A Glacier Robotics reduziu o vazamento de PET em 70% nas instalações de reciclagem dos EUA

Reciclar resíduos é mais complicado do que parece. Em uma unidade de recuperação de materiais (MRF), o resíduo de fluxo único chega sem triagem, e o trabalho de separá-lo em fluxos de mercadorias utilizáveis cabe a uma combinação de equipamentos automatizados, classificadores ópticos e classificadores humanos trabalhando em condições rápidas e, muitas vezes, caóticas. As margens de erro são pequenas: um fardo de alumínio contaminado com os materiais errados perde valor, e mercadorias valiosas que escapam sem serem recuperadas vão para o aterro sanitário.

A Glacier foi fundada para tornar esse processo mais confiável e eficiente. Com sede em São Francisco e reconhecida pela Fast Company como a empresa número um mais inovadora em robótica e engenharia, a Glacier constrói sistemas de triagem robótica alimentados por IA e ferramentas de análise de instalações para Unidades de Recuperação de Materiais (MRFs). Seus robôs são instalados diretamente em esteiras transportadoras, usando visão computacional para identificar e classificar materiais em tempo real. Sua plataforma de análise oferece aos operadores das instalações visibilidade sobre o que está se movendo através de suas linhas e onde os problemas estão ocorrendo.

O Ultralytics YOLO11 está no centro de ambos os produtos, lidando com a detecção e classificação que tornam a triagem em tempo real e o monitoramento contínuo possíveis.

Link to this sectionTrazendo a visão computacional para o chão da fábrica de reciclagem#

O sistema de triagem robótica da Glacier é construído em torno de uma câmera superior montada diretamente sobre a esteira transportadora em um suporte, posicionada para capturar cada objeto passando abaixo dela. À medida que os materiais se movem ao longo da esteira, a câmera captura cada objeto de cima, dando ao sistema uma visão consistente e desobstruída, independentemente da forma ou orientação do objeto.

O Ultralytics YOLO11 processa esse feed em tempo real, detectando e classificando cada objeto à medida que ele passa. O modelo gera uma bounding box e um rótulo de classe para cada item detectado, identificando se é, por exemplo, uma lata de alumínio, uma jarra de leite, uma caixa de papelão ou uma película plástica. Essa classificação, combinada com uma estimativa de velocidade baseada na velocidade da esteira, permite que o sistema da Glacier calcule onde cada objeto estará quando o braço robótico o alcançar, normalmente menos de um segundo após a detecção.

O braço robótico, equipado com ventosas, então pega o objeto da esteira e o deposita no receptáculo apropriado com base em sua classe. O loop completo (detectar, classificar, prever posição, pegar) é executado continuamente conforme o material flui pela instalação, com a câmera fornecendo ao sistema de dois a três frames por objeto antes que ele saia do alcance.

Em paralelo, os mesmos dados da câmera podem alimentar a plataforma de análise da Glacier. As imagens são carregadas na nuvem, onde o YOLO11 executa inferência para contar objetos por tipo ao longo do tempo. Os operadores das instalações também podem instalar câmeras de análise independentemente, sem um robô, se desejarem visibilidade de uma linha sem triagem automatizada. De qualquer forma, a saída é um fluxo contínuo de dados estruturados sobre o que está se movendo através da instalação.

Fig. 1. Ultralytics YOLO11 em ação em uma instalação de reciclagem, permitindo detecção de resíduos em tempo real e simplificando a triagem de materiais para maior eficiência na reciclagem._

Link to this sectionO desafio de classificar materiais heterogêneos#

A detecção de objetos em uma esteira de reciclagem é um desafio mais difícil do que parece. Frequentemente, as esteiras funcionam a velocidades que atingem mais de 200 pés por minuto, onde os materiais estão frequentemente sobrepostos, parcialmente obstruídos, molhados, sujos ou deformados. As condições de iluminação variam. Objetos dentro da mesma categoria de material podem parecer radicalmente diferentes uns dos outros, como um frasco de detergente, um dispensador de sabão e uma jarra de leite, que são todos plásticos número dois, mas compartilham muito pouca semelhança visual.

