Glacier Robotics ha ridotto le perdite di PET del 70% negli impianti di riciclaggio statunitensi

Riciclare i rifiuti è più complicato di quanto sembri. In un impianto di recupero materiali (MRF), i rifiuti arrivano indifferenziati e il compito di separarli in flussi di materie prime utilizzabili spetta a una combinazione di attrezzature automatizzate, selezionatori ottici e operatori umani che lavorano in condizioni frenetiche e spesso caotiche. I margini di errore sono minimi: una balla di alluminio contaminata da materiali errati perde valore e le materie prime preziose che sfuggono al recupero 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 campo della robotica e dell'ingegneria, Glacier realizza sistemi di selezione robotizzata basati sull'IA e strumenti di analisi per impianti di riciclaggio materiali (MRF). I suoi robot sono installati direttamente sui nastri trasportatori e utilizzano la visione artificiale per identificare e smistare i materiali in tempo reale. La sua piattaforma di analisi offre agli operatori dell'impianto una visibilità completa su ciò che transita sulle linee e dove si verificano i problemi.

Ultralytics YOLO11 è al centro di entrambi i prodotti, gestendo il rilevamento e la classificazione che rendono possibili lo smistamento in tempo reale e il monitoraggio continuo.

Link to this sectionPortare la visione artificiale negli impianti di riciclaggio#

Il sistema di selezione robotizzata di Glacier è basato su una telecamera dall'alto montata direttamente sopra il nastro trasportatore su un'impalcatura, posizionata per catturare ogni oggetto che passa al di sotto. Mentre i materiali si muovono lungo il nastro, la telecamera riprende ogni oggetto dall'alto, offrendo al sistema una visuale coerente e senza ostacoli, indipendentemente dalla forma o dall'orientamento dell'oggetto.

Ultralytics YOLO11 elabora questo feed in tempo reale, rilevando e classificando ogni oggetto al suo passaggio. Il modello restituisce una bounding box e un'etichetta di classe per ogni elemento rilevato, identificando se si tratta, ad esempio, di una lattina di alluminio, un contenitore per il latte, una scatola di cartone o un film plastico. Tale classificazione, combinata con una stima della velocità basata su quella del nastro, permette al sistema di Glacier di calcolare dove si troverà ogni oggetto quando il braccio robotico lo raggiungerà, tipicamente in meno di un secondo dal 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 (rilevare, classificare, prevedere la posizione, prelevare) avviene in modo continuo mentre il materiale scorre nell'impianto, con la telecamera che fornisce al sistema da due a tre frame per oggetto prima che questo esca dal raggio d'azione.

Parallelamente, gli stessi dati della telecamera possono alimentare la piattaforma di analisi di Glacier. Le immagini vengono caricate nel cloud, dove YOLO11 esegue l'inferenza per contare gli oggetti per tipo nel corso del tempo. Gli operatori dell'impianto possono anche installare telecamere di analisi indipendentemente, senza un robot, se desiderano monitorare una linea senza smistamento automatizzato. In ogni caso, l'output è un flusso continuo di dati strutturati su ciò che si muove attraverso l'impianto.

Fig. 1. Ultralytics YOLO11 in azione presso un impianto di riciclaggio, per consentire il rilevamento dei rifiuti in tempo reale e ottimizzare lo smistamento dei materiali per una maggiore efficienza di riciclaggio._

Link to this sectionLa sfida di classificare materiali eterogenei#

Il rilevamento degli oggetti su un nastro trasportatore di riciclaggio è una sfida più complessa di quanto possa sembrare. Spesso, i nastri corrono a velocità che superano i 200 piedi al minuto e i materiali sono spesso sovrapposti, parzialmente oscurati, bagnati, sporchi o deformati. Le condizioni di illuminazione variano. Gli oggetti appartenenti alla stessa categoria di materiale possono apparire radicalmente diversi l'uno dall'altro, come un flacone di detersivo per bucato, un dispenser di sapone e un contenitore per il latte, che sono tutti plastica numero due, ma che condividono ben poche somiglianze visive.

