Glacier ha integrato Ultralytics YOLO11 sia nei propri sistemi robotici di smistamento sia nella piattaforma di analisi degli impianti, ottenendo notevoli miglioramenti nell’accuratezza della classificazione e riducendo il lavoro necessario per correggere i dati, che rallentava le iterazioni sui modelli.
Il riciclo dei rifiuti è più complicato di quanto sembri. In un impianto di selezione dei materiali (MRF), i rifiuti indifferenziati arrivano mescolati e separarli in flussi di materiali recuperabili è compito di una combinazione di apparecchiature automatizzate, selezionatrici ottiche e operatori che lavorano in condizioni frenetiche e spesso caotiche. Il margine di errore è ridotto: una balla di alluminio contaminata da materiali estranei perde valore, mentre i materiali preziosi che non vengono recuperati finiscono in discarica.
Glacier è stata fondata per rendere questo processo più affidabile ed efficiente. Con sede a San Francisco e riconosciuta da Fast Company come l’azienda più innovativa nel settore della robotica e dell’ingegneria, Glacier sviluppa sistemi robotici di smistamento basati sull’IA e strumenti di analisi degli impianti per gli impianti di riciclo dei materiali (MRF). I suoi robot vengono installati direttamente sui nastri trasportatori e usano la visione artificiale per identificare e smistare i materiali in tempo reale. La piattaforma di analisi offre ai gestori degli impianti visibilità sui materiali che attraversano le linee e sui punti in cui si verificano problemi.
Ultralytics YOLO11 è al centro di entrambi i prodotti e gestisce il rilevamento e la classificazione necessari per rendere possibili lo smistamento in tempo reale e il monitoraggio continuo.
Portare la visione artificiale negli impianti di riciclo#
Il sistema robotico di smistamento di Glacier si basa su una telecamera dall’alto, montata su una struttura direttamente sopra il nastro trasportatore e posizionata per riprendere ogni oggetto che passa sotto di essa. Mentre i materiali scorrono sul nastro, la telecamera riprende ogni oggetto dall’alto, offrendo al sistema una visuale costante e senza ostacoli, indipendentemente dalla forma o dall’orientamento dell’oggetto.
Ultralytics YOLO11 elabora il flusso in tempo reale e rileva e classifica ogni oggetto al suo passaggio. Il modello restituisce un riquadro di delimitazione e un’etichetta di classe per ogni elemento rilevato, identificandolo, per esempio, come lattina di alluminio, bottiglia del latte, scatola di cartone o pellicola di plastica. Questa classificazione, combinata con una stima della velocità basata sulla velocità del nastro, permette al sistema di Glacier di calcolare dove si troverà ogni oggetto quando lo raggiungerà il braccio robotico, in genere meno di un secondo dopo il rilevamento.
Il braccio robotico, dotato di ventose, preleva quindi l’oggetto dal nastro e lo deposita nel contenitore appropriato in base alla sua classe. L’intero ciclo (rilevamento, classificazione, previsione della posizione, prelievo) si svolge continuamente mentre i materiali attraversano l’impianto; la telecamera fornisce al sistema da due a tre fotogrammi per ogni oggetto prima che esca dal suo campo visivo.
In parallelo, gli stessi dati delle telecamere possono alimentare la piattaforma di analisi di Glacier. Le immagini vengono caricate nel cloud, dove YOLO11 esegue l’inferenza per contare nel tempo gli oggetti di ogni tipo. I gestori degli impianti possono anche installare telecamere per l’analisi indipendenti, senza un robot, se desiderano monitorare una linea senza ricorrere allo smistamento automatico. In entrambi i casi, il risultato è un flusso continuo di dati strutturati sui materiali che attraversano l’impianto.
Fig. 1. Ultralytics YOLO11 in azione in un impianto di riciclo: consente il rilevamento dei rifiuti in tempo reale e ottimizza lo smistamento dei materiali, migliorando l’efficienza del riciclo.
La sfida di classificare materiali eterogenei#
Il rilevamento degli oggetti su un nastro trasportatore per il riciclo è più difficile di quanto possa sembrare. Spesso i nastri viaggiano a velocità superiori a 200 piedi al minuto e i materiali si sovrappongono, sono parzialmente nascosti, bagnati, sporchi o deformati. Le condizioni di illuminazione variano. Gli oggetti della stessa categoria di materiali possono avere un aspetto radicalmente diverso: per esempio, una bottiglia di detersivo per bucato, un dispenser di sapone e una bottiglia del latte sono tutti realizzati in plastica numero 2, ma hanno ben poche somiglianze visive.