À medida que a Glacier implantou sua tecnologia em dezenas de MRFs nacionalmente, eles exigiram um nível de precisão mais rigoroso para melhorar o desempenho em categorias de materiais complexas e visualmente heterogêneas, permitindo que eles escalassem com mais eficiência. A heterogeneidade, juntamente com a velocidade e o escopo, levou a Glacier a superar o modelo detector de código aberto anterior, à medida que melhorar a generalização do modelo entre locais se tornou cada vez mais importante para a crescente pegada de implantação da Glacier.

Link to this sectionUltralytics YOLO como solução#

À medida que a Glacier cresce, a implantação do Ultralytics YOLO11 desempenhou um papel significativo em sua missão de melhorar e otimizar suas soluções em todos os níveis. O YOLO11 é usado em dois ambientes de implantação distintos, cada um com requisitos de desempenho diferentes.

• Na edge: Cada robô Glacier executa o YOLO11 localmente para triagem robótica em tempo real em uma GPU dedicada, processando o feed da câmera em tempo real. A latência de inferência é baixa o suficiente para suportar o cálculo de tempo de coleta, permitindo que o sistema saiba onde um objeto estará em menos de um segundo, o que significa que a detecção e a classificação são concluídas dentro desse intervalo.
• Na nuvem: Para a plataforma de análise, as imagens capturadas na instalação são carregadas na AWS, onde o YOLO11 executa inferência para gerar contagens de objetos ao longo do tempo. Como esse pipeline não é crítico em termos de tempo da mesma forma que a triagem robótica, ele é executado na nuvem em vez de em hardware de edge, permitindo que a Glacier processe dados históricos e apresente insights aos operadores das instalações por meio de painéis e relatórios.

Mudar para o YOLO11 produziu melhorias claras em áreas onde o modelo anterior mais lutava. A precisão da classificação melhorou em categorias heterogêneas, particularmente plásticos número dois, dando à Glacier uma base mais confiável para implantar um modelo compartilhado em vários locais de clientes sem ajuste fino por local. A precisão da bounding box também melhorou, o que mudou a forma como a equipe da Glacier usava as saídas do modelo durante a revisão de dados: em vez de sinalizar coisas que o modelo havia entendido mal, as discordâncias do modelo com os rótulos de treinamento apontavam mais consistentemente para erros reais de anotação que precisavam ser corrigidos. Essa mudança tornou o processo de melhoria de dados mais rápido e direcionado.

Link to this sectionPor que escolher Ultralytics YOLO models?#

Para a Glacier, a decisão de migrar do DETR para o Ultralytics YOLO se resumiu ao desempenho de classificação nas classes de materiais específicas, como plásticos número 2, que os operadores de MRF precisam rastrear e recuperar de forma confiável. O YOLO11 lidou com essas categorias de forma mais consistente, o que foi o fator crítico.

A melhoria na qualidade da bounding box foi um benefício secundário, mas significativo. Bounding boxes precisas tornam o processo de revisão e anotação de dados mais eficiente, permitindo que a equipe confie que, quando o modelo discorda de um rótulo, é mais provável que esteja apontando um erro real nos dados do que uma falha do modelo. O pacote Ultralytics Python também deu aos engenheiros da Glacier uma maneira direta de treinar, ajustar, implantar e manter modelos em seus ambientes de edge e nuvem. A flexibilidade de executar a mesma família de modelos em hardware de edge equipado com GPU e pipelines de inferência AWS, sem reconstruir o código de detecção subjacente, foi uma vantagem prática conforme a pegada de implantação da Glacier cresceu.

