Glacier, Ultralytics YOLO11'i robotik ayrıştırma sistemlerine ve tesis analiz platformuna entegre ederek sınıflandırma doğruluğunda önemli iyileşmeler elde etti ve model yinelemelerini yavaşlatan veri düzeltme yükünü azalttı.
Geri dönüştürülebilir atıkları ayrıştırmak göründüğünden daha karmaşıktır. Bir malzeme geri kazanım tesisine (MRF) karışık atıklar ayrıştırılmadan gelir. Bu atıkların kullanılabilir malzeme akışlarına ayrılması; otomatik ekipmanların, optik ayırıcıların ve hızlı, çoğu zaman kaotik koşullarda çalışan insan ayrıştırıcıların birlikte çalışmasını gerektirir. Hata payı dardır: yanlış malzemelerle kirlenmiş bir alüminyum balya değer kaybeder; geri kazanılamadan ayrıştırma hattından geçen değerli malzemeler ise çöplüğe gider.
Glacier, bu süreci daha güvenilir ve verimli hâle getirmek amacıyla kuruldu. San Francisco merkezli olan ve Fast Company tarafından robotik ve mühendislik alanında en yenilikçi şirket olarak tanınan Glacier, malzeme geri dönüşüm tesisleri (MRF'ler) için yapay zekâ destekli robotik ayrıştırma sistemleri ve tesis analiz araçları geliştiriyor. Robotları doğrudan konveyör bantlarına kurularak malzemeleri gerçek zamanlı tanımlamak ve ayırmak için bilgisayarlı görü kullanıyor. Analiz platformu, tesis işletmecilerine hatlarından geçenleri ve sorunların nerede meydana geldiğini görme olanağı sağlıyor.
Gerçek zamanlı ayrıştırma ve kesintisiz izlemeyi mümkün kılan algılama ve sınıflandırma işlemlerini Ultralytics YOLO11 yürüttüğü için her iki ürünün de merkezinde yer alıyor.
Geri dönüşüm tesisine bilgisayarlı görü taşıma#
Glacier'in robotik ayrıştırma sistemi, taşıyıcı bir yapı üzerine konveyör bandının tam üstüne monte edilen ve üzerinden geçen her nesneyi görüntüleyecek şekilde konumlandırılan üstten bakan bir kamerayla çalışıyor. Malzemeler bant üzerinde ilerlerken kamera her nesneyi yukarıdan görüntülüyor. Böylece sistem, nesnenin biçimi veya yönü ne olursa olsun tutarlı ve engelsiz bir görüş elde ediyor.
Ultralytics YOLO11 bu görüntü akışını gerçek zamanlı işleyerek geçen her nesneyi algılıyor ve sınıflandırıyor. Model, algılanan her öğe için bir sınırlayıcı kutu ve sınıf etiketi veriyor; örneğin öğenin alüminyum içecek kutusu, süt şişesi, karton kutu veya plastik film olup olmadığını belirliyor. Bu sınıflandırma, bant hızına dayalı hız tahminiyle birleştirildiğinde Glacier'in sistemi, genellikle algılamadan bir saniyeden kısa süre sonra robot kol nesneye ulaştığında nesnenin nerede olacağını hesaplayabiliyor.
Vantuzlarla donatılmış robot kol, nesneyi banttan alıp sınıfına göre uygun bölmeye bırakıyor. Algılama, sınıflandırma, konum tahmini ve alma döngüsünün tamamı malzeme tesisten geçerken kesintisiz çalışıyor. Kamera, görüş alanından çıkmadan önce sistemin her nesne için iki ila üç kare görmesini sağlıyor.
Buna paralel olarak aynı kamera verileri Glacier'in analiz platformuna da aktarılabiliyor. Görüntüler buluta yükleniyor ve YOLO11 burada çıkarım yaparak zaman içindeki nesne sayılarını türlerine göre hesaplıyor. Tesis işletmecileri, otomatik ayrıştırma olmadan bir hattaki hareketleri görmek isterlerse robot kullanmadan da bağımsız analiz kameraları kurabiliyor. Her iki durumda da tesis içinde hareket edenlere ilişkin yapılandırılmış verilerden oluşan kesintisiz bir akış elde ediliyor.
Şekil 1. Geri dönüşüm tesisinde çalışan Ultralytics YOLO11, gerçek zamanlı atık algılamayı mümkün kılıyor ve daha verimli geri dönüşüm için malzeme ayrıştırmayı kolaylaştırıyor.
Heterojen malzemeleri sınıflandırma zorluğu#
Geri dönüşüm konveyör bandında nesne algılama, göründüğünden daha zordur. Bantlar çoğu zaman dakikada 200 fiti aşan hızlarda çalışır ve malzemeler sıklıkla üst üste gelir, kısmen kapanır, ıslak, kirli ya da deforme olur. Aydınlatma koşulları da değişir. Aynı malzeme kategorisindeki nesneler birbirinden çok farklı görünebilir. Örneğin çamaşır deterjanı şişesi, sıvı sabunluk ve süt şişesi 2 numaralı plastik sınıfındadır ama görsel olarak birbirlerine pek benzemezler.
