Glacier Robotics a réduit les fuites de PET de 70 % dans les centres de recyclage aux États-Unis
Découvre comment Glacier Robotics utilise Ultralytics YOLO11 pour réduire les fuites de PET de 70 %, améliorer la précision du recyclage et automatiser le tri des déchets.
Problem
L'objectif de Glacier était d'améliorer sa capacité à classifier des matériaux hétérogènes dans l'environnement de l'usine de recyclage, en augmentant la charge de travail manuelle nécessaire pour superviser et améliorer le modèle.
Solution
Glacier a intégré Ultralytics YOLO11 à la fois dans ses systèmes de tri robotisé et sa plateforme d'analyse d'installation, obtenant des améliorations significatives dans la précision de classification et réduisant la charge de correction de données qui ralentissait l'itération du modèle.
Le recyclage des déchets est plus complexe qu'il n'y paraît. Dans un centre de tri, les déchets mélangés arrivent sans être triés, et la tâche de les séparer en flux de matières utilisables repose sur une combinaison d'équipements automatisés, de trieurs optiques et d'opérateurs humains travaillant dans des conditions rapides et souvent chaotiques. Les marges d'erreur sont faibles : une balle d'aluminium contaminée par les mauvais matériaux perd de sa valeur, et les matières précieuses qui passent à travers sans être récupérées finissent en décharge.
Glacier a été fondée pour rendre ce processus plus fiable et plus efficace. Basée à San Francisco et reconnue par Fast Company comme l'entreprise la plus innovante dans le domaine de la robotique et de l'ingénierie, Glacier conçoit des systèmes de tri robotisés basés sur l'IA et des outils d'analyse pour les centres de tri. Ses robots sont installés directement sur les tapis roulants, utilisant la vision par ordinateur pour identifier et trier les matériaux en temps réel. Sa plateforme d'analyse offre aux opérateurs une visibilité sur ce qui circule sur leurs lignes et sur l'endroit où les problèmes surviennent.
Ultralytics YOLO11 est au cœur des deux produits, gérant la détection et la classification qui rendent possibles le tri en temps réel et la surveillance continue.
Link to this sectionApporter la vision par ordinateur dans les centres de recyclage#
Le système de tri robotisé de Glacier est construit autour d'une caméra zénithale montée directement au-dessus du tapis roulant sur une structure, positionnée pour capturer chaque objet passant en dessous. Au fur et à mesure que les matériaux se déplacent, la caméra capture chaque objet par le haut, offrant au système une vue cohérente et dégagée, quelle que soit la forme ou l'orientation de l'objet.
Ultralytics YOLO11 traite ce flux en temps réel, détectant et classifiant chaque objet au passage. Le modèle produit une boîte englobante (bbox) et une étiquette de classe pour chaque élément détecté, identifiant s'il s'agit, par exemple, d'une canette en aluminium, d'un bidon de lait, d'un carton ou d'un film plastique. Cette classification, combinée à une estimation de la vitesse du tapis, permet au système de Glacier de calculer où chaque objet se trouvera lorsque le bras robotisé l'atteindra, généralement moins d'une seconde après la détection.
Le bras robotisé, équipé de ventouses, saisit ensuite l'objet sur le tapis et le dépose dans le réceptacle approprié en fonction de sa classe. La boucle complète (détecter, classifier, prédire la position, saisir) fonctionne en continu pendant que les matériaux circulent, la caméra fournissant au système deux à trois images par objet avant qu'il ne sorte de sa portée.
En parallèle, les mêmes données de caméra peuvent alimenter la plateforme d'analyse de Glacier. Les images sont envoyées dans le cloud, où YOLO11 exécute l'inférence pour compter les objets par type au fil du temps. Les opérateurs du centre peuvent également installer des caméras d'analyse indépendamment, sans robot, s'ils souhaitent avoir une visibilité sur une ligne sans tri automatisé. Dans les deux cas, le résultat est un flux continu de données structurées sur ce qui transite dans l'installation.
