A Glacier integrou Ultralytics YOLO11 tanto aos seus sistemas robóticos de triagem quanto à sua plataforma de análise de instalações, alcançando melhorias significativas na precisão da classificação e reduzindo o trabalho de correção de dados que retardava a iteração dos modelos.
Reciclar resíduos é mais complicado do que parece. Em uma instalação de recuperação de materiais (MRF), resíduos de fluxo único chegam sem triagem, e a tarefa de separá-los em fluxos de materiais aproveitáveis fica a cargo de uma combinação de equipamentos automatizados, separadores ópticos e trabalhadores que fazem a triagem em condições movimentadas e muitas vezes caóticas. A margem para erros é pequena: um fardo de alumínio contaminado com materiais inadequados perde valor, e materiais valiosos que não são recuperados acabam em aterros sanitários.
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 mais inovadora em robótica e engenharia, a Glacier desenvolve sistemas robóticos de triagem com IA e ferramentas de análise para instalações de reciclagem de materiais (MRFs). Seus robôs são instalados diretamente sobre esteiras transportadoras e usam visão computacional para identificar e separar materiais em tempo real. Sua plataforma de análise oferece aos operadores das instalações visibilidade sobre o que passa pelas linhas e onde surgem problemas.
Ultralytics YOLO11 está no centro dos dois produtos, realizando a detecção e a classificação que tornam possível a triagem em tempo real e o monitoramento contínuo.
Levando visão computacional à operação de reciclagem#
O sistema robótico de triagem da Glacier usa uma câmera posicionada acima da esteira transportadora, montada em um andaime para capturar todos os objetos que passam por baixo dela. À medida que os materiais avançam pela esteira, a câmera captura cada objeto de cima, proporcionando ao sistema uma visão consistente e desobstruída, independentemente do formato ou da orientação do objeto.
Ultralytics YOLO11 processa esse fluxo em tempo real, detectando e classificando cada objeto à medida que passa. O modelo gera uma caixa delimitadora e um rótulo de classe para cada item detectado, identificando, por exemplo, se é uma lata de alumínio, uma embalagem de leite, uma caixa de papelão ou um filme plástico. Essa classificação, combinada a uma estimativa de velocidade baseada na velocidade da esteira, permite que o sistema da Glacier calcule onde cada objeto estará quando o braço robótico chegar até ele, normalmente menos de um segundo após a detecção.
Em seguida, o braço robótico, equipado com ventosas, pega o objeto da esteira e o deposita no recipiente adequado à sua classe. Todo o ciclo — detectar, classificar, prever a posição e pegar — é executado continuamente à medida que os materiais passam pela instalação, enquanto a câmera fornece ao sistema de dois a três quadros por objeto antes que ele saia do alcance.
Paralelamente, os mesmos dados da câmera podem alimentar a plataforma de análise da Glacier. As imagens são enviadas para a nuvem, onde YOLO11 executa inferências para contar objetos por tipo ao longo do tempo. Os operadores das instalações também podem instalar câmeras de análise de forma independente, sem um robô, caso queiram ter visibilidade de uma linha sem triagem automatizada. Em ambos os casos, o resultado é um fluxo contínuo de dados estruturados sobre o que passa pela instalação.
Fig. 1. Ultralytics YOLO11 em ação em uma instalação de reciclagem, permitindo a detecção de resíduos em tempo real e otimizando a triagem de materiais para aumentar a eficiência da reciclagem.
O desafio de classificar materiais heterogêneos#
A detecção de objetos em uma esteira transportadora de reciclagem é mais difícil do que pode parecer. Muitas vezes, as esteiras operam a velocidades superiores a 200 pés por minuto, e os materiais estão sobrepostos, parcialmente encobertos, molhados, sujos ou deformados. As condições de iluminação variam. Objetos da mesma categoria de material podem ter aparências radicalmente diferentes, como uma embalagem de detergente para roupas, um dispenser de sabonete e uma embalagem de leite, todos feitos de plástico número dois, mas com pouquíssima semelhança visual entre si.
