Glacier Roboticsは、米国のリサイクル施設全体でPETの流出を70%削減しました。

廃棄物のリサイクルは、見た目以上に複雑です。マテリアル・リカバリー・ファシリティ（MRF）では、単一ストリームの廃棄物が未分別のまま到着します。それを使用可能な商品ストリームに分別する作業は、自動機器、光学選別機、そして高速で動く多くの場合カオスな環境で作業する人間が組み合わさって行われます。許容される誤差はわずかです。異物が混入したアルミニウムのベールは価値を失い、回収されずにすり抜けてしまった貴重な資源は埋め立て地に送られてしまいます。

Glacierは、このプロセスをより信頼性が高く効率的なものにするために設立されました。サンフランシスコに拠点を置き、Fast Companyによってロボット工学およびエンジニアリング部門で最も革新的な企業第1位に選ばれたGlacierは、MRF向けにAIを活用したロボット選別システムと施設分析ツールを構築しています。同社のロボットはコンベアベルト上に直接設置され、コンピュータービジョンを使用してリアルタイムで素材を識別・選別します。分析プラットフォームは、ラインを通過しているものや問題が発生している場所を施設管理者が把握できるようにします。

Ultralytics YOLO11は両製品の中核を担っており、リアルタイムの選別と継続的なモニタリングを可能にする検出および分類処理を行っています。

リサイクル現場へのコンピュータービジョンの導入#

Glacierのロボット選別システムは、コンベアベルトの真上の足場に設置されたトップダウンカメラを中心に構築されており、その下を通過するすべての物体を捉えられるよう配置されています。素材がベルト上を移動すると、カメラが各物体を上方から捉え、物体の形状や向きに関係なく、一貫した遮るもののない視界をシステムに提供します。

Ultralytics YOLO11は、このフィードをリアルタイムで処理し、通過する各オブジェクトを検出および分類します。モデルは、検出されたすべてのアイテムに対してBBoxとクラスラベルを出力し、それが例えばアルミニウム缶、ミルクジャグ、段ボール箱、またはプラスチックフィルムであるかを識別します。その分類結果とベルト速度に基づく速度推定を組み合わせることで、Glacierのシステムは、検出から通常1秒以内に、ロボットアームが到達する際に各オブジェクトがどこにあるかを計算できます。

吸引カップを備えたロボットアームが、ベルトから物体を拾い上げ、クラスに基づいて適切な容器に投入します。この一連のループ（検出、分類、位置予測、ピッキング）は、施設内を流れる素材に対して連続的に実行され、カメラは物体が範囲外に出る前に2〜3フレームの画像をシステムに提供します。

並行して、同じカメラデータがGlacierの分析プラットフォームにも送られます。画像はクラウドにアップロードされ、そこでYOLO11が推論を実行して、タイプごとに物体の数を時間経過とともに集計します。施設オペレーターは、自動選別を必要としない場合でも、ラインの状況を把握するために、ロボットとは独立して分析用カメラを設置することもできます。いずれの場合も、出力されるのは施設を通過するものに関する構造化データの連続したストリームです。

図1. リサイクル施設で稼働するUltralytics YOLO11。リアルタイムでの廃棄物検知を可能にし、材料選別の効率化を通じてリサイクル効率を向上させています。

異種混合素材の分類という課題#

リサイクル用コンベアベルト上での物体検出は、見た目以上に困難な課題です。多くの場合、ベルトは毎分200フィートを超える速度で稼働しており、素材は重なり合っていたり、一部が隠れていたり、濡れていたり、汚れていたり、変形していたりします。照明条件も変化します。同じ素材カテゴリー内の物体であっても、例えば洗濯洗剤のボトル、ハンドソープの容器、牛乳パックのように、すべてが「2番」のプラスチックであっても、見た目の共通点はほとんどありません。

Glacierが全米の数十箇所のMRFに技術を導入するにつれ、より効率的にスケールさせるために、視覚的に不均一な複雑な素材カテゴリーでのパフォーマンスを向上させる、より厳密なレベルの精度が求められるようになりました。この不均一性に加え、速度と規模が重なった結果、Glacierが成長する導入環境において、サイト間でのモデルの汎用性を向上させることがますます重要になり、以前のオープンソースの検出モデルでは対応できなくなりました。

解決策としてのUltralytics YOLO#

Glacierの成長に伴い、Ultralytics YOLO11の導入は、ソリューション全体を改善・最適化するという同社のミッションにおいて重要な役割を果たしてきました。YOLO11は、異なるパフォーマンス要件を持つ2つの異なる導入環境で使用されています。

• エッジ環境: 各Glacierロボットは、リアルタイムのロボット選別を行うために、専用のGPU上でYOLO11をローカル実行し、カメラフィードをリアルタイムで処理します。推論のレイテンシはピッキングのタイミング計算をサポートするのに十分な低さであり、1秒以内に物体の位置を特定できるため、検出と分類はその時間内に十分に完了します。
• クラウド環境: 分析プラットフォーム向けに、施設で撮影された画像がAWSにアップロードされ、そこでYOLO11が推論を実行して経時的な物体カウントを生成します。このパイプラインはロボット選別ほど時間的な制約が厳しくないため、エッジハードウェアではなくクラウドで実行されます。これにより、Glacierは過去のデータを処理し、ダッシュボードやレポートを通じて施設オペレーターにインサイトを提供できます。