Fig. 1. Ultralytics YOLO11 en action dans un centre de recyclage, permettant la détection des déchets en temps réel et optimisant le tri des matériaux pour une meilleure efficacité de recyclage._
Link to this sectionLe défi de la classification des matériaux hétérogènes#
La détection d'objets sur un tapis roulant de recyclage est un défi plus difficile qu'il n'y paraît. Souvent, les tapis roulent à des vitesses dépassant 60 mètres par minute, où les matériaux sont fréquemment superposés, partiellement cachés, humides, sales ou déformés. Les conditions d'éclairage varient. Les objets appartenant à la même catégorie peuvent paraître radicalement différents les uns des autres, comme une bouteille de lessive, un distributeur de savon et un bidon de lait, qui sont tous du plastique de type 2, mais qui présentent très peu de similitudes visuelles.
Alors que Glacier déployait sa technologie dans des dizaines de centres de tri à travers le pays, l'entreprise avait besoin d'un niveau de précision plus rigoureux pour améliorer les performances sur des catégories de matériaux complexes et visuellement hétérogènes, ce qui lui permettrait de passer à l'échelle plus efficacement. Cette hétérogénéité, couplée à la vitesse et à l'ampleur du déploiement, a conduit Glacier à dépasser les capacités de l'ancien modèle de détection open-source, car l'amélioration de la généralisation du modèle sur différents sites devenait cruciale pour l'expansion de Glacier.
Link to this sectionUltralytics YOLO comme solution#
À mesure que Glacier se développe, le déploiement d'Ultralytics YOLO11 joue un rôle important dans sa mission d'améliorer et d'optimiser ses solutions à tous les niveaux. YOLO11 est utilisé dans deux environnements de déploiement distincts, chacun ayant des exigences de performance différentes.
- Sur l'edge : Chaque robot Glacier exécute YOLO11 localement pour un tri robotisé en temps réel sur un GPU dédié, traitant le flux vidéo instantanément. La latence d'inférence est suffisamment faible pour permettre le calcul du timing de préhension, ce qui permet au système de savoir où se trouvera un objet en moins d'une seconde, signifiant que la détection et la classification sont terminées bien avant cette échéance.
- Dans le cloud : Pour la plateforme d'analyse, les images capturées dans le centre sont envoyées sur AWS, où YOLO11 exécute l'inférence pour générer des comptes d'objets au fil du temps. Comme ce pipeline n'est pas critique en termes de temps contrairement au tri robotisé, il s'exécute dans le cloud plutôt que sur du matériel edge, permettant à Glacier de traiter des données historiques et d'offrir des perspectives aux opérateurs via des tableaux de bord et des rapports.
Le passage à YOLO11 a apporté des améliorations nettes dans les domaines où l'ancien modèle peinait le plus. La précision de classification s'est améliorée pour les catégories hétérogènes, en particulier les plastiques de type 2, offrant à Glacier une base plus fiable pour déployer un modèle partagé sur plusieurs sites clients sans nécessiter de fine-tuning par site. La précision des boîtes englobantes s'est également améliorée, ce qui a modifié la manière dont l'équipe de Glacier utilise les résultats du modèle lors de la révision des données : plutôt que de signaler des éléments mal compris par le modèle, les désaccords entre le modèle et les étiquettes d'entraînement pointaient plus systématiquement vers de véritables erreurs d'annotation à corriger. Ce changement a rendu le processus d'amélioration des données plus rapide et mieux ciblé.
Link to this sectionPourquoi choisir les modèles Ultralytics YOLO ?#
Pour Glacier, la décision de passer de DETR à Ultralytics YOLO a été motivée par les performances de classification sur les classes de matériaux spécifiques, comme les plastiques de type 2, que les opérateurs de centres de tri doivent suivre et récupérer de manière fiable. YOLO11 gérait ces catégories de façon plus cohérente, ce qui a été le facteur décisif.
L'amélioration de la qualité des boîtes englobantes a été un avantage secondaire mais significatif. Des boîtes précises rendent le processus de révision et d'annotation des données plus efficace, permettant à l'équipe de se fier au modèle : lorsqu'il est en désaccord avec une étiquette, cela indique plus probablement une erreur réelle dans les données qu'une défaillance du modèle. Le package Python d'Ultralytics a également offert aux ingénieurs de Glacier un moyen simple d'entraîner, d'ajuster, de déployer et de maintenir des modèles sur leurs environnements edge et cloud. La flexibilité d'utiliser la même famille de modèles sur du matériel edge équipé de GPU et sur des pipelines d'inférence AWS, sans reconstruire le code de détection sous-jacent, a constitué un avantage pratique à mesure que l'empreinte de déploiement de Glacier grandissait.
