Glacier Robotics redujo la fuga de PET en un 70% en todas las instalaciones de reciclaje de EE. UU.

El reciclaje de residuos es más complicado de lo que parece. En una instalación de recuperación de materiales (MRF, por sus siglas en inglés), los residuos de flujo único llegan sin clasificar, y el trabajo de separarlos en flujos de productos utilizables recae en una combinación de equipos automatizados, clasificadores ópticos y clasificadores humanos que trabajan en condiciones rápidas y a menudo caóticas. Los márgenes de error son estrechos: una bala de aluminio contaminada con materiales incorrectos pierde valor, y los productos valiosos que se escapan sin ser recuperados terminan en el vertedero.

Glacier se fundó para hacer que este proceso sea más fiable y eficiente. Con sede en San Francisco y reconocida por Fast Company como la empresa número uno más innovadora en robótica e ingeniería, Glacier construye sistemas de clasificación robótica impulsados por IA y herramientas de análisis de instalaciones para instalaciones de reciclaje de materiales (MRF). Sus robots se instalan directamente en las cintas transportadoras, utilizando visión artificial para identificar y clasificar materiales en tiempo real. Su plataforma de análisis ofrece a los operadores de las instalaciones visibilidad sobre lo que se mueve a través de sus líneas y dónde se están produciendo problemas.

Ultralytics YOLO11 es el núcleo de ambos productos, manejando la detección y clasificación que hace posible la clasificación en tiempo real y la monitorización continua.

Link to this sectionLlevando la visión artificial a la planta de reciclaje#

El sistema de clasificación robótica de Glacier se construye en torno a una cámara cenital montada directamente sobre la cinta transportadora en un andamio, posicionada para capturar cada objeto que pasa por debajo. A medida que los materiales se mueven a lo largo de la cinta, la cámara captura cada objeto desde arriba, proporcionando al sistema una vista consistente y sin obstrucciones, independientemente de la forma u orientación del objeto.

Ultralytics YOLO11 procesa esta señal en tiempo real, detectando y clasificando cada objeto a medida que pasa. El modelo genera un cuadro delimitador (bbox) y una etiqueta de clase para cada artículo detectado, identificando si es, por ejemplo, una lata de aluminio, un envase de leche, una caja de cartón o una película de plástico. Esa clasificación, combinada con una estimación de velocidad basada en la velocidad de la cinta, permite al sistema de Glacier calcular dónde estará cada objeto cuando el brazo robótico llegue a él, normalmente menos de un segundo después de la detección.

El brazo robótico, equipado con ventosas, recoge entonces el objeto de la cinta y lo deposita en el receptáculo apropiado según su clase. El bucle completo (detectar, clasificar, predecir posición, recoger) se ejecuta continuamente a medida que el material fluye a través de la instalación, con la cámara proporcionando al sistema de dos a tres fotogramas por objeto antes de que se salga del alcance.

En paralelo, los mismos datos de la cámara pueden alimentar la plataforma de análisis de Glacier. Las imágenes se suben a la nube, donde YOLO11 ejecuta la inferencia para contar los objetos por tipo a lo largo del tiempo. Los operadores de las instalaciones también pueden instalar cámaras de análisis de forma independiente, sin un robot, si desean visibilidad en una línea sin clasificación automatizada. De cualquier manera, el resultado es un flujo continuo de datos estructurados sobre lo que se mueve a través de la instalación.

Fig. 1. Ultralytics YOLO11 en acción en una instalación de reciclaje, permitiendo la detección de residuos en tiempo real y optimizando la clasificación de materiales para mejorar la eficiencia del reciclaje._

Link to this sectionEl desafío de clasificar materiales heterogéneos#

La detección de objetos en una cinta transportadora de reciclaje es un desafío más difícil de lo que parece. A menudo, las cintas funcionan a velocidades que superan los 200 pies por minuto, donde los materiales suelen estar superpuestos, parcialmente ocultos, mojados, sucios o deformados. Las condiciones de iluminación varían. Los objetos dentro de la misma categoría de material pueden verse radicalmente diferentes entre sí, como una botella de detergente, un dispensador de jabón y un envase de leche, que son todos de plástico número dos, pero comparten muy poca similitud visual.

