Glacier Robotics сократила утечку ПЭТ на 70% на предприятиях по переработке отходов в США

Переработка отходов — это сложнее, чем кажется. На предприятии по восстановлению материалов (MRF) смешанные отходы поступают в несортированном виде, и задача по разделению их на пригодные для использования товарные потоки ложится на комбинацию автоматизированного оборудования, оптических сортировщиков и людей, работающих в быстро меняющихся и часто хаотичных условиях. Допустимая погрешность невелика: кипа алюминия, загрязненная посторонними материалами, теряет свою ценность, а ценное сырье, которое не удалось отсортировать, отправляется на свалку.

Компания Glacier была основана, чтобы сделать этот процесс более надежным и эффективным. Базирующаяся в Сан-Франциско и признанная Fast Company самой инновационной компанией в области робототехники и инженерии, Glacier создает роботизированные системы сортировки на базе ИИ и инструменты аналитики для предприятий по переработке материалов (MRF). Ее роботы устанавливаются непосредственно над конвейерными лентами и используют компьютерное зрение для идентификации и сортировки материалов в режиме реального времени. Аналитическая платформа компании дает операторам предприятия наглядное представление о том, что происходит на их линиях и где возникают проблемы.

Ultralytics YOLO11 лежит в основе обоих продуктов, обеспечивая обнаружение и классификацию, которые делают возможными сортировку в режиме реального времени и непрерывный мониторинг.

Link to this sectionВнедрение компьютерного зрения на площадку по переработке отходов#

Роботизированная система сортировки Glacier построена вокруг камеры с обзором сверху, закрепленной непосредственно над конвейерной лентой на специальной конструкции, что позволяет захватывать каждый объект, проходящий под ней. По мере движения материалов по ленте камера фиксирует каждый объект сверху, обеспечивая системе последовательный и беспрепятственный обзор, независимо от формы или ориентации объекта.

Ultralytics YOLO11 обрабатывает этот поток в режиме реального времени, обнаруживая и классифицируя каждый объект по мере его прохождения. Модель выводит BBox и метку класса для каждого обнаруженного элемента, определяя, является ли он, например, алюминиевой банкой, молочным пакетом, картонной коробкой или пластиковой пленкой. Эта классификация в сочетании с оценкой скорости на основе скорости движения ленты позволяет системе Glacier рассчитать, где будет находиться каждый объект, когда до него дотянется манипулятор робота, обычно менее чем через секунду после обнаружения.

Затем манипулятор робота, оснащенный присосками, берет объект с ленты и помещает его в соответствующий контейнер в зависимости от его класса. Весь цикл (обнаружение, классификация, прогнозирование позиции, захват) выполняется непрерывно по мере прохождения материала через объект, при этом камера обеспечивает системе от двух до трех кадров на каждый объект, прежде чем он выйдет из зоны видимости.

Параллельно те же данные с камеры могут поступать на аналитическую платформу Glacier. Изображения загружаются в облако, где YOLO11 выполняет логический вывод для подсчета объектов по типам с течением времени. Операторы предприятия также могут устанавливать аналитические камеры независимо, без робота, если они хотят контролировать линию без автоматизированной сортировки. В любом случае, результатом является непрерывный поток структурированных данных о том, что движется по объекту.

Рис. 1. Ultralytics YOLO11 в действии на предприятии по переработке, обеспечивающий обнаружение отходов в реальном времени и оптимизирующий сортировку материалов для повышения эффективности переработки._

Link to this sectionПроблема классификации неоднородных материалов#

Обнаружение объектов на конвейерной ленте по переработке — это более сложная задача, чем может показаться. Часто ленты движутся со скоростью более 200 футов в минуту, а материалы нередко перекрывают друг друга, частично скрыты, мокрые, грязные или деформированные. Условия освещения варьируются. Объекты внутри одной и той же категории материалов могут выглядеть совершенно по-разному, например, бутылка из-под стирального порошка, дозатор для мыла и молочный пакет — все они относятся ко второму типу пластика, но визуально имеют очень мало общего.