À medida que a Glacier implantou sua tecnologia em dezenas de MRFs por todo o país, precisou de um nível de precisão mais rigoroso para melhorar o desempenho em categorias de materiais complexas e visualmente heterogêneas, permitindo uma expansão mais eficiente. A heterogeneidade, somada à velocidade e à escala, acabou levando a Glacier a superar o modelo de detector anterior de código aberto, à medida que melhorar a generalização dos modelos entre instalações se tornava cada vez mais importante para a crescente abrangência de suas implantações.
Ultralytics YOLO como solução#
À medida que a Glacier cresce, a implantação de Ultralytics YOLO11 tem desempenhado um papel importante em sua missão de melhorar e otimizar suas soluções de forma abrangente. YOLO11 é usado em dois ambientes de implantação distintos, cada um com requisitos de desempenho diferentes.
- Na borda: cada robô da Glacier executa YOLO11 localmente para fazer a triagem robótica em tempo real em uma GPU dedicada, processando o fluxo da câmera em tempo real. A latência de inferência é baixa o suficiente para permitir o cálculo do momento da coleta, ajudando o sistema a determinar onde um objeto estará em menos de um segundo. Isso significa que a detecção e a classificação são concluídas bem dentro desse intervalo.
- Na nuvem: na plataforma de análise, as imagens capturadas na instalação são enviadas para a AWS, onde YOLO11 executa inferências para gerar contagens de objetos ao longo do tempo. Como esse pipeline não exige a mesma urgência da triagem robótica, ele é executado na nuvem em vez de no hardware de borda, permitindo que a Glacier processe dados históricos e apresente informações úteis aos operadores das instalações por meio de painéis e relatórios.
A mudança para YOLO11 trouxe melhorias evidentes nas áreas em que o modelo anterior tinha mais dificuldades. A precisão da classificação melhorou em categorias heterogêneas, especialmente nos plásticos número dois, oferecendo à Glacier uma base mais confiável para implantar um modelo compartilhado em vários locais de clientes sem ajustes finos específicos para cada local. A precisão das caixas delimitadoras também melhorou, alterando a maneira como a equipe da Glacier usava os resultados dos modelos durante a revisão dos dados: em vez de sinalizar casos que o modelo havia interpretado incorretamente, as divergências do modelo em relação aos rótulos de treinamento passaram a indicar com mais consistência erros reais de anotação que precisavam ser corrigidos. Essa mudança tornou o processo de melhoria dos dados mais rápido e direcionado.
Por que escolher os modelos Ultralytics YOLO?#
Para a Glacier, a decisão de passar de DETR para Ultralytics YOLO se resumiu ao desempenho de classificação em classes de materiais específicas, como plásticos número 2, que os operadores de MRF precisam monitorar e recuperar com confiabilidade. YOLO11 tratou essas categorias com mais consistência, e esse foi o fator decisivo.
A melhoria na qualidade das caixas delimitadoras foi um benefício secundário, mas significativo. Caixas delimitadoras precisas tornam mais eficiente o processo de revisão e anotação de dados, permitindo que a equipe confie que, quando o modelo diverge de um rótulo, é mais provável que esteja apontando um erro real nos dados do que uma falha do modelo. O pacote Python da Ultralytics também ofereceu aos engenheiros da Glacier uma maneira simples de treinar, ajustar, implantar e manter modelos nos ambientes de borda e na nuvem. A flexibilidade para executar a mesma família de modelos em hardware de borda equipado com GPU e em pipelines de inferência na AWS, sem reconstruir o código de detecção subjacente, foi uma vantagem prática à medida que a abrangência das implantações da Glacier cresceu.
