Glacier Robotics, ABD'deki geri dönüşüm tesislerinde PET sızıntısını %70 oranında azalttı

Atık geri dönüşümü göründüğünden daha karmaşıktır. Bir malzeme geri kazanım tesisinde (MRF), ayrıştırılmamış tek akışlı atıklar gelir ve bunları kullanılabilir emtia akışlarına ayırma işi, hızlı hareket eden ve genellikle kaotik koşullarda çalışan otomatik ekipmanlar, optik ayırıcılar ve insan ayırıcıların bir kombinasyonuna düşer. Hata payı düşüktür: yanlış malzemelerle kirlenmiş bir alüminyum balyası değer kaybeder ve geri kazanılamadan elden kaçan değerli emtialar çöp sahasına gider.

Glacier, bu süreci daha güvenilir ve daha verimli hale getirmek için kuruldu. San Francisco merkezli olan ve Fast Company tarafından robotik ve mühendislik alanında bir numaralı en yenilikçi şirket olarak tanınan Glacier, Malzeme Geri Dönüşüm Tesisleri (MRF'ler) için yapay zeka destekli robotik ayıklama sistemleri ve tesis analiz araçları geliştirmektedir. Robotları doğrudan konveyör bantları üzerine kurulur ve malzemeleri gerçek zamanlı olarak tanımlayıp ayıklamak için bilgisayarlı görü kullanır. Analitik platformu, tesis operatörlerine hatlarından nelerin geçtiğini ve sorunların nerede oluştuğunu görme imkanı sağlar.

Ultralytics YOLO11, gerçek zamanlı ayıklamayı ve sürekli izlemeyi mümkün kılan algılama ve sınıflandırma işlemlerini yürüterek her iki ürünün de merkezinde yer alır.

Link to this sectionGeri dönüşüm sahasına bilgisayarlı görü kazandırmak#

Glacier'ın robotik ayıklama sistemi, altından geçen her nesneyi yakalamak üzere konumlandırılmış, bir iskele üzerindeki konveyör bandın doğrudan üzerine monte edilmiş yukarıdan aşağıya bakan bir kamera etrafında inşa edilmiştir. Malzemeler bant boyunca ilerlerken, kamera her nesneyi yukarıdan yakalar ve nesne şekli veya yönünden bağımsız olarak sisteme tutarlı ve engelsiz bir görünüm sağlar.

Ultralytics YOLO11 bu yayını gerçek zamanlı olarak işler, her nesneyi geçerken algılar ve sınıflandırır. Model, algılanan her öğe için bir sınırlayıcı kutu ve sınıf etiketi çıktısı vererek bunun örneğin bir alüminyum kutu, süt şişesi, karton kutu veya plastik film olup olmadığını tanımlar. Bu sınıflandırma, bant hızına dayalı bir hız tahminiyle birleştiğinde, Glacier'ın sisteminin robot kolu ona ulaştığında her bir nesnenin nerede olacağını genellikle algılamadan bir saniye sonra hesaplamasını sağlar.

Vantuzlarla donatılmış robot kol, ardından nesneyi banttan alır ve sınıfına göre uygun bölmeye bırakır. Tüm döngü (algıla, sınıflandır, konumu tahmin et, al), malzeme tesis boyunca akarken sürekli olarak çalışır ve kamera, nesne menzil dışına çıkmadan önce sisteme nesne başına iki ila üç kare sağlar.

Aynı zamanda, aynı kamera verileri Glacier'ın analitik platformunu besleyebilir. Görüntüler buluta yüklenir ve burada YOLO11, nesneleri zaman içinde türlerine göre saymak için çıkarım yapar. Tesis operatörleri, otomatik ayıklama olmaksızın bir hat üzerinde görünürlük istiyorlarsa, analitik kameralarını robot olmaksızın bağımsız olarak da kurabilirler. Her iki durumda da sonuç, tesisten nelerin geçtiğine dair sürekli bir yapılandırılmış veri akışıdır.

Şekil 1. Ultralytics YOLO11, bir geri dönüşüm tesisinde çalışırken, gerçek zamanlı atık algılamayı mümkün kılıyor ve daha iyi geri dönüşüm verimliliği için malzeme ayıklamayı kolaylaştırıyor._

Link to this sectionHeterojen malzemeleri sınıflandırmanın zorluğu#

Bir geri dönüşüm konveyör bandında nesne algılama, göründüğünden daha zor bir görevdir. Bantlar genellikle dakikada 200 fitten fazla hızlarda çalışır ve malzemeler genellikle üst üste binmiş, kısmen gizlenmiş, ıslak, kirli veya deforme olmuş haldedir. Aydınlatma koşulları değişir. Aynı malzeme kategorisindeki nesneler, hepsi iki numara plastik olan çamaşır deterjanı şişesi, sabunluk ve süt şişesi gibi birbirlerinden kökten farklı görünebilir ancak çok az görsel benzerlik paylaşırlar.

