Glacier интегрировала Ultralytics YOLO11 в роботизированные системы сортировки и платформу аналитики объектов, добившись значительного повышения точности классификации и сократив затраты на исправление данных, которые замедляли итерации моделей.
Переработка отходов сложнее, чем кажется. На предприятие по сортировке отходов (MRF) поступают несортированные смешанные отходы. Их разделяют на пригодные для использования товарные фракции с помощью автоматизированного оборудования, оптических сортировщиков и людей, которые работают в быстром и зачастую хаотичном режиме. Допустимая погрешность невелика: тюк алюминия, загрязненный неподходящими материалами, теряет в цене, а ценные материалы, которые не удалось извлечь, отправляются на свалку.
Компания Glacier была основана, чтобы сделать этот процесс надежнее и эффективнее. Компания из Сан-Франциско, которую Fast Company признала самой инновационной компанией в области робототехники и инженерии, создает роботизированные системы сортировки на базе ИИ и инструменты аналитики для предприятий по переработке материалов (MRF). Роботы устанавливают непосредственно над конвейерными лентами и используют компьютерное зрение для распознавания и сортировки материалов в реальном времени. Аналитическая платформа показывает операторам, какие материалы движутся по линиям и где возникают проблемы.
Ultralytics YOLO11 лежит в основе обоих продуктов, обеспечивая обнаружение и классификацию, необходимые для сортировки в реальном времени и непрерывного мониторинга.
Компьютерное зрение на сортировочной линии перерабатывающего предприятия#
Роботизированная система сортировки Glacier оснащена камерой, установленной над конвейером на каркасе и направленной вниз, чтобы фиксировать каждый проходящий под ней предмет. По мере движения материалов камера снимает каждый объект сверху, обеспечивая системе стабильный беспрепятственный обзор независимо от формы и ориентации предмета.
Ultralytics YOLO11 обрабатывает видеопоток в реальном времени, обнаруживая и классифицируя каждый проходящий объект. Для каждого обнаруженного предмета модель формирует ограничивающую рамку и метку класса, определяя, например, алюминиевая ли это банка, бутылка для молока, картонная коробка или пластиковая пленка. Эта классификация в сочетании с оценкой скорости на основе скорости конвейера позволяет системе Glacier рассчитать, где окажется объект к моменту, когда до него дотянется роботизированная рука, обычно менее чем через секунду после обнаружения.
Затем роботизированная рука с присосками подбирает объект с конвейера и помещает его в подходящий контейнер согласно его классу. Полный цикл — обнаружение, классификация, прогнозирование положения и захват — непрерывно повторяется по мере движения материалов через предприятие. Камера успевает снять каждый объект два-три раза, прежде чем он выйдет из зоны обзора.
Те же данные с камер параллельно могут поступать на аналитическую платформу Glacier. Изображения загружаются в облако, где YOLO11 выполняет инференс и подсчитывает объекты каждого типа с течением времени. Операторы могут устанавливать камеры аналитики отдельно, без робота, если им нужно наблюдать за линией без автоматической сортировки. В обоих случаях результатом становится непрерывный поток структурированных данных о материалах, проходящих через предприятие.
Рис. 1. Ultralytics YOLO11 в работе на предприятии по переработке: обнаружение отходов в реальном времени и оптимизация сортировки материалов для повышения эффективности переработки.
Сложность классификации неоднородных материалов#
Обнаруживать объекты на конвейерной ленте предприятия по переработке сложнее, чем может показаться. Конвейеры часто движутся со скоростью более 200 футов в минуту, а материалы перекрывают друг друга, частично скрыты, намокли, загрязнены или деформированы. Освещение меняется. Объекты одной категории материалов могут радикально отличаться друг от друга, например бутылка для стирального порошка, дозатор для мыла и бутылка для молока: все они относятся к пластику № 2, но визуально почти не похожи.
Развернув свою технологию на десятках предприятий MRF по всей стране, Glacier потребовалось повысить точность распознавания сложных, визуально неоднородных категорий материалов, чтобы улучшить производительность и эффективнее масштабироваться. Неоднородность материалов, скорость и масштаб развертывания в итоге привели к тому, что Glacier переросла прежнюю модель детектора с открытым исходным кодом. Повышение способности модели обобщать данные с разных объектов стало все важнее по мере расширения сети развертываний Glacier.
Ultralytics YOLO как решение#
По мере масштабирования Glacier внедрение Ultralytics YOLO11 сыграло важную роль в совершенствовании и оптимизации решений компании. YOLO11 используется в двух разных средах развертывания, для каждой из которых нужны свои характеристики производительности.
- На периферийных устройствах: Каждый робот Glacier локально запускает YOLO11 на выделенном GPU для роботизированной сортировки в реальном времени, обрабатывая видеопоток камеры по мере поступления. Задержка инференса достаточно мала для расчета времени захвата: система определяет, где объект окажется менее чем через секунду, то есть обнаружение и классификация завершаются в пределах этого времени.
- В облаке: Для аналитической платформы изображения, снятые на предприятии, загружаются в AWS, где YOLO11 выполняет инференс и формирует статистику количества объектов с течением времени. Поскольку этот процесс, в отличие от роботизированной сортировки, не требует обработки в жестком реальном времени, он выполняется в облаке, а не на периферийном оборудовании. Это позволяет Glacier обрабатывать исторические данные и представлять аналитические выводы операторам предприятия на панелях мониторинга и в отчетах.
