Glacier Robotics đã giảm 70% lượng rò rỉ nhựa PET trên các cơ sở tái chế tại Hoa Kỳ

Việc tái chế rác thải phức tạp hơn vẻ bề ngoài. Tại một cơ sở phục hồi vật liệu (MRF), rác thải hỗn hợp được chuyển đến mà không phân loại, và công việc tách chúng thành các dòng hàng hóa có thể sử dụng được phụ thuộc vào sự kết hợp của thiết bị tự động, máy phân loại quang học và nhân công làm việc trong điều kiện di chuyển nhanh và thường hỗn loạn. Biên độ sai số rất hẹp: một kiện nhôm bị nhiễm tạp chất không đúng loại sẽ mất giá trị, và các hàng hóa có giá trị nếu không được thu hồi sẽ bị đưa ra bãi chôn lấp.

Glacier được thành lập để giúp quy trình này trở nên đáng tin cậy và hiệu quả hơn. Có trụ sở tại San Francisco và được Fast Company công nhận là công ty sáng tạo số một trong lĩnh vực robotics và kỹ thuật, Glacier xây dựng các hệ thống phân loại robot hỗ trợ AI và các công cụ phân tích cơ sở cho các Cơ sở Tái chế Vật liệu (MRF). Robot của họ được lắp đặt trực tiếp trên băng chuyền, sử dụng thị giác máy tính để xác định và phân loại vật liệu theo thời gian thực. Nền tảng phân tích của họ cung cấp cho các nhà vận hành cơ sở khả năng hiển thị những gì đang di chuyển qua các dây chuyền của họ và nơi các vấn đề đang xảy ra.

Ultralytics YOLO11 là cốt lõi của cả hai sản phẩm, xử lý việc phát hiện và phân loại giúp việc phân loại theo thời gian thực và giám sát liên tục trở nên khả thi.

Link to this sectionMang thị giác máy tính đến sàn tái chế#

Hệ thống phân loại robot của Glacier được xây dựng xung quanh một camera quan sát từ trên xuống được gắn trực tiếp phía trên băng chuyền trên một giàn giáo, được định vị để chụp mọi vật thể đi qua bên dưới nó. Khi vật liệu di chuyển dọc theo băng chuyền, camera chụp từng vật thể từ phía trên, mang lại cho hệ thống một góc nhìn nhất quán, không bị cản trở bất kể hình dạng hoặc hướng của vật thể.

Ultralytics YOLO11 xử lý nguồn dữ liệu này theo thời gian thực, phát hiện và phân loại từng vật thể khi nó đi qua. Model xuất ra một bounding box và nhãn lớp cho mọi mục được phát hiện, xác định xem đó có phải là, ví dụ, một lon nhôm, một bình sữa, một hộp các tông hoặc một màng nhựa hay không. Việc phân loại đó, kết hợp với ước tính vận tốc dựa trên tốc độ băng chuyền, cho phép hệ thống của Glacier tính toán vị trí của từng vật thể khi cánh tay robot tiếp cận nó, thường là dưới một giây sau khi phát hiện.

Cánh tay robot, được trang bị các cốc hút, sau đó lấy vật thể từ băng chuyền và đặt nó vào thùng chứa thích hợp dựa trên loại của nó. Toàn bộ vòng lặp (phát hiện, phân loại, dự đoán vị trí, gắp) chạy liên tục khi vật liệu chảy qua cơ sở, với camera cung cấp cho hệ thống hai đến ba khung hình cho mỗi vật thể trước khi nó di chuyển ra khỏi phạm vi.

Song song đó, dữ liệu camera tương tự có thể cung cấp cho nền tảng phân tích của Glacier. Hình ảnh được tải lên đám mây, nơi YOLO11 chạy inference để đếm các vật thể theo loại theo thời gian. Các nhà vận hành cơ sở cũng có thể lắp đặt độc lập các camera phân tích, không cần robot, nếu họ muốn có khả năng hiển thị vào một dây chuyền mà không cần phân loại tự động. Dù bằng cách nào, kết quả đầu ra là một luồng dữ liệu có cấu trúc liên tục về những gì đang di chuyển qua cơ sở.

Hình 1. Ultralytics YOLO11 hoạt động tại một cơ sở tái chế, cho phép phát hiện rác thải theo thời gian thực và hợp lý hóa việc phân loại vật liệu để cải thiện hiệu quả tái chế._

Link to this sectionThách thức của việc phân loại các vật liệu không đồng nhất#

Phát hiện vật thể trên băng chuyền tái chế là một thách thức khó hơn vẻ ngoài của nó. Thông thường, các băng chuyền chạy ở tốc độ đạt hơn 200 feet mỗi phút, nơi các vật liệu thường chồng chéo, bị che khuất một phần, ướt, bẩn hoặc biến dạng. Điều kiện ánh sáng thay đổi. Các vật thể trong cùng một danh mục vật liệu có thể trông hoàn toàn khác nhau, chẳng hạn như chai nước giặt, bình xà phòng và bình sữa, tất cả đều là nhựa số hai, nhưng chúng chia sẻ rất ít sự tương đồng về thị giác.