Con la diffusione della propria tecnologia in decine di MRF in tutto il paese, Glacier aveva bisogno di un livello di accuratezza più rigoroso per migliorare le prestazioni nelle categorie di materiali complesse e visivamente eterogenee e scalare in modo più efficiente. L’eterogeneità, insieme alla velocità e all’ampiezza delle operazioni, ha infine portato Glacier a superare i limiti del precedente modello di rilevamento open source, mentre diventava sempre più importante migliorare la generalizzazione del modello tra diversi impianti, per sostenere la crescente diffusione della tecnologia di Glacier.
Ultralytics YOLO come soluzione#
Con la crescita di Glacier, l’adozione di Ultralytics YOLO11 ha svolto un ruolo significativo nel portare avanti la missione di migliorare e ottimizzare le proprie soluzioni in ogni ambito. YOLO11 viene utilizzato in due ambienti di distribuzione distinti, ciascuno con requisiti prestazionali diversi.
- Sull’edge: ogni robot Glacier esegue YOLO11 localmente su una GPU dedicata per lo smistamento robotico in tempo reale, elaborando in tempo reale il flusso della telecamera. La latenza di inferenza è sufficientemente bassa da supportare il calcolo dei tempi di prelievo, permettendo al sistema di sapere dove si troverà un oggetto in meno di un secondo e completando rilevamento e classificazione ampiamente entro tale intervallo.
- Nel cloud: per la piattaforma di analisi, le immagini acquisite presso l’impianto vengono caricate su AWS, dove YOLO11 esegue l’inferenza per generare conteggi degli oggetti nel tempo. Poiché questa pipeline non è soggetta agli stessi vincoli temporali dello smistamento robotico, viene eseguita nel cloud anziché sull’hardware edge; questo permette a Glacier di elaborare i dati storici e presentare informazioni utili ai gestori degli impianti tramite pannelli di controllo e rapporti.
Il passaggio a YOLO11 ha prodotto miglioramenti evidenti negli ambiti in cui il modello precedente aveva incontrato maggiori difficoltà. L’accuratezza della classificazione è migliorata nelle categorie eterogenee, in particolare nelle plastiche numero 2, offrendo a Glacier basi più affidabili per distribuire un modello condiviso in più sedi dei clienti senza perfezionarlo per ogni singolo impianto. È migliorata anche la precisione dei riquadri di delimitazione, cambiando il modo in cui il team di Glacier utilizzava i risultati del modello durante la revisione dei dati: invece di segnalare elementi interpretati male dal modello, i disaccordi tra le previsioni del modello e le etichette di addestramento indicavano più spesso veri errori di annotazione da correggere. Questo cambiamento ha reso il processo di miglioramento dei dati più rapido e mirato.
Perché scegliere i modelli Ultralytics YOLO?#
Per Glacier, la decisione di passare da DETR a Ultralytics YOLO è dipesa dalle prestazioni di classificazione su specifiche classi di materiali, come le plastiche numero 2, che gli operatori MRF devono monitorare e recuperare in modo affidabile. YOLO11 gestiva queste categorie in modo più coerente: questo è stato il fattore decisivo.
Il miglioramento della qualità dei riquadri di delimitazione è stato un vantaggio secondario ma significativo. Riquadri precisi rendono più efficiente la revisione e l’annotazione dei dati e permettono al team di fidarsi del fatto che, quando il modello non concorda con un’etichetta, è più probabile che segnali un errore reale nei dati anziché un errore del modello. Il pacchetto Python Ultralytics ha inoltre offerto agli ingegneri di Glacier un modo semplice per addestrare, perfezionare, distribuire e mantenere i modelli sia negli ambienti edge sia nel cloud. Poter eseguire la stessa famiglia di modelli su hardware edge dotato di GPU e nelle pipeline di inferenza AWS, senza ricostruire il codice di rilevamento sottostante, è stato un vantaggio pratico con la crescita della diffusione di Glacier.