Glacier teknolojilerini ulusal çapta düzinelerce MRF'ye yayarken, karmaşık, görsel olarak heterojen malzeme kategorilerindeki performansı artırmak ve daha verimli bir şekilde ölçeklenmek için daha titiz bir doğruluk seviyesine ihtiyaç duydular. Hız ve kapsamla birleşen bu heterojenlik, Glacier'ın büyüyen dağıtım alanı için tesisler genelinde model genellemesini iyileştirmenin giderek daha önemli hale gelmesiyle, Glacier'ın önceki açık kaynaklı dedektör modelinden daha fazlasına ihtiyaç duymasına yol açtı.

Link to this sectionÇözüm olarak Ultralytics YOLO#

Glacier büyüdükçe, Ultralytics YOLO11'i kullanmak, çözümlerini her alanda iyileştirme ve optimize etme görevlerinde önemli bir rol oynadı. YOLO11, her biri farklı performans gereksinimlerine sahip iki farklı dağıtım ortamında kullanılır.

• Uçta: Her Glacier robotu, özel bir GPU üzerinde gerçek zamanlı robotik ayıklama için YOLO11'i yerel olarak çalıştırır ve kamera yayınını gerçek zamanlı olarak işler. Çıkarım gecikmesi, toplama zamanlaması hesaplamasını destekleyecek kadar düşüktür; bu da sistemin bir nesnenin bir saniyenin altında nerede olacağını bilmesini sağlar, yani algılama ve sınıflandırma bu pencere içinde tamamlanır.
• Bulutta: Analitik platformu için, tesiste çekilen görüntüler AWS'ye yüklenir ve burada YOLO11, zaman içinde nesne sayılarını oluşturmak için çıkarım yapar. Bu hat, robotik ayıklamada olduğu gibi zamana duyarlı olmadığından, uç donanım yerine bulutta çalışır ve Glacier'ın geçmiş verileri işlemesine ve panolar ve raporlar aracılığıyla tesis operatörlerine içgörüler sunmasına olanak tanır.

YOLO11'e geçiş, önceki modelin en çok zorlandığı alanlarda belirgin iyileştirmeler sağladı. Sınıflandırma doğruluğu, özellikle iki numara plastikler gibi heterojen kategorilerde iyileşti ve Glacier'a, tesis başına ince ayar yapmadan birden fazla müşteri sahasında ortak bir model dağıtmak için daha güvenilir bir temel sağladı. Sınırlayıcı kutu hassasiyeti de arttı, bu da Glacier ekibinin veri incelemesi sırasında model çıktılarını kullanma şeklini değiştirdi: modelin yanlış anladığı şeyleri işaretlemek yerine, modelin eğitim etiketleriyle olan anlaşmazlıkları, düzeltilmesi gereken gerçek açıklama hatalarını daha tutarlı bir şekilde gösterdi. Bu değişim, veri iyileştirme sürecini daha hızlı ve daha hedefe yönelik hale getirdi.

Link to this sectionNeden Ultralytics YOLO modellerini seçmelisin?#

Glacier için DETR'den Ultralytics YOLO'ya geçiş kararı, MRF operatörlerinin güvenilir bir şekilde takip etmesi ve geri kazanması gereken 2 numara plastikler gibi belirli malzeme sınıflarındaki sınıflandırma performansına dayanıyordu. YOLO11 bu kategorileri daha tutarlı bir şekilde ele aldı ve bu da kritik faktördü.

Sınırlayıcı kutu kalitesindeki iyileşme ikincil ancak anlamlı bir faydaydı. Hassas sınırlayıcı kutular, veri inceleme ve etiketleme sürecini daha verimli hale getirerek ekibin, model bir etiketle uyuşmadığında bunun bir model hatasından ziyade verideki gerçek bir hataya işaret ettiğine güvenmesini sağladı. Ultralytics Python paketi ayrıca Glacier mühendislerine hem uç hem de bulut ortamlarında modelleri eğitmek, ince ayar yapmak, dağıtmak ve sürdürmek için basit bir yol sağladı. Aynı model ailesini GPU donanımlı uç donanım ve AWS çıkarım hatlarında, temel algılama kodunu yeniden oluşturmadan çalıştırma esnekliği, Glacier'ın dağıtım alanı büyüdükçe pratik bir avantaj sağladı.

Link to this sectionMRF operatörlerine tesisleri üzerinde görünürlük sağlama#

Ayıklamanın ötesinde, Glacier'ın analitik platformu, geri dönüşüm tesislerinin çalışma şekli için temel bir sorunu ele alıyor: Aynı anda çalışan birden fazla konveyör hattına sahip büyük bir MRF'de, operatörlerin tesis genelinde herhangi bir zamanda ne olduğunu bilmesi zor olabilir. Bir hattaki sorunlar diğerinden görünmeyebilir ve bir sorun belirgin hale geldiğinde, saatlerce süren üretimi zaten etkilemiş olabilir.