Khi Glacier triển khai công nghệ của họ trên hàng chục MRF trên toàn quốc, họ yêu cầu mức độ chính xác nghiêm ngặt hơn để cải thiện hiệu suất trên các danh mục vật liệu phức tạp, không đồng nhất về mặt thị giác, cho phép họ mở rộng quy mô hiệu quả hơn. Sự không đồng nhất, kết hợp với tốc độ và phạm vi, cuối cùng đã khiến Glacier vượt xa model phát hiện mã nguồn mở trước đó khi việc cải thiện khả năng tổng quát hóa của model trên các địa điểm trở nên ngày càng quan trọng đối với dấu ấn triển khai ngày càng tăng của Glacier.

Link to this sectionUltralytics YOLO là giải pháp#

Khi Glacier mở rộng quy mô, việc triển khai Ultralytics YOLO11 đã đóng một vai trò quan trọng trong sứ mệnh của họ là cải thiện và tối ưu hóa các giải pháp của họ trên diện rộng. YOLO11 được sử dụng trên hai môi trường triển khai riêng biệt, mỗi môi trường có các yêu cầu hiệu suất khác nhau.

• Trên edge: Mỗi robot Glacier chạy YOLO11 cục bộ để phân loại robot theo thời gian thực trên một GPU chuyên dụng, xử lý nguồn cấp camera theo thời gian thực. Độ trễ inference đủ thấp để hỗ trợ tính toán thời gian gắp, cho phép hệ thống biết vị trí của vật thể trong chưa đầy một giây, nghĩa là việc phát hiện và phân loại được hoàn thành trong khung thời gian đó.
• Trên đám mây: Đối với nền tảng phân tích, hình ảnh được chụp tại cơ sở được tải lên AWS, nơi YOLO11 chạy inference để tạo số lượng vật thể theo thời gian. Vì quy trình này không quan trọng về thời gian như việc phân loại robot, nên nó chạy trên đám mây thay vì phần cứng edge, cho phép Glacier xử lý dữ liệu lịch sử và cung cấp thông tin chi tiết cho các nhà vận hành cơ sở thông qua bảng điều khiển và báo cáo.

Chuyển sang YOLO11 đã tạo ra những cải tiến rõ ràng trong các lĩnh vực mà model trước đó đã gặp khó khăn nhất. Độ chính xác phân loại được cải thiện trên các danh mục không đồng nhất, đặc biệt là nhựa số hai, mang lại cho Glacier một nền tảng đáng tin cậy hơn để triển khai một model dùng chung trên nhiều địa điểm khách hàng mà không cần fine-tuning cho từng địa điểm. Độ chính xác của bounding box cũng được cải thiện, điều này đã thay đổi cách nhóm của Glacier sử dụng đầu ra của model trong quá trình đánh giá dữ liệu: thay vì gắn cờ những thứ mà model đã hiểu sai, sự bất đồng của model với các nhãn huấn luyện chỉ ra một cách nhất quán hơn các lỗi chú thích thực sự cần được sửa. Sự thay đổi đó đã giúp quy trình cải thiện dữ liệu nhanh hơn và nhắm mục tiêu chính xác hơn.

Link to this sectionTại sao lại chọn các mô hình Ultralytics YOLO?#

Đối với Glacier, quyết định chuyển từ DETR sang Ultralytics YOLO xuất phát từ hiệu suất phân loại trên các lớp vật liệu cụ thể như nhựa số 2 mà các nhà vận hành MRF cần theo dõi và thu hồi một cách đáng tin cậy. YOLO11 xử lý các danh mục đó nhất quán hơn, đó là yếu tố quan trọng.

Việc cải thiện chất lượng bounding box là một lợi ích phụ nhưng có ý nghĩa. Các bounding box chính xác giúp quy trình đánh giá và chú thích dữ liệu hiệu quả hơn, cho phép nhóm tin tưởng rằng khi model không đồng ý với nhãn, nó có nhiều khả năng chỉ ra lỗi thực sự trong dữ liệu hơn là lỗi model. Gói Ultralytics Python cũng cung cấp cho các kỹ sư của Glacier một cách đơn giản để huấn luyện, fine-tuning, triển khai và bảo trì các model trên cả môi trường edge và đám mây. Sự linh hoạt để chạy cùng một dòng model trên phần cứng edge được trang bị GPU và các đường ống inference AWS, mà không cần xây dựng lại mã phát hiện cơ bản, là một lợi thế thiết thực khi dấu ấn triển khai của Glacier đã tăng lên.

Link to this sectionCung cấp cho các nhà vận hành MRF khả năng hiển thị vào cơ sở của họ#

Ngoài việc phân loại, nền tảng phân tích của Glacier giải quyết một vấn đề cơ bản đối với cách thức vận hành của các cơ sở tái chế: Trong một MRF lớn với nhiều dây chuyền băng chuyền chạy đồng thời, các nhà vận hành có thể gặp khó khăn khi biết chuyện gì đang xảy ra trên toàn bộ cơ sở tại bất kỳ thời điểm nào. Các vấn đề trên một dây chuyền có thể không nhìn thấy được từ dây chuyền khác, và đến khi một vấn đề trở nên rõ ràng, nó có thể đã ảnh hưởng đến hàng giờ sản lượng.

