة. يمكن للأجسام التي تنتمي إلى نفس فئة المواد أن تبدو مختلفة جذرياً عن بعضها البعض، مثل زجاجة منظف الغسيل، وموزع الصابون، وإبريق الحليب، والتي تعد جميعها بلاستيك من النوع رقم 2، لكنها تشترك في القليل جداً من التشابه البصري.

بينما نشرت Glacier تقنيتها عبر عشرات من مرافق MRFs على المستوى الوطني، تطلب الأمر مستوى أكثر دقة من الأداء لتحسين النتائج على فئات المواد المعقدة وغير المتجانسة بصرياً، مما سمح لها بالتوسع بكفاءة أكبر. أدى هذا التباين، إلى جانب السرعة والنطاق، في النهاية إلى تجاوز Glacier لنموذج الكاشف مفتوح المصدر السابق حيث أصبح تحسين تعميم النموذج عبر المواقع مهماً بشكل متزايد لبصمة نشر Glacier المتنامية.

Ultralytics YOLO كحل#

مع توسع Glacier، لعب نشر Ultralytics YOLO11 دوراً مهماً في مهمتها لتحسين وتحسين حلولها في جميع المجالات. تُستخدم YOLO11 عبر بيئتي نشر متميزتين، لكل منهما متطلبات أداء مختلفة.

• على الحافة (Edge): يقوم كل روبوت من Glacier بتشغيل YOLO11 محلياً للفرز الروبوتي في الوقت الفعلي على وحدة معالجة رسوميات (GPU) مخصصة، مما يعالج تدفق الكاميرا في الوقت الفعلي. زمن انتقال الاستدلال منخفض بما يكفي لدعم حساب توقيت الالتقاط، مما يسمح للنظام بمعرفة مكان وجود الجسم في أقل من ثانية، مما يعني اكتمال الكشف والتصنيف جيداً ضمن تلك النافذة الزمنية.
• في السحابة: بالنسبة للمنصة التحليلية، يتم تحميل الصور الملتقطة في المرفق إلى AWS، حيث تعمل YOLO11 على إجراء الاستدلال لتوليد أعداد الأجسام بمرور الوقت. نظراً لأن هذا المسار ليس حساساً للوقت بنفس الطريقة التي يعمل بها الفرز الروبوتي، فإنه يعمل في السحابة بدلاً من أجهزة الحافة، مما يسمح لـ Glacier بمعالجة البيانات التاريخية وإظهار الرؤى لمشغلي المرافق من خلال لوحات المعلومات والتقارير.

أدى التحول إلى YOLO11 إلى تحسينات واضحة في المجالات التي عانى فيها النموذج السابق أكثر من غيرها. تحسنت دقة التصنيف عبر الفئات غير المتجانسة، وخاصة البلاستيك من النوع رقم 2، مما منح Glacier أساساً أكثر موثوقية لنشر نموذج مشترك عبر مواقع عملاء متعددة دون الحاجة إلى ضبط دقيق لكل موقع على حدة. كما تحسنت دقة مربع الإحاطة (bounding box)، مما غير كيفية استخدام فريق Glacier لمخرجات النموذج أثناء مراجعة البيانات: فبدلاً من الإشارة إلى الأشياء التي أساء النموذج فهمها، كانت خلافات النموذج مع ملصقات التدريب تشير باستمرار إلى أخطاء حقيقية في التعليقات التوضيحية تحتاج إلى إصلاح. جعل هذا التحول عملية تحسين البيانات أسرع وأكثر استهدافاً.

لماذا تختار نماذج Ultralytics YOLO؟#

بالنسبة لـ Glacier، كان القرار بالانتقال من DETR إلى Ultralytics YOLO يعود إلى أداء التصنيف على فئات المواد المحددة مثل البلاستيك من النوع 2 التي يحتاج مشغلو MRF إلى تتبعها واستردادها بشكل موثوق. تعاملت YOLO11 مع تلك الفئات بشكل أكثر اتساقاً، وهو ما كان العامل الحاسم.

كان التحسن في جودة مربع الإحاطة (bounding box) فائدة ثانوية ولكنها ذات مغزى. تجعل مربعات الإحاطة الدقيقة عملية مراجعة البيانات والتعليق التوضيحي أكثر كفاءة، مما يسمح للفريق بالثقة في أنه عندما يختلف النموذج مع ملصق ما، فمن المرجح أن يشير ذلك إلى خطأ حقيقي في البيانات بدلاً من فشل النموذج. كما منحت حزمة Ultralytics Python مهندسي Glacier طريقة مباشرة لتدريب النماذج، وضبطها بدقة، ونشرها، وصيانتها عبر بيئات الحافة والسحابة الخاصة بهم. كانت المرونة في تشغيل نفس عائلة النماذج عبر أجهزة الحافة المجهزة بـ GPU وخطوط أنابيب الاستدلال على AWS، دون إعادة بناء كود الكشف الأساسي، ميزة عملية مع نمو بصمة نشر Glacier.