Переход на YOLO11 заметно улучшил результаты в тех областях, где прежняя модель испытывала наибольшие трудности. Точность классификации выросла для неоднородных категорий, особенно для пластика № 2, что дало Glacier более надежную основу для использования единой модели на площадках разных клиентов без дополнительной настройки для каждого объекта. Также повысилась точность ограничивающих рамок, что изменило подход команды Glacier к проверке данных: теперь несоответствия между результатами модели и обучающими метками чаще указывают на реальные ошибки разметки, которые нужно исправить, а не на неправильное понимание моделью объекта. Это ускорило и сделало более целенаправленным процесс улучшения данных.
Почему стоит выбрать модели Ultralytics YOLO?#
Для Glacier решение перейти с DETR на Ultralytics YOLO определялось качеством классификации конкретных категорий материалов, таких как пластик № 2, которые операторам MRF нужно надежно отслеживать и извлекать. YOLO11 обрабатывала эти категории последовательнее — это и стало ключевым фактором.
Повышение качества ограничивающих рамок стало дополнительным, но существенным преимуществом. Точные ограничивающие рамки повышают эффективность проверки и разметки данных: команда может доверять тому, что расхождение модели с меткой скорее указывает на реальную ошибку в данных, чем на сбой модели. Пакет Ultralytics для Python также дал инженерам Glacier простой способ обучать, дообучать, развертывать и поддерживать модели как в периферийной, так и в облачной среде. Практическим преимуществом по мере расширения сети развертываний Glacier стала возможность запускать одно семейство моделей на периферийном оборудовании с GPU и в конвейерах инференса AWS, не создавая заново базовый код обнаружения.
Операторы MRF получают представление о работе своих предприятий#
Помимо сортировки, аналитическая платформа Glacier решает задачу, имеющую принципиальное значение для работы предприятий по переработке отходов: на крупном комплексе MRF с несколькими одновременно работающими конвейерными линиями операторам бывает сложно в любой момент понять, что происходит на всём предприятии. Проблемы на одной линии могут быть незаметны с другой, а к тому времени, когда неполадка становится очевидной, она уже могла повлиять на производительность за несколько часов.
Аналитика Glacier даёт операторам непрерывное структурированное представление о движении объектов на уровне каждой линии. Вот некоторые выводы, которые она позволяет получить:
- Мониторинг глубины потока. Отслеживание количества объектов, проходящих через участок линии в данный момент, и оповещение о необычно высокой или низкой плотности потока.
- Обнаружение загрязнителей. Оповещение операторов, когда доля нежелательных материалов на линии превышает норму. Часто это сигнал о проблеме на вышестоящем участке.
- Сигналы о неисправности оборудования. Резкий рост количества материалов определённого типа — например, алюминиевых банок — может указывать на то, что оптический сортировщик перестал работать и больше не перенаправляет эти предметы, как должен.
- Анализ рабочих закономерностей. Понимание того, как состав материалов меняется в разные смены, дни недели или сезоны и как на поступающие на предприятие отходы влияют такие события, как государственные праздники.
Аналитика становится эффективнее, когда камеры установлены в нескольких точках предприятия: сопоставление показателей с разных участков позволяет определить, где именно конкретные материалы теряются или извлекаются в ходе всего процесса сортировки.
Результаты работы на предприятиях по переработке отходов в США#
Внедрения Glacier на предприятиях по переработке отходов в США принесли измеримые результаты как в роботизированной сортировке, так и в аналитике.
- Предприятие MRF в Мичигане (линия остаточных отходов): возвращено в оборот 15 млн бутылок из PET, получено $138 тыс. дополнительной выручки. Панель аналитики на базе ИИ от Glacier выявила потери PET на линии остаточных отходов. Полученные данные помогли предприятию обосновать установку вышестоящего сортировщика PET. Это сократило потери PET на 70%, обеспечило окупаемость за 10 месяцев, позволило вернуть в оборот 15 млн бутылок из PET и получить $138 000 дополнительной выручки от продажи вторсырья.
- Предприятие MRF в Калифорнии (линия волокнистых материалов): чистота бумаги повысилась на 17%. Внедрение трёх роботов на линии волокнистых материалов улучшило качество сортировки и повысило чистоту бумаги после оптического сортировщика; время безотказной работы роботов за период внедрения составило 95%.
- Предприятие MRF в Индиане (линия остаточных отходов): возвращено более 500 000 фунтов PET. ИИ Glacier выявил утечку вторсырья в поток остаточных отходов. Операторы использовали эту информацию, чтобы перенаправить материалы и обосновать инвестиции в вышестоящее оборудование. PET и HDPE определялись в реальном времени, что позволило получить дополнительную выручку от продажи вторсырья.
Повышение надёжности переработки отходов с помощью компьютерного зрения#
Glacier создаёт инструменты, которые делают переработку отходов более предсказуемым, измеримым и эффективным процессом. Сочетая роботизированную сортировку с аналитикой на уровне всего предприятия, Glacier даёт операторам MRF как автоматизацию для извлечения большего количества материалов, так и возможность видеть, что происходит на линиях.
Ultralytics YOLO11 обеспечивает основу для обнаружения и классификации, на которой работают оба продукта: он достаточно точен для визуально сложных потоков отходов, достаточно быстр для роботизированного захвата в реальном времени и достаточно гибок, чтобы работать как на периферийном оборудовании, так и в облачных конвейерах инференса. По мере расширения Glacier на предприятия в США Ultralytics YOLO остаётся ключевой частью его стека компьютерного зрения.
Интересуешься ИИ для компьютерного зрения? Ознакомься с нашими вариантами лицензирования, чтобы уже сегодня создавать собственные решения на базе компьютерного зрения. Загляни в наш репозиторий GitHub и присоединяйся к сообществу.