Poiché Glacier ha implementato la propria tecnologia in decine di MRF a livello nazionale, è stato necessario un livello di precisione più rigoroso per migliorare le prestazioni su categorie di materiali complessi e visivamente eterogenei, consentendo di scalare in modo più efficiente. Tale eterogeneità, unita alla velocità e alla portata, ha spinto Glacier a superare il precedente modello di rilevatore open-source, man mano che migliorare la generalizzazione del modello tra i vari siti diventava sempre più importante per la crescente impronta operativa di Glacier.

Link to this sectionUltralytics YOLO come soluzione#

Con la crescita di Glacier, l'implementazione di Ultralytics YOLO11 ha giocato un ruolo significativo nella sua missione di migliorare e ottimizzare le proprie soluzioni su tutta la linea. YOLO11 viene utilizzato in due distinti ambienti di implementazione, ognuno con requisiti di prestazione differenti.

• Sul dispositivo (Edge): Ogni robot Glacier esegue YOLO11 localmente per lo smistamento robotico in tempo reale su una GPU dedicata, elaborando il feed della telecamera in tempo reale. La latenza di inferenza è sufficientemente bassa da supportare il calcolo dei tempi di prelievo, consentendo al sistema di sapere dove si troverà un oggetto in meno di un secondo, il che significa che il rilevamento e la classificazione vengono completati ampiamente entro tale finestra.
• Nel cloud: Per la piattaforma di analisi, le immagini catturate nell'impianto vengono caricate su AWS, dove YOLO11 esegue l'inferenza per generare conteggi di oggetti nel tempo. Poiché questa pipeline non è sensibile al tempo come lo smistamento robotico, viene eseguita nel cloud anziché su hardware edge, consentendo a Glacier di elaborare dati storici e fornire approfondimenti agli operatori dell'impianto tramite dashboard e report.

Il passaggio a YOLO11 ha prodotto chiari miglioramenti nelle aree in cui il modello precedente aveva avuto maggiori difficoltà. La precisione di classificazione è migliorata tra le categorie eterogenee, in particolare per le plastiche numero due, offrendo a Glacier una base più affidabile per implementare un modello condiviso in più siti dei clienti senza necessità di fine-tuning per ogni singolo sito. Anche la precisione delle bounding box è migliorata, il che ha cambiato il modo in cui il team di Glacier utilizza gli output del modello durante la revisione dei dati: invece di segnalare elementi che il modello aveva interpretato male, i disaccordi del modello con le etichette di addestramento hanno evidenziato in modo più coerente autentici errori di annotazione che necessitavano di correzione. Questo cambiamento ha reso il processo di miglioramento dei dati più veloce e mirato.

Link to this sectionPerché 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 materiale come le plastiche numero 2, che gli operatori MRF devono tracciare e recuperare in modo affidabile. YOLO11 ha gestito tali categorie in modo più coerente, ed è stato questo il fattore decisivo.

Il miglioramento nella qualità delle bounding box è stato un vantaggio secondario ma significativo. Bounding box precise rendono il processo di revisione e annotazione dei dati più efficiente, consentendo al team di avere la certezza che quando il modello non concorda con un'etichetta, sia più probabile che stia indicando un errore reale nei dati piuttosto che un fallimento del modello. Il pacchetto Ultralytics Python ha inoltre fornito agli ingegneri di Glacier un modo semplice per addestrare, perfezionare, implementare e mantenere i modelli sia nei loro ambienti edge che cloud. La flessibilità di eseguire la stessa famiglia di modelli su hardware edge dotato di GPU e su pipeline di inferenza AWS, senza dover ricostruire il codice di rilevamento sottostante, è stata un vantaggio pratico man mano che l'impronta operativa di Glacier è cresciuta.

Link to this sectionOffrire agli operatori MRF visibilità sui loro impianti#

Oltre allo smistamento, 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, può essere difficile per gli operatori sapere cosa sta accadendo nell'intero impianto in un dato momento. I problemi su una linea potrebbero non essere visibili dall'altra e, quando un problema diventa evidente, potrebbe aver già compromesso ore di rendimento.