Phân tích của Glacier cung cấp cho các nhà vận hành một cái nhìn liên tục, có cấu trúc về dòng vật thể ở cấp độ dây chuyền. Một số thông tin chi tiết mà điều này mang lại:

• Giám sát độ sâu tải. Theo dõi số lượng vật thể đang đi qua một phần của dây chuyền tại một thời điểm nhất định và gắn cờ khi độ sâu cao hoặc thấp bất thường.
• Phát hiện chất gây ô nhiễm. Cảnh báo các nhà vận hành khi tỷ lệ vật liệu không mong muốn trên dây chuyền tăng cao hơn bình thường - thường là tín hiệu cho thấy có điều gì đó đã xảy ra không ổn ở phía trước.
• Tín hiệu hỏng hóc thiết bị. Sự gia tăng đột ngột của một loại vật liệu cụ thể - ví dụ, lon nhôm - có thể cho thấy một máy phân loại quang học đã ngừng hoạt động và không còn chuyển hướng các mặt hàng đó như mong đợi.
• Phân tích mô hình vận hành. Hiểu cách thành phần vật liệu thay đổi qua các ca làm việc, ngày trong tuần hoặc mùa - và cách các sự kiện như ngày lễ ảnh hưởng đến những gì đến cơ sở.

Các phân tích trở nên mạnh mẽ hơn khi camera được lắp đặt tại nhiều điểm trong cơ sở, bởi vì khả năng tương quan số lượng từ các vị trí khác nhau giúp có thể truy xuất nguồn gốc nơi các vật liệu cụ thể bị mất hoặc được thu hồi trong toàn bộ quy trình phân loại.

Link to this sectionKết quả thực tế tại các cơ sở tái chế ở Hoa Kỳ#

Việc triển khai của Glacier trên các cơ sở phục hồi vật liệu tại Hoa Kỳ đã mang lại kết quả có thể đo lường được trên cả các trường hợp sử dụng phân loại robot và phân tích.

• Michigan MRF (Dây chuyền dư lượng): 15 triệu chai PET được thu hồi, 138.000 USD doanh thu mới. Bảng điều khiển AI của Glacier đã xác định tình trạng rò rỉ PET trên dây chuyền dư lượng. MRF đã sử dụng khả năng hiển thị đó để biện minh cho việc lắp đặt một máy phân loại PET ở phía trước, giúp giảm 70% lượng rò rỉ PET và thời gian hoàn vốn là 10 tháng, thu hồi 15 triệu chai PET và tạo ra 138.000 USD doanh thu hàng hóa mới.
• California MRF (Dây chuyền sợi): +17% độ tinh khiết giấy. Việc triển khai ba robot trên dây chuyền sợi đã cải thiện chất lượng phân loại và độ tinh khiết giấy ở phía sau của máy phân loại quang học, với các robot đạt thời gian hoạt động 95% trong suốt quá trình triển khai.
• Indiana MRF (Dây chuyền dư lượng): Hơn 500.000 lbs PET được thu hồi. AI của Glacier đã gắn cờ các vật liệu tái chế bị rò rỉ vào dòng dư lượng. Các nhà vận hành đã sử dụng thông tin chi tiết để chuyển hướng vật liệu và biện minh cho các khoản đầu tư thiết bị ở phía trước, với PET và HDPE được xác định trong thời gian thực và doanh thu hàng hóa bổ sung được mở khóa.

Link to this sectionLàm cho việc tái chế trở nên đáng tin cậy hơn với thị giác máy tính#

Glacier đang xây dựng các công cụ giúp việc tái chế trở thành một quy trình có thể dự đoán, đo lường và hiệu quả hơn. Bằng cách kết hợp phân loại robot với phân tích trên toàn cơ sở, nó cung cấp cho các nhà vận hành MRF cả tự động hóa để thu hồi nhiều vật liệu hơn và khả năng hiển thị để hiểu những gì đang xảy ra trên các dây chuyền của họ.

Ultralytics YOLO11 cung cấp nền tảng phát hiện và phân loại mà cả hai sản phẩm đều phụ thuộc vào - đủ chính xác để xử lý sự phức tạp về mặt thị giác của các dòng tái chế thực tế, đủ nhanh để hỗ trợ gắp bằng robot theo thời gian thực và đủ linh hoạt để chạy trên cả phần cứng edge và các đường ống inference trên đám mây. Khi Glacier tiếp tục mở rộng trên khắp các cơ sở tại Hoa Kỳ, Ultralytics YOLO vẫn là cốt lõi trong ngăn xếp thị giác máy tính của họ.

Tò mò về AI thị giác? Khám phá tùy chọn cấp phép của chúng tôi để xây dựng các giải pháp thị giác máy tính của bạn ngay hôm nay. Truy cập kho lưu trữ GitHub của chúng tôi và tham gia cộng đồng của chúng tôi.