По мере того как Glacier развертывала свою технологию на десятках MRF по всей стране, им потребовался более строгий уровень точности для повышения производительности на сложных, визуально неоднородных категориях материалов, что позволило бы им масштабироваться более эффективно. Неоднородность в сочетании со скоростью и охватом в конечном итоге привела к тому, что Glacier переросла предыдущую модель детектора с открытым исходным кодом, поскольку улучшение обобщения модели на разных площадках стало все более важным для растущего масштаба развертывания Glacier.

Link to this sectionUltralytics YOLO как решение#

По мере роста Glacier внедрение Ultralytics YOLO11 сыграло значительную роль в их миссии по улучшению и оптимизации решений по всем направлениям. YOLO11 используется в двух различных средах развертывания, каждая из которых имеет свои требования к производительности.

• На периферии (Edge): Каждый робот Glacier локально запускает YOLO11 для роботизированной сортировки в реальном времени на выделенном GPU, обрабатывая поток с камеры в реальном времени. Задержка вывода достаточно мала, чтобы поддерживать расчет времени захвата, позволяя системе знать, где будет находиться объект менее чем через секунду, а это означает, что обнаружение и классификация завершаются в пределах этого окна.
• В облаке: Для аналитической платформы изображения, полученные на предприятии, загружаются в AWS, где YOLO11 выполняет вывод для создания подсчетов объектов с течением времени. Поскольку этот конвейер не является критичным по времени так же, как роботизированная сортировка, он работает в облаке, а не на периферийном оборудовании, что позволяет Glacier обрабатывать исторические данные и предоставлять аналитическую информацию операторам предприятия через информационные панели и отчеты.

Переход на YOLO11 привел к явным улучшениям в областях, где предыдущая модель испытывала наибольшие трудности. Точность классификации улучшилась по неоднородным категориям, особенно для пластика второго типа, что дало Glacier более надежную основу для развертывания общей модели на нескольких объектах клиентов без необходимости дообучения под каждую площадку. Точность BBox также повысилась, что изменило то, как команда Glacier использовала выводы модели во время проверки данных: вместо того чтобы помечать то, что модель поняла неверно, расхождения модели с метками обучения более последовательно указывали на реальные ошибки аннотирования, которые требовали исправления. Этот сдвиг сделал процесс улучшения данных быстрее и целенаправленнее.

Link to this sectionПочему стоит выбрать модели Ultralytics YOLO?#

Для Glacier решение перейти с DETR на Ultralytics YOLO было обусловлено производительностью классификации на конкретных классах материалов, таких как пластик 2-го типа, которые операторы MRF должны надежно отслеживать и восстанавливать. YOLO11 справлялась с этими категориями более последовательно, что стало решающим фактором.

Улучшение качества BBox было вторичным, но значимым преимуществом. Точные BBox делают процесс проверки и аннотирования данных более эффективным, позволяя команде быть уверенными в том, что, когда модель не согласна с меткой, она с большей вероятностью указывает на реальную ошибку в данных, а не на сбой модели. Пакет Ultralytics Python также предоставил инженерам Glacier простой способ обучения, тонкой настройки, развертывания и поддержки моделей как в их периферийных средах, так и в облачных. Гибкость запуска одного и того же семейства моделей как на периферийном оборудовании с GPU, так и в конвейерах логического вывода AWS, без переписывания базового кода обнаружения, стала практическим преимуществом по мере роста масштабов развертывания Glacier.

Link to this sectionПредоставление операторам MRF наглядности их объектов#

Помимо сортировки, аналитическая платформа Glacier решает проблему, фундаментальную для работы предприятий по переработке: на крупном MRF с несколькими одновременно работающими конвейерными линиями операторам может быть сложно понять, что происходит на всем предприятии в любой момент времени. Проблемы на одной линии могут быть не видны с другой, и к тому времени, когда проблема становится очевидной, она может уже повлиять на часовой объем пропуска.