Link to this sectionDonner aux opérateurs de centres de tri une visibilité sur leurs installations#
Au-delà du tri, la plateforme d'analyse de Glacier répond à un problème fondamental pour le fonctionnement des centres de recyclage : dans un grand centre avec plusieurs lignes de tapis roulants fonctionnant simultanément, il peut être difficile pour les opérateurs de savoir ce qui se passe dans l'ensemble de l'installation à tout moment. Les problèmes sur une ligne peuvent ne pas être visibles depuis une autre, et au moment où un problème devient évident, il peut déjà avoir affecté des heures de débit.
L'analyse de Glacier offre aux opérateurs une vue continue et structurée du flux d'objets au niveau de la ligne. Voici quelques exemples d'informations obtenues :
- Surveillance de la profondeur du flux. Suivre le nombre d'objets passant dans une section de la ligne à un moment donné, et signaler lorsque la profondeur est anormalement élevée ou basse.
- Détection de contaminants. Alerter les opérateurs lorsque la proportion de matériaux indésirables sur une ligne dépasse la normale - souvent le signe qu'un problème est survenu en amont.
- Signaux de panne d'équipement. Une augmentation soudaine d'un type de matériau spécifique - les canettes en aluminium, par exemple - peut indiquer qu'un trieur optique a cessé de fonctionner et ne détourne plus ces éléments comme prévu.
- Analyse des modèles opérationnels. Comprendre comment la composition des matériaux change au fil des équipes, des jours de la semaine ou des saisons - et comment des événements comme les jours fériés affectent ce qui arrive au centre.
Les analyses sont plus puissantes lorsque des caméras sont installées à plusieurs points de l'installation, car la capacité de corréler les comptes provenant de différents endroits permet de tracer où des matériaux spécifiques sont perdus ou récupérés tout au long du processus de tri.
Link to this sectionRésultats concrets dans les centres de recyclage aux États-Unis#
Les déploiements de Glacier dans les centres de tri aux États-Unis ont produit des résultats mesurables, tant pour le tri robotisé que pour les cas d'utilisation analytiques.
- Centre de tri du Michigan (Ligne de résidus) : 15 millions de bouteilles PET récupérées, 138 000 $ de nouveaux revenus. Le tableau de bord IA de Glacier a identifié des fuites de PET sur la ligne de résidus. Le centre a utilisé cette visibilité pour justifier l'installation d'un trieur de PET en amont, ce qui a permis une réduction de 70 % des fuites de PET et un retour sur investissement en 10 mois, récupérant 15 millions de bouteilles PET et générant 138 000 $ de revenus supplémentaires.
- Centre de tri de Californie (Ligne de fibres) : +17 % de pureté du papier. Un déploiement de trois robots sur la ligne de fibres a amélioré la qualité du tri et la pureté du papier en aval d'un trieur optique, les robots atteignant 95 % de disponibilité sur l'ensemble du déploiement.
- Centre de tri de l'Indiana (Ligne de résidus) : Plus de 225 tonnes de PET récupérées. L'IA de Glacier a signalé des matières recyclables s'échappant dans le flux de résidus. Les opérateurs ont utilisé ces informations pour rediriger les matériaux et justifier des investissements dans des équipements en amont, avec du PET et du PEHD identifiés en temps réel, permettant de débloquer des revenus supplémentaires.
Link to this sectionRendre le recyclage plus fiable grâce à la vision par ordinateur#
Glacier construit les outils qui font du recyclage un processus plus prévisible, mesurable et efficace. En combinant le tri robotisé avec une analyse à l'échelle de l'installation, il offre aux opérateurs de centres de tri à la fois l'automatisation nécessaire pour récupérer plus de matériaux et la visibilité pour comprendre ce qui se passe sur leurs lignes.
Ultralytics YOLO11 fournit la base de détection et de classification dont dépendent les deux produits : suffisamment précis pour gérer la complexité visuelle des flux de recyclage réels, assez rapide pour supporter la saisie robotisée en temps réel, et assez flexible pour fonctionner à la fois sur du matériel edge et sur des pipelines d'inférence cloud. À mesure que Glacier continue de s'étendre dans les centres à travers les États-Unis, Ultralytics YOLO reste au cœur de sa pile technologique de vision par ordinateur.
Curieux à propos de l'IA visuelle ? Découvrez nos options de licence pour construire vos solutions de vision par ordinateur dès aujourd'hui. Visitez notre dépôt GitHub et rejoignez notre communauté.