Gli strumenti di analisi di Glacier offrono agli operatori una visione continua e strutturata del flusso di oggetti a livello di linea. Alcuni degli approfondimenti che ciò consente:

• Monitoraggio della profondità di carico. Tracciare quanti oggetti stanno passando attraverso una sezione di linea in un dato momento e segnalare quando la profondità è insolitamente alta o bassa.
• Rilevamento di contaminanti. Avvisare gli operatori quando la percentuale di materiali indesiderati su una linea supera la norma, il che spesso è un segnale che qualcosa è andato storto a monte.
• Segnali di guasto alle apparecchiature. Un improvviso aumento di un tipo di materiale specifico, ad esempio lattine di alluminio, può indicare che un selezionatore ottico ha smesso di funzionare e non sta più deviando quegli articoli come previsto.
• Analisi dei pattern operativi. Comprendere come la composizione dei materiali cambia durante i turni, i giorni della settimana o le stagioni, e come eventi come le festività pubbliche influenzano ciò che arriva all'impianto.

L'analisi è più efficace quando le telecamere sono installate in più punti dell'impianto, poiché la capacità di correlare i conteggi da diverse posizioni rende possibile tracciare dove specifici materiali vengono persi o recuperati durante l'intero processo di smistamento.

Link to this sectionRisultati reali negli impianti di riciclaggio statunitensi#

Le implementazioni di Glacier presso gli impianti di recupero materiali negli Stati Uniti hanno prodotto risultati misurabili sia per quanto riguarda lo smistamento robotico che i casi d'uso dell'analisi.

• MRF in Michigan (Linea Residui): 15 milioni di bottiglie in PET recuperate, 138.000 $ di nuovi ricavi. La dashboard IA di Glacier ha identificato la perdita di PET sulla linea dei residui. L'MRF ha utilizzato tale visibilità per giustificare l'installazione di un selezionatore di PET a monte, che ha portato a una riduzione del 70% delle perdite di PET e a un periodo di ammortamento di 10 mesi, recuperando 15 milioni di bottiglie in PET e generando 138.000 $ di nuovi ricavi dalle materie prime.
• MRF in California (Linea Fibre): +17% purezza della carta. Un'implementazione con tre robot sulla linea delle fibre ha migliorato la qualità della selezione e la purezza della carta a valle di un selezionatore ottico, con i robot che hanno raggiunto il 95% di uptime durante l'implementazione.
• MRF in Indiana (Linea Residui): oltre 500.000 libbre di PET recuperate. L'IA di Glacier ha segnalato materiali riciclabili dispersi nel flusso di residui. Gli operatori hanno utilizzato le informazioni per reindirizzare il materiale e giustificare investimenti nelle attrezzature a monte, con PET e HDPE identificati in tempo reale e ulteriori ricavi dalle materie prime sbloccati.

Link to this sectionRendere il riciclaggio più affidabile con la visione artificiale#

Glacier sta costruendo strumenti che rendono il riciclaggio un processo più prevedibile, misurabile ed efficiente. Combinando lo smistamento robotico con l'analisi dell'intero impianto, offre agli operatori MRF sia l'automazione necessaria per recuperare più materiale, sia la visibilità per comprendere cosa sta accadendo lungo le loro linee.

Ultralytics YOLO11 fornisce la base di rilevamento e classificazione su cui dipendono entrambi i prodotti: abbastanza precisa da gestire la complessità visiva dei flussi di riciclaggio reali, abbastanza veloce da supportare il prelievo robotico in tempo reale e abbastanza flessibile da funzionare sia su hardware edge che su pipeline di inferenza cloud. Mentre Glacier continua ad espandersi negli impianti negli Stati Uniti, Ultralytics YOLO rimane al centro del suo stack di visione artificiale.

Curioso di saperne di più sulla visione artificiale? Scopri le nostre opzioni di licenza per costruire oggi stesso le tue soluzioni di visione artificiale. Visita il nostro repository GitHub e unisciti alla nostra community.