دمجت Glacier تقنية Ultralytics YOLO11 في أنظمة الفرز الروبوتية ومنصة تحليلات المنشآت لديها، محققةً تحسينات كبيرة في دقة التصنيف، ومقللةً عبء تصحيح البيانات الذي كان يبطئ دورات تطوير النماذج.
إعادة تدوير النفايات أكثر تعقيدًا مما تبدو عليه. ففي منشأة استرداد المواد (MRF)، تصل النفايات المختلطة من دون فرز، وتتولى معدات آلية وأجهزة فرز ضوئية وعمال فرز يعملون في ظروف سريعة الحركة وكثيرًا ما تكون فوضوية مهمة فصلها إلى تدفقات مواد قابلة للاستخدام. وهامش الخطأ ضيق: فحزمة الألومنيوم الملوثة بمواد غير مناسبة تفقد قيمتها، والمواد القيّمة التي لا تُسترد ينتهي بها المطاف في مكبات النفايات.
تأسست Glacier لجعل هذه العملية أكثر موثوقية وكفاءة. وتتخذ الشركة من سان فرانسيسكو مقرًا لها، وقد اختارتها Fast Company الشركة الأكثر ابتكارًا في مجال الروبوتات والهندسة؛ وهي تطوّر أنظمة فرز روبوتية وأدوات لتحليلات المنشآت مدعومة بالذكاء الاصطناعي لمنشآت إعادة تدوير المواد (MRFs). وتُركّب روبوتاتها مباشرةً على السيور الناقلة، مستخدمةً الرؤية الحاسوبية لتحديد المواد وفرزها في الوقت الفعلي. وتمنح منصة التحليلات مشغلي المنشآت رؤية لما يمر عبر خطوطهم وأماكن حدوث المشكلات.
تقع Ultralytics YOLO11 في صميم كلا المنتجين، إذ تتولى الكشف والتصنيف اللذين يجعلان الفرز الفوري والمراقبة المستمرة ممكنين.
إدخال الرؤية الحاسوبية إلى أرضية إعادة التدوير#
يتمحور نظام الفرز الروبوتي لدى Glacier حول كاميرا علوية مثبتة مباشرة فوق السير الناقل على هيكل داعم، في موضع يتيح التقاط صور لكل جسم يمر أسفلها. ومع تحرك المواد على السير، تلتقط الكاميرا صورة لكل جسم من الأعلى، ما يمنح النظام رؤية ثابتة وغير محجوبة بصرف النظر عن شكل الجسم أو اتجاهه.
تعالج Ultralytics YOLO11 هذا التدفق في الوقت الفعلي، وتكشف كل جسم يمر وتصنّفه. ويُخرج النموذج مربع إحاطة ووسم فئة لكل عنصر مكتشف، محددًا ما إذا كان، على سبيل المثال، علبة ألومنيوم أو إبريق حليب أو صندوقًا من الورق المقوى أو غشاءً بلاستيكيًا. ويتيح هذا التصنيف، إلى جانب تقدير السرعة استنادًا إلى سرعة السير، لنظام Glacier حساب موضع كل جسم عند وصول الذراع الروبوتية إليه، عادةً بعد أقل من ثانية على اكتشافه.
ثم تلتقط الذراع الروبوتية، المزوّدة بأكواب شفط، الجسم من السير وتضعه في الحاوية المناسبة وفق فئته. وتعمل الدورة بأكملها (الكشف والتصنيف والتنبؤ بالموقع والالتقاط) باستمرار مع تدفق المواد عبر المنشأة، فيما تتيح الكاميرا للنظام التقاط إطارين إلى ثلاثة إطارات لكل جسم قبل خروجه من نطاق الرؤية.
وبالتوازي، يمكن لبيانات الكاميرا نفسها أن تغذي منصة التحليلات لدى Glacier. إذ تُرفع الصور إلى السحابة، حيث يجري YOLO11 الاستدلال لعدّ الأجسام حسب النوع بمرور الوقت. ويمكن لمشغلي المنشآت أيضًا تركيب كاميرات للتحليلات بصورة مستقلة، دون روبوت، إذا أرادوا رؤية ما يجري على خط من دون فرز آلي. وفي كلتا الحالتين، تكون النتيجة تدفقًا مستمرًا من البيانات المنظّمة حول ما يتحرك عبر المنشأة.
الشكل 1. تقنية Ultralytics YOLO11 أثناء العمل في منشأة لإعادة التدوير، إذ تتيح كشف النفايات في الوقت الفعلي وتحسّن فرز المواد لرفع كفاءة إعادة التدوير.
تحدي تصنيف المواد غير المتجانسة#
يُعد كشف الأجسام على سير ناقل لإعادة التدوير تحديًا أصعب مما قد يبدو. فكثيرًا ما تعمل السيور بسرعات تتجاوز 200 قدم في الدقيقة، وتكون المواد متداخلة جزئيًا أو محجوبة أو مبللة أو متسخة أو مشوهة. كما تختلف ظروف الإضاءة. وقد تختلف الأجسام ضمن فئة المادة نفسها اختلافًا جذريًا في المظهر، مثل زجاجة منظف الغسيل وموزّع الصابون وإبريق الحليب، فجميعها من البلاستيك رقم 2، لكنها لا تتشابه بصريًا إلا قليلًا.