Link to this sectionDando aos operadores de MRF visibilidade de suas instalações#

Além da triagem, a plataforma de análise da Glacier aborda um problema fundamental para o funcionamento das instalações de reciclagem: em uma grande MRF com várias linhas de transporte funcionando simultaneamente, pode ser um desafio para os operadores saber o que está acontecendo em toda a instalação a qualquer momento. Problemas em uma linha podem não ser visíveis de outra, e quando um problema se torna óbvio, pode já ter afetado horas de produção.

As análises da Glacier fornecem aos operadores uma visão contínua e estruturada do fluxo de objetos no nível da linha. Alguns dos insights que isso permite:

• Monitoramento da profundidade da carga. Rastrear quantos objetos estão passando por uma seção da linha em um determinado momento e sinalizar quando a profundidade está anormalmente alta ou baixa.
• Detecção de contaminantes. Alertar os operadores quando a proporção de materiais indesejados em uma linha sobe acima do normal - muitas vezes um sinal de que algo deu errado a montante.
• Sinais de falha de equipamento. Um aumento repentino em um tipo de material específico - latas de alumínio, por exemplo - pode indicar que um classificador óptico parou de funcionar e não está mais desviando esses itens conforme esperado.
• Análise de padrões operacionais. Entender como a composição do material muda ao longo dos turnos, dias da semana ou estações - e como eventos como feriados públicos afetam o que chega à instalação.

A análise é mais poderosa quando as câmeras são instaladas em vários pontos da instalação, porque a capacidade de correlacionar contagens de diferentes locais torna possível rastrear onde materiais específicos estão sendo perdidos ou recuperados em todo o processo de triagem.

Link to this sectionResultados do mundo real em instalações de reciclagem nos EUA#

As implantações da Glacier em unidades de recuperação de materiais nos Estados Unidos produziram resultados mensuráveis tanto em casos de uso de triagem robótica quanto de análise.

• MRF em Michigan (Linha de Resíduos): 15 milhões de garrafas PET recuperadas, US$ 138 mil em novas receitas. O painel de IA da Glacier identificou vazamento de PET na linha de resíduos. A MRF usou essa visibilidade para justificar a instalação de um classificador de PET a montante, que entregou uma redução de 70% no vazamento de PET e um período de retorno de 10 meses, recuperando 15 milhões de garrafas PET e gerando US$ 138.000 em nova receita de commodities.
• MRF na Califórnia (Linha de Fibra): +17% de pureza de papel. Uma implantação de três robôs na linha de fibra melhorou a qualidade da triagem e a pureza do papel a jusante de um classificador óptico, com os robôs atingindo 95% de tempo de atividade em toda a implantação.
• MRF em Indiana (Linha de Resíduos): Mais de 500.000 lbs de PET recuperadas. A IA da Glacier sinalizou recicláveis vazando para o fluxo de resíduos. Os operadores usaram os insights para redirecionar material e justificar investimentos em equipamentos a montante, com PET e HDPE identificados em tempo real e receita adicional de commodities desbloqueada.

Link to this sectionTornando a reciclagem mais confiável com visão computacional#

A Glacier está construindo as ferramentas que tornam a reciclagem um processo mais previsível, mensurável e eficiente. Ao combinar triagem robótica com análise em toda a instalação, ela dá aos operadores de MRF tanto a automação para recuperar mais material quanto a visibilidade para entender o que está acontecendo em suas linhas.

O Ultralytics YOLO11 fornece a base de detecção e classificação da qual ambos os produtos dependem - preciso o suficiente para lidar com a complexidade visual de fluxos de reciclagem reais, rápido o suficiente para suportar a coleta robótica em tempo real e flexível o suficiente para ser executado tanto em hardware de edge quanto em pipelines de inferência em nuvem. À medida que a Glacier continua a se expandir por instalações nos Estados Unidos, o Ultralytics YOLO permanece no centro de sua stack de visão computacional.

Curioso sobre visão computacional por IA? Descubra nossas opções de licenciamento para construir suas soluções de visão computacional hoje. Visite nosso repositório GitHub e junte-se à nossa comunidade.