Oferecendo aos operadores de MRF visibilidade sobre 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 unidade de recuperação de materiais (MRF) com várias linhas transportadoras funcionando simultaneamente, pode ser difícil 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 evidente, ele já pode ter afetado horas de produção.
As análises da Glacier oferecem aos operadores uma visão contínua e estruturada do fluxo de objetos em cada linha. Alguns dos insights que isso possibilita:
- Monitoramento da profundidade do fluxo. Acompanhamento de quantos objetos passam por um trecho da linha em determinado momento e emissão de alertas quando essa quantidade está muito alta ou muito baixa.
- Detecção de contaminantes. Alertas aos operadores quando a proporção de materiais indesejados em uma linha ultrapassa o normal — muitas vezes, um sinal de que algo deu errado em uma etapa anterior.
- Sinais de falha nos equipamentos. Um aumento repentino de um tipo específico de material — latas de alumínio, por exemplo — pode indicar que um separador óptico parou de funcionar e não está mais desviando esses itens como esperado.
- Análise de padrões operacionais. Compreensão de como a composição dos materiais muda entre turnos, dias da semana ou estações do ano — e de como eventos como feriados afetam o que chega à instalação.
As análises são mais poderosas quando há câmeras instaladas em vários pontos da instalação, pois a possibilidade de correlacionar contagens de locais diferentes permite rastrear onde materiais específicos são perdidos ou recuperados ao longo de todo o processo de triagem.
Resultados reais em instalações de reciclagem nos EUA#
As implantações da Glacier em instalações de recuperação de materiais nos Estados Unidos produziram resultados mensuráveis tanto na triagem robótica quanto nos casos de uso de análise.
- Unidade de recuperação de materiais de Michigan (linha de rejeitos): 15 milhões de garrafas PET recuperadas, US$ 138 mil em novas receitas. O painel de IA da Glacier identificou perdas de PET na linha de rejeitos. A unidade usou essa visibilidade para justificar a instalação de um separador de PET em uma etapa anterior, que reduziu em 70% as perdas de PET e teve um período de retorno de 10 meses, recuperando 15 milhões de garrafas PET e gerando US$ 138 mil em novas receitas com a venda de materiais.
- Unidade de recuperação de materiais da Califórnia (linha de fibras): +17% de pureza do papel. A implantação de três robôs na linha de fibras melhorou a qualidade da triagem e a pureza do papel após um separador óptico, com os robôs alcançando 95% de disponibilidade durante a implantação.
- Unidade de recuperação de materiais de Indiana (linha de rejeitos): mais de 500 mil libras de PET recuperadas. A IA da Glacier sinalizou materiais recicláveis que estavam indo parar no fluxo de rejeitos. Os operadores usaram os insights para redirecionar os materiais e justificar investimentos em equipamentos em etapas anteriores, com PET e HDPE identificados em tempo real e novas receitas com a venda de materiais.
Tornando a reciclagem mais confiável com visão computacional#
A Glacier está desenvolvendo ferramentas que tornam a reciclagem um processo mais previsível, mensurável e eficiente. Ao combinar a triagem robótica com análises em toda a instalação, ela oferece aos operadores de unidades de recuperação de materiais tanto a automação para recuperar mais materiais quanto a visibilidade para entender o que acontece em suas linhas.
O Ultralytics YOLO11 fornece a base de detecção e classificação da qual ambos os produtos dependem: precisão suficiente para lidar com a complexidade visual dos fluxos de reciclagem reais, velocidade suficiente para dar suporte à separação robótica em tempo real e flexibilidade para funcionar tanto em hardware de borda quanto em pipelines de inferência na nuvem. À medida que a Glacier continua expandindo sua presença em instalações nos Estados Unidos, o Ultralytics YOLO permanece no centro de sua pilha de visão computacional.
Tem curiosidade sobre IA visual? Conheça nossas opções de licenciamento para criar suas soluções de visão computacional hoje mesmo. Acesse nosso repositório do GitHub e junte-se à nossa comunidade.