مع نشر Glacier تقنيتها في عشرات من منشآت استرداد المواد على مستوى البلاد، احتاجت إلى مستوى أعلى من الدقة لتحسين الأداء في فئات المواد المعقدة والمتباينة بصريًا، بما يتيح التوسع بكفاءة أكبر. وأدى تفاوت المواد، مقترنًا بسرعة المعالجة واتساع نطاقها، في نهاية المطاف إلى تجاوز Glacier لقدرات نموذج الكشف السابق مفتوح المصدر، مع تزايد أهمية تحسين قدرة النموذج على التعميم بين المواقع بالتوازي مع اتساع نطاق نشر Glacier.
Ultralytics YOLO بوصفه الحل#
مع توسع Glacier، أدى نشر Ultralytics YOLO11 دورًا مهمًا في مهمتها الرامية إلى تحسين حلولها وتطويرها على جميع الأصعدة. ويُستخدم YOLO11 في بيئتي نشر مختلفتين، لكل منهما متطلبات أداء مختلفة.
- على الأجهزة الطرفية: يشغّل كل روبوت من Glacier نموذج YOLO11 محليًا لإجراء الفرز الروبوتي في الوقت الفعلي على GPU مخصص، ومعالجة تدفق الكاميرا لحظيًا. وزمن استدلاله منخفض بما يكفي لدعم حساب توقيت الالتقاط، ما يسمح للنظام بمعرفة موضع الجسم بعد أقل من ثانية، أي إن الكشف والتصنيف يكتملان ضمن هذه المهلة.
- في السحابة: بالنسبة إلى منصة التحليلات، تُرفع الصور الملتقطة في المنشأة إلى AWS، حيث يجري YOLO11 الاستدلال لإنشاء أعداد للأجسام بمرور الوقت. وبما أن مسار المعالجة هذا ليس حساسًا للوقت بالطريقة نفسها التي يتسم بها الفرز الروبوتي، فإنه يعمل في السحابة لا على الأجهزة الطرفية، ما يتيح لـ Glacier معالجة البيانات التاريخية وإظهار الرؤى لمشغلي المنشآت عبر لوحات المعلومات والتقارير.
أدى الانتقال إلى YOLO11 إلى تحسينات واضحة في الجوانب التي واجه فيها النموذج السابق أكبر الصعوبات. فقد تحسنت دقة التصنيف عبر الفئات غير المتجانسة، ولا سيما فئات البلاستيك رقم 2، ما وفر لـ Glacier أساسًا أوثق لنشر نموذج مشترك عبر مواقع عملاء متعددة دون ضبط دقيق لكل موقع. كما تحسنت دقة مربعات الإحاطة، وهو ما غيّر طريقة استخدام فريق Glacier لمخرجات النموذج أثناء مراجعة البيانات: فبدلاً من الإبلاغ عن عناصر أساء النموذج فهمها، أصبحت حالات اختلاف النموذج عن تسميات التدريب تشير بصورة أكثر اتساقًا إلى أخطاء حقيقية في التعليقات التوضيحية تحتاج إلى تصحيح. وجعل هذا التحول عملية تحسين البيانات أسرع وأكثر تركيزًا.
لماذا اختيار نماذج Ultralytics YOLO؟#
بالنسبة إلى Glacier، تمحور قرار الانتقال من DETR إلى Ultralytics YOLO حول أداء التصنيف في فئات مواد محددة، مثل البلاستيك رقم 2، التي يحتاج مشغلو منشآت استرداد المواد إلى تتبعها واستردادها بموثوقية. وتعامل YOLO11 مع هذه الفئات باتساق أكبر، وكان ذلك العامل الحاسم.
كان تحسن جودة مربعات الإحاطة ميزة ثانوية لكنها مهمة. فمربعات الإحاطة الدقيقة تجعل مراجعة البيانات ووسمها أكثر كفاءة، إذ تتيح للفريق الوثوق بأن اختلاف النموذج عن أحد الوسوم يشير على الأرجح إلى خطأ حقيقي في البيانات، لا إلى إخفاق في النموذج. كما وفرت حزمة Ultralytics Python لمهندسي Glacier طريقة مباشرة لتدريب النماذج وضبطها الدقيق ونشرها وصيانتها في بيئتي الأجهزة الطرفية والسحابة. وكانت إمكانية تشغيل عائلة النماذج نفسها على أجهزة طرفية مزودة بـ GPU ومسارات استدلال AWS، دون إعادة بناء كود الكشف الأساسي، ميزة عملية مع اتساع نطاق نشر Glacier.