Glacier, teknolojisini ülke genelinde onlarca MRF'de devreye alırken karmaşık ve görsel açıdan heterojen malzeme kategorilerindeki performansı iyileştirmek ve daha verimli ölçeklenmek için daha yüksek düzeyde doğruluğa ihtiyaç duydu. Heterojenlik, hız ve kapsamla birleşince Glacier'in önceki açık kaynaklı algılama modelinin sınırlarına ulaşmasına yol açtı. Glacier'in dağıtım ağı büyüdükçe modelin farklı tesislerde genelleme yeteneğini iyileştirmek giderek daha önemli hâle gelmişti.
Çözüm olarak Ultralytics YOLO#
Glacier ölçeklenirken Ultralytics YOLO11'in kullanıma alınması, genel olarak çözümlerini iyileştirme ve optimize etme misyonunda önemli bir rol oynadı. YOLO11, her biri farklı performans gereksinimlerine sahip iki ayrı dağıtım ortamında kullanılıyor.
- Uçta: Her Glacier robotu, özel bir GPU üzerinde gerçek zamanlı robotik ayrıştırma için YOLO11'i yerel olarak çalıştırıyor ve kamera görüntü akışını gerçek zamanlı işliyor. Çıkarım gecikmesi, nesnenin bir saniyeden kısa süre içinde nerede olacağını belirleyen sistemin alma zamanlaması hesaplamasını destekleyecek kadar düşük. Bu da algılama ve sınıflandırmanın söz konusu zaman aralığında rahatlıkla tamamlanmasını sağlıyor.
- Bulutta: Analiz platformu için tesiste çekilen görüntüler AWS'ye yükleniyor ve YOLO11 burada çıkarım yaparak zaman içindeki nesne sayılarını oluşturuyor. Bu işlem hattı, robotik ayrıştırma kadar zamana duyarlı olmadığından uç donanım yerine bulutta çalışıyor. Böylece Glacier geçmiş verileri işleyebiliyor ve pano ve raporlar aracılığıyla içgörüleri tesis işletmecilerine sunabiliyor.
YOLO11'e geçiş, önceki modelin en çok zorlandığı alanlarda belirgin iyileşmeler sağladı. Sınıflandırma doğruluğu, özellikle 2 numaralı plastikler gibi heterojen kategorilerde arttı. Böylece Glacier, her tesis için ayrı ince ayar yapmadan birden fazla müşteri sahasında ortak bir modeli devreye almak için daha güvenilir bir temele kavuştu. Sınırlayıcı kutu hassasiyeti de arttı ve bu, Glacier ekibinin veri incelemesi sırasında model çıktılarını kullanma biçimini değiştirdi: modelin yanlış anladığı şeyleri işaretlemek yerine, modelin eğitim etiketleriyle uyuşmazlıkları daha tutarlı biçimde düzeltilmesi gereken gerçek etiketleme hatalarına işaret etmeye başladı. Bu değişim, veri iyileştirme sürecini hızlandırıp daha hedefli hâle getirdi.
Neden Ultralytics YOLO modellerini seçmeli?#
Glacier için DETR'den Ultralytics YOLO'ya geçme kararının temelinde, MRF işletmecilerinin güvenilir biçimde takip edip geri kazanması gereken 2 numaralı plastikler gibi belirli malzeme sınıflarındaki sınıflandırma performansı vardı. YOLO11 bu kategorileri daha tutarlı biçimde işledi; belirleyici etken buydu.
Sınırlayıcı kutu kalitesindeki iyileşme, ikincil ancak önemli bir avantajdı. Hassas sınırlayıcı kutular, veri inceleme ve etiketleme sürecini daha verimli kılıyor. Böylece ekip, model bir etiketle uyuşmadığında bunun model hatasından ziyade verideki gerçek bir hataya işaret ettiğine daha fazla güvenebiliyor. Ultralytics Python paketi de Glacier mühendislerine hem uç hem de bulut ortamlarında modelleri eğitmek, ince ayar yapmak, dağıtmak ve sürdürmek için basit bir yöntem sundu. Temel algılama kodunu yeniden oluşturmadan aynı model ailesini GPU donanımlı uç sistemlerde ve AWS çıkarım işlem hatlarında çalıştırabilmek, Glacier'in dağıtım ağı büyüdükçe pratik bir avantaj sağladı.
MRF işletmecilerine tesislerini görme olanağı sağlama#
Glacier'ın analitik platformu, sıralamanın ötesinde, geri dönüşüm tesislerinin işleyişi açısından temel bir sorunu ele alıyor: Aynı anda birden fazla konveyör hattının çalıştığı büyük bir MRF'de, operatörlerin herhangi bir anda tesisin tamamında neler olduğunu bilmesi zor olabilir. Bir hattaki sorunlar diğer hatlardan fark edilmeyebilir ve sorun belirgin hâle geldiğinde üretimi saatlerdir etkilemiş olabilir.