منح مشغلي مرافق MRF رؤية واضحة لمرافقهم#

بعيداً عن الفرز، تعالج منصة التحليلات الخاصة بـ Glacier مشكلة جوهرية في كيفية عمل مرافق إعادة التدوير: في مرافق MRF الكبيرة التي تعمل بخطوط نقل متعددة في وقت واحد، قد يكون من الصعب على المشغلين معرفة ما يحدث في جميع أنحاء المرفق في أي وقت. قد لا تكون المشكلات في خط واحد مرئية من خط آخر، وبحلول الوقت الذي تصبح فيه المشكلة واضحة، قد تكون قد أثرت بالفعل على ساعات من الإنتاجية.

تمنح تحليلات Glacier المشغلين رؤية مستمرة ومهيكلة لتدفق الأجسام على مستوى الخط. بعض الرؤى التي يتيحها هذا:

• مراقبة عمق الحمل. تتبع عدد الأجسام التي تمر عبر قسم من الخط في وقت معين، والإشارة إلى متى يكون العمق مرتفعاً أو منخفضاً بشكل غير عادي.
• الكشف عن الملوثات. تنبيه المشغلين عندما ترتفع نسبة المواد غير المرغوب فيها على خط ما فوق المستوى الطبيعي - وغالباً ما يكون ذلك إشارة إلى وجود خطأ ما في المراحل الأولى.
• إشارات تعطل المعدات. يمكن أن تشير الزيادة المفاجئة في نوع معين من المواد - علب الألمنيوم، على سبيل المثال - إلى أن أداة الفرز البصري قد توقفت عن العمل ولم تعد تحول تلك العناصر كما هو متوقع.
• تحليل الأنماط التشغيلية. فهم كيفية تغير تكوين المواد عبر الورديات، أو أيام الأسبوع، أو المواسم - وكيف تؤثر أحداث مثل العطلات الرسمية على ما يصل إلى المرفق.

تكون التحليلات أكثر قوة عندما يتم تثبيت الكاميرات في نقاط متعددة في المرفق، لأن القدرة على ربط الأعداد من مواقع مختلفة تجعل من الممكن تتبع المكان الذي يتم فيه فقدان أو استرداد مواد معينة عبر عملية الفرز الكاملة.

نتائج واقعية عبر مرافق إعادة التدوير في الولايات المتحدة#

أنتجت عمليات نشر Glacier عبر مرافق استعادة المواد في الولايات المتحدة نتائج قابلة للقياس عبر كل من حالات استخدام الفرز الروبوتي والتحليلات.

• Michigan MRF (خط البقايا): استرداد 15 مليون زجاجة PET، و138 ألف دولار كإيرادات جديدة. حددت لوحة معلومات الذكاء الاصطناعي الخاصة بـ Glacier تسرب PET على خط البقايا. استخدم مرفق MRF هذه الرؤية لتبرير تثبيت فارز PET في المنبع، مما أدى إلى خفض بنسبة 70% في تسرب PET وفترة استرداد تكاليف مدتها 10 أشهر، مع استرداد 15 مليون زجاجة PET وتوليد 138,000 دولار كإيرادات سلع جديدة.
• California MRF (خط الألياف): +17% نقاء الورق. أدى نشر ثلاثة روبوتات على خط الألياف إلى تحسين جودة الفرز ونقاء الورق في المصب من الفرز الضوئي، مع تحقيق الروبوتات وقت تشغيل بنسبة 95% عبر عملية النشر.
• Indiana MRF (خط البقايا): استرداد أكثر من 500,000 رطل من PET. حدد الذكاء الاصطناعي الخاص بـ Glacier مواد قابلة لإعادة التدوير تتسرب إلى تيار البقايا. استخدم المشغلون هذه الرؤى لإعادة توجيه المواد وتبرير استثمارات المعدات في المنبع، مع تحديد PET وHDPE في الوقت الفعلي وفتح إيرادات سلع إضافية.

جعل إعادة التدوير أكثر موثوقية باستخدام الرؤية الحاسوبية#

تعمل Glacier على بناء الأدوات التي تجعل إعادة التدوير عملية أكثر قابلية للتنبؤ والقياس والكفاءة. من خلال الجمع بين الفرز الروبوتي والتحليلات على مستوى المرفق، فإنها تمنح مشغلي MRF كلاً من الأتمتة لاسترداد المزيد من المواد والرؤية لفهم ما يحدث عبر خطوطهم.

توفر Ultralytics YOLO11 أساس الكشف والتصنيف الذي يعتمد عليه كلا المنتجين - دقيق بما يكفي للتعامل مع التعقيد البصري لتيارات إعادة التدوير الحقيقية، وسريع بما يكفي لدعم الالتقاط الروبوتي في الوقت الفعلي، ومرن بما يكفي للتشغيل عبر كل من أجهزة الحافة وخطوط أنابيب الاستدلال السحابية. مع استمرار Glacier في التوسع عبر المرافق في الولايات المتحدة، تظل Ultralytics YOLO في جوهر حزمة الرؤية الحاسوبية الخاصة بها.

هل أنت فضولي بشأن الذكاء الاصطناعي للرؤية؟ اكتشف خيارات الترخيص الخاصة بنا لبناء حلول رؤية الكمبيوتر الخاصة بك اليوم. تفضل بزيارة مستودع GitHub الخاص بنا وانضم إلى مجتمعنا.