Offrire agli operatori MRF visibilità sui propri impianti#
Oltre alla selezione, la piattaforma di analisi di Glacier affronta un problema fondamentale per il funzionamento degli impianti di riciclaggio: in un grande MRF con più linee di trasporto in funzione contemporaneamente, per gli operatori può essere difficile sapere cosa succede nell’intero impianto in un dato momento. I problemi su una linea potrebbero non essere visibili da un’altra e, quando un problema diventa evidente, potrebbe aver già compromesso ore di produttività.
Le analisi di Glacier offrono agli operatori una visione continua e strutturata del flusso degli oggetti a livello di linea. Ecco alcune delle informazioni che rendono disponibili:
- Monitoraggio della profondità del materiale. Rilevare quanti oggetti attraversano una sezione della linea in un dato momento e segnalare quando la profondità è insolitamente alta o bassa.
- Rilevamento dei contaminanti. Avvisare gli operatori quando la proporzione di materiali indesiderati su una linea supera i valori normali, spesso segnalando che qualcosa è andato storto a monte.
- Segnali di guasto delle apparecchiature. Un aumento improvviso di un tipo specifico di materiale, come le lattine di alluminio, può indicare che un selezionatore ottico ha smesso di funzionare e non devia più questi oggetti come previsto.
- Analisi dei modelli operativi. Capire come cambia la composizione dei materiali tra turni, giorni della settimana o stagioni e in che modo eventi come le festività influenzano i materiali che arrivano all’impianto.
Le analisi sono più efficaci quando le telecamere sono installate in più punti dell’impianto, perché la possibilità di correlare i conteggi di diverse posizioni consente di tracciare dove specifici materiali vengono persi o recuperati durante l’intero processo di selezione.
Risultati concreti negli impianti di riciclaggio degli Stati Uniti#
Le installazioni di Glacier presso gli impianti di recupero dei materiali negli Stati Uniti hanno prodotto risultati misurabili sia nella selezione robotizzata sia nei casi d’uso delle analisi.
- MRF del Michigan (linea dei residui): recuperate 15 milioni di bottiglie in PET, con 138.000 $ di nuovi ricavi. La dashboard di IA di Glacier ha individuato perdite di PET nella linea dei residui. L’MRF ha usato queste informazioni per giustificare l’installazione a monte di un selezionatore di PET, che ha ridotto del 70% le perdite di PET e ha avuto un periodo di ammortamento di 10 mesi, recuperando 15 milioni di bottiglie in PET e generando 138.000 $ di nuovi ricavi dalla vendita di materiali.
- MRF della California (linea della fibra): purezza della carta aumentata del 17%. Un’installazione con tre robot sulla linea della fibra ha migliorato la qualità della selezione e la purezza della carta a valle di un selezionatore ottico; i robot hanno raggiunto il 95% di operatività durante l’installazione.
- MRF dell’Indiana (linea dei residui): recuperate oltre 500.000 libbre di PET. L’IA di Glacier ha segnalato la presenza di materiali riciclabili nel flusso dei residui. Gli operatori hanno usato queste informazioni per reindirizzare i materiali e giustificare investimenti in apparecchiature a monte; il PET e l’HDPE sono stati identificati in tempo reale, generando ulteriori ricavi dalla vendita di materiali.
Rendere il riciclaggio più affidabile con la visione artificiale#
Glacier sta sviluppando strumenti per rendere il riciclaggio un processo più prevedibile, misurabile ed efficiente. Combinando la selezione robotizzata con analisi che coprono l’intero impianto, offre agli operatori degli MRF sia l’automazione necessaria per recuperare più materiali sia la visibilità necessaria per capire cosa succede sulle linee.
Ultralytics YOLO11 offre le basi di rilevamento e classificazione da cui dipendono entrambi i prodotti: è abbastanza preciso da gestire la complessità visiva dei flussi di riciclaggio reali, abbastanza veloce da supportare la selezione robotizzata in tempo reale e abbastanza flessibile da funzionare sia su hardware edge sia in pipeline di inferenza cloud. Mentre Glacier continua a espandersi negli impianti degli Stati Uniti, Ultralytics YOLO resta al centro del suo stack di visione artificiale.
Ti interessa l’IA per la visione? Scopri le nostre opzioni di licenza per creare oggi le tue soluzioni di visione artificiale. Visita il nostro repository GitHub e unisciti alla nostra community.