Аналитика Glacier дает операторам непрерывное, структурированное представление о потоке объектов на уровне линии. Некоторые из возможностей, которые это открывает:

• Мониторинг глубины нагрузки. Отслеживание того, сколько объектов проходит через секцию линии в данное время, и сигнализация, когда глубина необычно высока или низка.
• Обнаружение загрязняющих веществ. Оповещение операторов, когда доля нежелательных материалов на линии превышает норму — это часто является сигналом того, что что-то пошло не так на предыдущем этапе.
• Сигналы о неисправности оборудования. Внезапное увеличение количества определенного типа материала — например, алюминиевых банок — может указывать на то, что оптический сортировщик перестал работать и больше не отводит эти предметы должным образом.
• Анализ операционных моделей. Понимание того, как состав материала меняется в течение смен, дней недели или сезонов, и как такие события, как государственные праздники, влияют на то, что поступает на предприятие.

Аналитика становится еще более мощной, если камеры установлены в нескольких точках предприятия, поскольку способность сопоставлять данные о количестве из разных мест позволяет отследить, где именно теряются или восстанавливаются конкретные материалы в процессе всей сортировки.

Link to this sectionРеальные результаты на предприятиях по переработке отходов в США#

Развертывание решений Glacier на предприятиях по восстановлению материалов в Соединенных Штатах принесло измеримые результаты как в задачах роботизированной сортировки, так и в аналитике.

• MRF в Мичигане (линия остатков): Восстановлено 15 млн ПЭТ-бутылок, $138 тыс. новой выручки. ИИ-панель Glacier выявила утечку ПЭТ на линии остатков. MRF использовал эту видимость, чтобы обосновать установку ПЭТ-сортировщика на предыдущем этапе, что обеспечило 70% сокращение утечки ПЭТ и срок окупаемости 10 месяцев, восстановив 15 миллионов ПЭТ-бутылок и принеся $138 000 новой товарной выручки.
• MRF в Калифорнии (линия волокна): +17% чистоты бумаги. Развертывание трех роботов на линии волокна улучшило качество сортировки и чистоту бумаги после оптического сортировщика, при этом роботы достигли 95% времени безотказной работы на протяжении всего периода развертывания.
• MRF в Индиане (линия остатков): Восстановлено более 500 000 фунтов ПЭТ. ИИ Glacier пометил вторсырье, попадающее в поток остатков. Операторы использовали полученную информацию для перенаправления материала и обоснования инвестиций в оборудование, при этом ПЭТ и ПНД были идентифицированы в режиме реального времени, что позволило получить дополнительную товарную выручку.

Link to this sectionПовышение надежности переработки с помощью компьютерного зрения#

Glacier создает инструменты, которые делают переработку более предсказуемым, измеримым и эффективным процессом. Сочетая роботизированную сортировку с общезаводской аналитикой, она дает операторам MRF как автоматизацию для восстановления большего количества материала, так и видимость для понимания того, что происходит на их линиях.

Ultralytics YOLO11 обеспечивает основу обнаружения и классификации, от которой зависят оба продукта — достаточно точную, чтобы справиться с визуальной сложностью реальных потоков переработки, достаточно быструю, чтобы поддерживать роботизированный захват в реальном времени, и достаточно гибкую, чтобы работать как на периферийном оборудовании, так и в облачных конвейерах вывода. Поскольку Glacier продолжает расширяться на предприятиях в Соединенных Штатах, Ultralytics YOLO остается в основе ее стека компьютерного зрения.

Интересуешься ИИ в сфере зрения? Открой для себя наши варианты лицензирования, чтобы создать свои решения для компьютерного зрения уже сегодня. Посети наш репозиторий GitHub и присоединяйся к нашему сообществу.