A medida que Glacier desplegó su tecnología en docenas de MRF a nivel nacional, requirieron un nivel de precisión más riguroso para mejorar el rendimiento en categorías de materiales complejas y visualmente heterogéneas, lo que les permitió escalar de manera más eficiente. La heterogeneidad, junto con la velocidad y el alcance, llevó finalmente a Glacier a superar el anterior modelo de detector de código abierto, ya que mejorar la generalización del modelo en todos los sitios se volvió cada vez más importante para la creciente huella de despliegue de Glacier.

Link to this sectionUltralytics YOLO como solución#

A medida que Glacier escala, el despliegue de Ultralytics YOLO11 ha desempeñado un papel importante en su misión de mejorar y optimizar sus soluciones en todos los ámbitos. YOLO11 se utiliza en dos entornos de despliegue distintos, cada uno con diferentes requisitos de rendimiento.

• En el borde (edge): Cada robot de Glacier ejecuta YOLO11 localmente para la clasificación robótica en tiempo real en una GPU dedicada, procesando la señal de la cámara en tiempo real. La latencia de inferencia es lo suficientemente baja como para soportar el cálculo del tiempo de recogida, permitiendo que el sistema sepa dónde estará un objeto en menos de un segundo, lo que significa que la detección y la clasificación se completan bien dentro de ese margen.
• En la nube: Para la plataforma de análisis, las imágenes capturadas en la instalación se suben a AWS, donde YOLO11 ejecuta la inferencia para generar recuentos de objetos a lo largo del tiempo. Debido a que este proceso no es crítico en cuanto a tiempo de la misma manera que la clasificación robótica, se ejecuta en la nube en lugar de en hardware de borde, lo que permite a Glacier procesar datos históricos y presentar perspectivas a los operadores de las instalaciones a través de paneles e informes.

Cambiar a YOLO11 produjo mejoras claras en áreas donde el modelo anterior había tenido más dificultades. La precisión de la clasificación mejoró en todas las categorías heterogéneas, particularmente en los plásticos número dos, dando a Glacier una base más fiable para desplegar un modelo compartido en múltiples sitios de clientes sin necesidad de ajuste fino por sitio. La precisión de los cuadros delimitadores (BBox) también mejoró, lo que cambió la forma en que el equipo de Glacier utilizaba los resultados del modelo durante la revisión de datos: en lugar de señalar cosas que el modelo había malinterpretado, las discrepancias del modelo con las etiquetas de entrenamiento apuntaban de forma más consistente a errores de anotación reales que necesitaban ser corregidos. Ese cambio hizo que el proceso de mejora de datos fuera más rápido y específico.

Link to this section¿Por qué elegir los modelos Ultralytics YOLO?#

Para Glacier, la decisión de pasar de DETR a Ultralytics YOLO se debió al rendimiento de la clasificación en clases de materiales específicas, como los plásticos número 2, que los operadores de MRF necesitan rastrear y recuperar de forma fiable. YOLO11 manejó esas categorías de manera más consistente, lo cual fue el factor crítico.

La mejora en la calidad de los cuadros delimitadores fue un beneficio secundario pero significativo. Los cuadros delimitadores precisos hacen que el proceso de revisión y anotación de datos sea más eficiente, permitiendo al equipo confiar en que, cuando el modelo no está de acuerdo con una etiqueta, es más probable que apunte a un error real en los datos que a un fallo del modelo. El paquete de Python de Ultralytics también ofreció a los ingenieros de Glacier una forma sencilla de entrenar, ajustar, desplegar y mantener modelos en sus entornos de borde y nube. La flexibilidad para ejecutar la misma familia de modelos en hardware de borde equipado con GPU y en los procesos de inferencia de AWS, sin tener que reconstruir el código de detección subyacente, fue una ventaja práctica a medida que ha crecido la huella de despliegue de Glacier.