Glacier'ın analitik araçları, operatörlere hat düzeyinde nesne akışını sürekli ve düzenli biçimde görme olanağı sunuyor. Bu sayede elde edilebilecek bazı içgörüler:
- Yük derinliği izleme. Belirli bir anda hattın bir bölümünden kaç nesnenin geçtiğini izleme ve derinliğin alışılmadık derecede yüksek ya da düşük olduğu durumları işaretleme.
- Kirletici tespiti. Bir hattaki istenmeyen malzemelerin oranı normal seviyenin üzerine çıktığında operatörleri uyarma; bu durum genellikle hattın önceki bir bölümünde bir şeylerin ters gittiğine işaret eder.
- Ekipman arızası sinyalleri. Örneğin alüminyum kutular gibi belirli bir malzeme türünde ani artış olması, optik ayırıcının çalışmayı durdurduğunu ve bu öğeleri beklendiği gibi ayıramadığını gösterebilir.
- Operasyonel örüntü analizi. Malzeme bileşiminin vardiyalar, haftanın günleri veya mevsimler boyunca nasıl değiştiğini ve resmî tatiller gibi olayların tesise gelen malzemeleri nasıl etkilediğini anlama.
Tesisin birden fazla noktasına kamera kurulduğunda analitik daha da güçlü hâle gelir; çünkü farklı konumlardaki sayımları ilişkilendirmek, belirli malzemelerin tüm ayırma süreci boyunca nerede kaybolduğunu veya geri kazanıldığını izlemeyi mümkün kılar.
ABD'deki geri dönüşüm tesislerinden gerçek dünya sonuçları#
Glacier'ın Amerika Birleşik Devletleri'ndeki malzeme geri kazanım tesislerinde gerçekleştirdiği kurulumlar, hem robotik ayırma hem de analitik kullanım senaryolarında ölçülebilir sonuçlar sağladı.
- Michigan MRF (Artık Hattı): 15 milyon PET şişe geri kazanıldı, 138 bin dolar yeni gelir elde edildi. Glacier'ın yapay zekâ panosu, artık hattındaki PET kaybını belirledi. MRF, bu görünürlükten yararlanarak hattın öncesine bir PET ayırıcı kurulmasını gerekçelendirdi. Bu kurulum, PET kaybını %70 azalttı ve yatırımın 10 ayda geri dönmesini sağladı; 15 milyon PET şişe geri kazanıldı ve yeni emtia gelirinden 138.000 dolar elde edildi.
- California MRF (Lif Hattı): Kâğıt saflığında %17 artış. Lif hattına kurulan üç robot, optik ayırıcının sonrasında ayırma kalitesini ve kâğıt saflığını artırdı; robotlar kurulum boyunca %95 çalışma süresine ulaştı.
- Indiana MRF (Artık Hattı): 500.000 libreden fazla PET geri kazanıldı. Glacier'ın yapay zekâsı, geri dönüştürülebilir malzemelerin artık akışına karıştığını belirledi. Operatörler, malzemeyi başka yöne aktarmak ve hattın öncesine ekipman yatırımı yapılmasını gerekçelendirmek için içgörülerden yararlandı; PET ve HDPE gerçek zamanlı olarak belirlendi ve ek emtia geliri elde edildi.
Bilgisayarlı görüyle geri dönüşümü daha güvenilir hâle getirmek#
Glacier, geri dönüşümü daha öngörülebilir, ölçülebilir ve verimli bir süreç hâline getiren araçlar geliştiriyor. Robotik ayırmayı tesis genelindeki analitikle birleştirerek MRF operatörlerine hem daha fazla malzeme geri kazanmak için otomasyon hem de hatlarında neler olduğunu anlamak için görünürlük sunuyor.
Ultralytics YOLO11, her iki ürünün de dayandığı tespit ve sınıflandırma temelini sağlıyor: Gerçek geri dönüşüm akışlarının görsel karmaşıklığını karşılayacak kadar doğru, gerçek zamanlı robotik toplama işlemlerini destekleyecek kadar hızlı ve hem uç donanımda hem de bulut çıkarım işlem hatlarında çalışacak kadar esnek. Glacier Amerika Birleşik Devletleri'ndeki tesislerde yaygınlaşmaya devam ederken Ultralytics YOLO, bilgisayarlı görü teknolojisi yığınının merkezinde yer alıyor.
Görsel yapay zekâyı merak ediyor musun? Bilgisayarlı görü çözümlerini bugün geliştirmek için lisanslama seçeneklerimizi keşfet. GitHub depomuzu ziyaret et ve topluluğumuza katıl.