منح مشغلي منشآت استرداد المواد رؤية لمرافقهم#
إلى جانب الفرز، تعالج منصة التحليلات لدى Glacier مشكلة أساسية في طريقة عمل منشآت إعادة التدوير: ففي منشأة MRF كبيرة تضم عدة خطوط ناقلة تعمل في الوقت نفسه، قد يصعب على المشغّلين معرفة ما يحدث في المنشأة بأكملها في أي وقت. وقد لا تكون المشكلات على أحد الخطوط ظاهرة من خط آخر، وبحلول الوقت الذي تصبح فيه المشكلة واضحة، قد تكون قد أثّرت بالفعل في ساعات من الإنتاجية.
تمنح تحليلات Glacier المشغّلين رؤية مستمرة ومنظمة لتدفق الأجسام على مستوى الخط. ومن الرؤى التي تتيحها:
- مراقبة عمق المواد. تتبّع عدد الأجسام التي تمر عبر قسم من الخط في وقت معين، والتنبيه عندما يكون العمق أعلى أو أدنى من المعتاد.
- اكتشاف الملوّثات. تنبيه المشغّلين عندما ترتفع نسبة المواد غير المرغوب فيها على أحد الخطوط فوق المستوى المعتاد، وهو ما يشير غالبًا إلى حدوث مشكلة في مرحلة سابقة.
- مؤشرات تعطل المعدات. قد تشير الزيادة المفاجئة في نوع معين من المواد، مثل علب الألومنيوم، إلى توقف آلة الفرز البصري عن العمل، وعدم تحويل هذه العناصر إلى المسار المتوقع.
- تحليل الأنماط التشغيلية. فهم كيفية تغير تركيب المواد بين الورديات وأيام الأسبوع والفصول، وكيف تؤثر أحداث مثل العطلات الرسمية في المواد التي تصل إلى المنشأة.
تزداد قوة التحليلات عند تركيب الكاميرات في نقاط متعددة من المنشأة، إذ تتيح إمكانية الربط بين الأعداد المسجلة في مواقع مختلفة تتبّع المواضع التي تُفقد فيها مواد معينة أو تُستعاد خلال عملية الفرز بأكملها.
نتائج واقعية في منشآت إعادة التدوير في أنحاء الولايات المتحدة#
حققت عمليات نشر Glacier في منشآت استرداد المواد في الولايات المتحدة نتائج قابلة للقياس في كل من حالات استخدام الفرز الروبوتي والتحليلات.
- منشأة MRF في ميشيغان (خط المخلفات المتبقية): استرداد 15M زجاجة PET وتحقيق إيرادات جديدة بقيمة $138K. كشفت لوحة معلومات الذكاء الاصطناعي من Glacier عن تسرب PET في خط المخلفات المتبقية. واستفادت المنشأة من هذه الرؤية لتبرير تركيب آلة فرز PET في مرحلة سابقة، ما أدى إلى خفض تسرب PET بنسبة 70% وفترة استرداد للتكلفة قدرها 10 أشهر، واسترداد 15 مليون زجاجة PET وتحقيق إيرادات جديدة بقيمة $138,000 من بيع المواد.
- منشأة MRF في كاليفورنيا (خط الألياف): زيادة نقاء الورق بنسبة 17%. حسّن نشر ثلاثة روبوتات على خط الألياف جودة الفرز ونقاء الورق في المرحلة التالية لآلة الفرز البصري، وحققت الروبوتات وقت تشغيل بلغ 95% طوال فترة النشر.
- منشأة MRF في إنديانا (خط المخلفات المتبقية): استرداد أكثر من 500,000 رطل من PET. رصد الذكاء الاصطناعي من Glacier المواد القابلة لإعادة التدوير المتسربة إلى مجرى المخلفات المتبقية. واستخدم المشغّلون الرؤى لإعادة توجيه المواد وتبرير الاستثمار في المعدات السابقة، مع تحديد PET وHDPE في الوقت الفعلي وإتاحة إيرادات إضافية من بيع المواد.
جعل إعادة التدوير أكثر موثوقية باستخدام الرؤية الحاسوبية#
تطوّر Glacier أدوات تجعل إعادة التدوير عملية أكثر قابلية للتوقع والقياس والكفاءة. ومن خلال الجمع بين الفرز الروبوتي والتحليلات على مستوى المنشأة، تمنح مشغّلي MRF الأتمتة اللازمة لاسترداد مزيد من المواد والرؤية اللازمة لفهم ما يحدث على خطوطهم.
توفّر Ultralytics YOLO11 أساس الكشف والتصنيف الذي يعتمد عليه المنتجان؛ فهي دقيقة بما يكفي للتعامل مع التعقيد البصري لمجاري إعادة التدوير الواقعية، وسريعة بما يكفي لدعم الالتقاط الروبوتي في الوقت الفعلي، ومرنة بما يكفي للعمل على كل من الأجهزة الطرفية وخطوط استدلال السحابة. ومع استمرار Glacier في التوسع عبر المنشآت في الولايات المتحدة، تظل Ultralytics YOLO في صميم حزمة الرؤية الحاسوبية لديها.
هل تهتم بذكاء الرؤية الاصطناعي؟ اكتشف خيارات الترخيص لبناء حلول الرؤية الحاسوبية اليوم. تفضّل بزيارة مستودع GitHub وانضم إلى مجتمعنا.