Link to this sectionDando a los operadores de MRF visibilidad sobre sus instalaciones#

Más allá de la clasificación, la plataforma de análisis de Glacier aborda un problema que es fundamental para el funcionamiento de las instalaciones de reciclaje: en un MRF grande con múltiples líneas de transporte funcionando simultáneamente, puede ser difícil para los operadores saber qué está pasando en toda la instalación en un momento dado. Los problemas en una línea pueden no ser visibles desde otra, y para cuando un problema se vuelve obvio, puede que ya haya afectado horas de rendimiento.

Los análisis de Glacier brindan a los operadores una vista continua y estructurada del flujo de objetos a nivel de línea. Algunas de las perspectivas que esto permite:

• Monitorización de la profundidad de carga. Rastrea cuántos objetos pasan por una sección de la línea en un momento dado y alerta cuando la profundidad es inusualmente alta o baja.
• Detección de contaminantes. Alerta a los operadores cuando la proporción de materiales no deseados en una línea supera lo normal, a menudo una señal de que algo ha salido mal aguas arriba.
• Señales de fallo de los equipos. Un aumento repentino en un tipo de material específico, latas de aluminio por ejemplo, puede indicar que un clasificador óptico ha dejado de funcionar y ya no está desviando esos artículos como se espera.
• Análisis de patrones operativos. Comprender cómo cambia la composición del material a lo largo de los turnos, los días de la semana o las estaciones, y cómo eventos como los días festivos afectan lo que llega a la instalación.

Los análisis son más potentes cuando las cámaras se instalan en múltiples puntos de la instalación, porque la capacidad de correlacionar recuentos de diferentes ubicaciones hace posible rastrear dónde se están perdiendo o recuperando materiales específicos a lo largo de todo el proceso de clasificación.

Link to this sectionResultados en el mundo real en las instalaciones de reciclaje de EE. UU.#

Los despliegues de Glacier en instalaciones de recuperación de materiales en los Estados Unidos han producido resultados medibles tanto en los casos de uso de clasificación robótica como de análisis.

• MRF de Michigan (Línea de residuos): 15 millones de botellas de PET recuperadas, $138,000 en nuevos ingresos. El panel de IA de Glacier identificó fugas de PET en la línea de residuos. El MRF utilizó esa visibilidad para justificar la instalación de un clasificador de PET aguas arriba, lo que supuso una reducción del 70% en las fugas de PET y un periodo de recuperación de 10 meses, recuperando 15 millones de botellas de PET y generando $138,000 en nuevos ingresos por productos.
• MRF de California (Línea de fibra): +17% de pureza del papel. Un despliegue de tres robots en la línea de fibra mejoró la calidad de la clasificación y la pureza del papel aguas abajo de un clasificador óptico, con los robots logrando un 95% de tiempo de actividad en todo el despliegue.
• MRF de Indiana (Línea de residuos): Más de 500,000 libras de PET recuperadas. La IA de Glacier marcó los reciclables que se filtraban en el flujo de residuos. Los operadores utilizaron las perspectivas para redirigir el material y justificar las inversiones en equipos aguas arriba, con PET y HDPE identificados en tiempo real y ingresos adicionales por productos desbloqueados.

Link to this sectionHaciendo que el reciclaje sea más fiable con visión artificial#

Glacier está creando las herramientas que hacen del reciclaje un proceso más predecible, medible y eficiente. Al combinar la clasificación robótica con análisis en toda la instalación, ofrece a los operadores de MRF tanto la automatización para recuperar más material como la visibilidad para entender qué está sucediendo en sus líneas.

Ultralytics YOLO11 proporciona la base de detección y clasificación de la que dependen ambos productos: lo suficientemente precisa para manejar la complejidad visual de los flujos de reciclaje reales, lo suficientemente rápida para soportar la recolección robótica en tiempo real, y lo suficientemente flexible para ejecutarse tanto en hardware de borde como en procesos de inferencia en la nube. A medida que Glacier continúa expandiéndose por las instalaciones en los Estados Unidos, Ultralytics YOLO permanece en el núcleo de su pila de visión artificial.

¿Tienes curiosidad sobre la IA de visión? Descubre nuestras opciones de licencia para crear tus soluciones de visión artificial hoy mismo. Visita nuestro repositorio de GitHub y únete a nuestra comunidad.