Glacier'ın analitiği, operatörlere hat düzeyinde nesne akışının sürekli ve yapılandırılmış bir görünümünü sunar. Bunun mümkün kıldığı içgörülerden bazıları:

• Yük derinliği izleme. Bir hattın bir bölümünden belirli bir zamanda kaç nesnenin geçtiğini izleme ve derinliğin alışılmadık derecede yüksek veya düşük olduğunu işaretleme.
• Kirletici madde algılama. Bir hattaki istenmeyen malzeme oranının normalin üzerine çıktığını operatörlere bildirme - bu genellikle yukarı akışta bir şeylerin ters gittiğinin işaretidir.
• Ekipman arıza sinyalleri. Belirli bir malzeme türünde (örneğin alüminyum kutular) ani bir artış, optik bir ayırıcının çalışmayı durdurduğunu ve bu öğeleri beklendiği gibi yönlendirmediğini gösterebilir.
• Operasyonel model analizi. Malzeme bileşiminin vardiyalar, haftanın günleri veya mevsimler boyunca nasıl değiştiğini ve resmi tatiller gibi olayların tesise gelenleri nasıl etkilediğini anlama.

Analitik, tesisin birden fazla noktasına kamera kurulduğunda daha güçlü hale gelir, çünkü farklı konumlardan gelen sayıları ilişkilendirme yeteneği, belirli malzemelerin tüm ayıklama süreci boyunca nerede kaybolduğunu veya geri kazanıldığını izlemeyi mümkün kılar.

Link to this sectionABD'deki geri dönüşüm tesislerinde gerçek dünya sonuçları#

Glacier'ın Amerika Birleşik Devletleri'ndeki malzeme geri kazanım tesislerindeki dağıtımları, hem robotik ayıklama hem de analitik kullanım durumlarında ölçülebilir sonuçlar doğurdu.

• Michigan MRF (Atık Hattı): 15 Milyon PET şişe geri kazanıldı, 138 bin dolar yeni gelir. Glacier'ın yapay zeka panosu, atık hattındaki PET sızıntısını tespit etti. MRF bu görünürlüğü, %70 PET sızıntısı azalması ve 10 aylık geri ödeme süresi sağlayan, 15 milyon PET şişeyi geri kazanan ve 138.000 dolarlık yeni emtia geliri yaratan bir yukarı akış PET ayırıcısı kurmayı gerekçelendirmek için kullandı.
• California MRF (Fiber Hattı): +%17 kağıt saflığı. Fiber hattındaki üç robotlu bir kurulum, ayıklama kalitesini ve optik ayırıcının aşağı akışındaki kağıt saflığını iyileştirdi; robotlar kurulum genelinde %95 çalışma süresine ulaştı.
• Indiana MRF (Atık Hattı): 500.000+ lbs PET geri kazanıldı. Glacier'ın yapay zekası, atık akışına sızan geri dönüştürülebilir maddeleri işaretledi. Operatörler, malzemeyi yeniden yönlendirmek ve yukarı akış ekipman yatırımlarını haklı çıkarmak için içgörüleri kullandılar; PET ve HDPE gerçek zamanlı olarak tanımlandı ve ek emtia geliri sağlandı.

Link to this sectionBilgisayarlı görü ile geri dönüşümü daha güvenilir hale getirmek#

Glacier, geri dönüşümü daha tahmin edilebilir, ölçülebilir ve verimli bir süreç haline getiren araçlar inşa ediyor. Robotik ayıklamayı tesis genelindeki analitikle birleştirerek, MRF operatörlerine hem daha fazla malzeme geri kazanmak için otomasyon hem de hatlarında neler olup bittiğini anlamak için görünürlük sağlar.

Ultralytics YOLO11, her iki ürünün de dayandığı algılama ve sınıflandırma temelini sağlar - gerçek geri dönüşüm akışlarının görsel karmaşıklığını kaldıracak kadar doğru, gerçek zamanlı robotik toplamayı destekleyecek kadar hızlı ve hem uç donanım hem de bulut çıkarım hatlarında çalışacak kadar esnek. Glacier, Amerika Birleşik Devletleri'ndeki tesislerinde genişlemeye devam ederken, Ultralytics YOLO bilgisayarlı görü yığınının merkezinde kalmaya devam ediyor.

Görü yapay zekasını merak mı ediyorsunuz? Bilgisayarlı görü çözümlerinizi bugün oluşturmak için lisanslama seçeneklerimizi keşfedin. GitHub depomuzu ziyaret edin ve topluluğumuza katılın.