YOLO11への切り替えにより、以前のモデルが最も苦戦していた領域で明確な改善が見られました。異種混合カテゴリー、特に「2番」プラスチックでの分類精度が向上し、サイトごとのファインチューニングを行わずに複数の顧客サイトで共有モデルを展開するための、より信頼性の高い基盤がGlacierに提供されました。バウンディングボックスの精度も向上し、データレビュー中にGlacierのチームがモデルの出力を利用する方法が変わりました。モデルが誤解していたものをフラグ立てするのではなく、モデルがトレーニングラベルと一致しない場合、修正が必要な真のアノテーションエラーをより一貫して示すようになりました。この変化により、データ改善プロセスがより迅速かつターゲットを絞ったものになりました。

なぜUltralytics YOLOモデルが選ばれるのか#

Glacierにとって、DETRからUltralytics YOLOへの移行を決定した決め手は、MRFのオペレーターが確実に追跡・回収する必要がある「2番」プラスチックのような特定の素材クラスにおける分類パフォーマンスでした。YOLO11はそれらのカテゴリーをより一貫して処理でき、それが決定的な要因となりました。

バウンディングボックスの品質向上は、副次的ながら有意義なメリットでした。正確なバウンディングボックスにより、データレビューとアノテーションのプロセスがより効率的になり、モデルがラベルと一致しない場合、それはモデルの失敗ではなく、データ内の真のエラーを示している可能性が高いとチームが確信できるようになりました。また、Ultralytics Pythonパッケージは、Glacierのエンジニアに、エッジ環境とクラウド環境の両方でモデルをトレーニング、ファインチューニング、デプロイ、維持するための簡潔な方法を提供しました。基礎となる検出コードを再構築することなく、GPU搭載エッジハードウェアとAWS推論パイプラインの両方で同じモデルファミリーを実行できる柔軟性は、Glacierの導入規模が拡大する中で実用的な利点となりました。

MRFオペレーターに施設内の可視性を提供#

選別以外にも、Glacierの分析プラットフォームはリサイクル施設の運営における根本的な問題に対処しています。複数のコンベアラインが同時に稼働する大規模なMRFでは、オペレーターが施設全体で何が起きているかを常に把握することは困難な場合があります。あるラインでの問題が別のラインからは見えず、問題が顕在化した時点では、すでに何時間分もの処理量に影響を与えている可能性があります。

Glacierの分析により、オペレーターはラインレベルで物体の流れを継続的かつ構造的に把握できます。これにより可能になるインサイトの一部を以下に示します。

• 積載深さのモニタリング。 特定の時点でラインのセクションを通過する物体の数を追跡し、深さが異常に高い、または低い場合にフラグを立てます。
• 汚染物質の検出。 ライン上の不要な素材の割合が通常を超えた場合にオペレーターに警告します。これは多くの場合、上流で何らかの異常が発生した信号となります。
• 機器故障のシグナル。 特定の素材（例えばアルミニウム缶）が突然増加した場合、光学選別機が停止し、それらのアイテムを期待通りに排出できなくなっていることを示している可能性があります。
• 運用のパターン分析。 シフト、曜日、季節によって素材の構成がどのように変化するか、また祝日などのイベントが施設への搬入物にどのような影響を与えるかを理解します。

施設内の複数の地点にカメラが設置されている場合、分析の価値はさらに高まります。異なる場所からのカウントを関連付けることで、選別プロセス全体を通して、どこで特定の素材が損失しているか、あるいは回収されているかを追跡できるためです。

米国のリサイクル施設全体での実際の成果#

米国のマテリアルリサイクル施設におけるGlacierの導入は、ロボット選別と分析の両方のユースケースで測定可能な成果を生み出しています。

• ミシガン州のMRF（残渣ライン）: PETボトル1,500万本を回収、138,000ドルの新規収益。GlacierのAIダッシュボードは、残渣ラインでのPETの損失を特定しました。MRFはこの可視性を利用して上流にPET選別機を導入し、PETの損失を70%削減、10ヶ月で投資回収を達成しました。これにより1,500万本のPETボトルを回収し、138,000ドルの新しい商品収益を生み出しました。
• カリフォルニア州のMRF（ファイバーライン）: 古紙純度が17%向上。ファイバーラインへのロボット3台の導入により、光学式選別機の下流での選別品質と古紙純度が向上し、導入期間全体で95%の稼働率を達成しました。
• インディアナ州のMRF（残渣ライン）: PETを50万ポンド以上回収。GlacierのAIは、残渣ストリームに混入しているリサイクル可能な素材にフラグを立てました。オペレーターはこのインサイトを利用して素材のルートを変更し、上流の設備投資を正当化しました。リアルタイムでPETとHDPEが特定され、追加の商品収益が実現しました。

コンピュータービジョンでリサイクルをより確実なものに#

Glacierは、リサイクルをより予測可能で、測定可能かつ効率的なプロセスにするツールを構築しています。ロボット選別と施設全体の分析を組み合わせることで、MRFオペレーターに、より多くの素材を回収するための自動化と、ライン全体で何が起こっているかを把握するための可視性の両方を提供します。

Ultralytics YOLO11は、両製品が依存する検出と分類の基盤を提供しています。これは、実際のリサイクルストリームの視覚的な複雑さを処理できる精度、リアルタイムのロボットピッキングをサポートできる速度、そしてエッジハードウェアとクラウド推論パイプラインの両方で実行できる柔軟性を備えています。Glacierが米国の施設全体で拡大を続ける中、Ultralytics YOLOはそのコンピュータービジョンスタックの中核であり続けています。

ビジョンAIにご興味がありますか？ライセンスオプションをご覧いただき、今すぐコンピュータビジョンソリューションを構築しましょう。GitHubリポジトリにアクセスし、私たちのコミュニティに参加してください。