Glacier tích hợp Ultralytics YOLO11 vào cả hệ thống phân loại robot lẫn nền tảng phân tích cơ sở, đạt được những cải thiện đáng kể về độ chính xác phân loại và giảm khối lượng công việc hiệu chỉnh dữ liệu vốn làm chậm quá trình lặp model.
Tái chế rác thải phức tạp hơn vẻ ngoài của nó. Tại cơ sở thu hồi vật liệu (MRF), rác thải đơn dòng được đưa đến mà chưa phân loại, và việc tách rác thành các dòng vật liệu có thể tái sử dụng cần sự kết hợp giữa thiết bị tự động, máy phân loại quang học và nhân viên phân loại làm việc trong điều kiện nhịp độ cao, thường hỗn loạn. Biên độ sai sót rất nhỏ: kiện nhôm bị lẫn vật liệu không phù hợp sẽ mất giá trị, còn các vật liệu có giá trị bị bỏ sót sẽ đi đến bãi chôn lấp.
Glacier được thành lập nhằm giúp quy trình này đáng tin cậy và hiệu quả hơn. Có trụ sở tại San Francisco và được Fast Company vinh danh là công ty sáng tạo nhất số một trong lĩnh vực robot và kỹ thuật, Glacier xây dựng các hệ thống phân loại robot vận hành bằng AI và công cụ phân tích cơ sở dành cho các cơ sở tái chế vật liệu (MRF). Robot được lắp trực tiếp trên băng chuyền, sử dụng thị giác máy tính để nhận diện và phân loại vật liệu theo thời gian thực. Nền tảng phân tích giúp đơn vị vận hành cơ sở biết những gì đang di chuyển trên các dây chuyền và vấn đề đang xảy ra ở đâu.
Ultralytics YOLO11 là cốt lõi của cả hai sản phẩm, đảm nhiệm phát hiện và phân loại để cho phép phân loại theo thời gian thực và giám sát liên tục.
Đưa thị giác máy tính vào dây chuyền tái chế#
Hệ thống phân loại robot của Glacier sử dụng camera hướng từ trên xuống, gắn trực tiếp phía trên băng chuyền trên một giàn đỡ và được bố trí để ghi lại mọi vật thể đi qua bên dưới. Khi vật liệu di chuyển dọc băng chuyền, camera ghi lại từng vật thể từ phía trên, cung cấp cho hệ thống góc nhìn ổn định, không bị che khuất bất kể hình dạng hay hướng của vật thể.
Ultralytics YOLO11 xử lý luồng hình ảnh này theo thời gian thực, phát hiện và phân loại từng vật thể khi chúng đi qua. Model xuất ra bounding box và nhãn lớp cho mỗi vật thể được phát hiện, xác định đó là lon nhôm, bình sữa, thùng bìa các tông hay màng nhựa. Kết quả phân loại này, 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, thường là chưa đầy một giây sau khi phát hiện.
Sau đó, cánh tay robot được trang bị giác hút gắp vật thể khỏi băng chuyền và đặt vào thùng chứa phù hợp dựa trên lớp của vật thể. Toàn bộ chu trình (phát hiện, phân loại, dự đoán vị trí, gắp) diễn ra liên tục khi vật liệu đi qua cơ sở, trong đó camera cung cấp cho hệ thống từ hai đến ba khung hình cho mỗi vật thể trước khi vật thể ra khỏi tầm quan sát.
Đồng thời, cùng dữ liệu camera đó có thể được đưa vào nền tảng phân tích của Glacier. Hình ảnh được tải lên cloud, nơi YOLO11 chạy inference để đếm số lượng vật thể theo loại theo thời gian. Đơn vị vận hành cơ sở cũng có thể lắp camera phân tích riêng, không cần robot, nếu muốn quan sát dây chuyền mà không tự động phân loại. Dù theo cách nào, đầu ra vẫn là luồng dữ liệu có cấu trúc liên tục về những gì đang di chuyển qua cơ sở.
Hình 1. Ultralytics YOLO11 hoạt động tại cơ sở tái chế, cho phép phát hiện rác thải theo thời gian thực và tối ưu hóa việc phân loại vật liệu để nâng cao hiệu quả tái chế.
Thách thức phân loại vật liệu không đồng nhất#
Phát hiện đối tượng trên băng chuyền tái chế khó hơn vẻ bề ngoài. Băng chuyền thường chạy với tốc độ hơn 200 foot mỗi phút, trong khi vật liệu thường chồng lấn, bị che khuất một phần, ướt, bẩn hoặc biến dạng. Điều kiện ánh sáng thay đổi. Các vật thể cùng một nhóm vật liệu có thể trông rất khác nhau, chẳng hạn chai nước giặt, bình đựng xà phòng và bình sữa đều là nhựa số 2 nhưng có rất ít điểm tương đồng về hình ảnh.
Khi Glacier triển khai công nghệ trên hàng chục MRF trên toàn quốc, công ty cần độ chính xác nghiêm ngặt hơn để cải thiện hiệu năng với các nhóm vật liệu phức tạp, không đồng nhất về hình ảnh, qua đó mở rộng quy mô hiệu quả hơn. Tính không đồng nhất, cùng với tốc độ và phạm vi triển khai, cuối cùng khiến Glacier cần vượt qua model phát hiện mã nguồn mở trước đây khi khả năng khái quát hóa model giữa các cơ sở ngày càng quan trọng đối với quy mô triển khai đang tăng trưởng của Glacier.
Ultralytics YOLO là giải pháp#
Khi Glacier mở rộng quy mô, việc triển khai Ultralytics YOLO11 đóng vai trò quan trọng trong sứ mệnh cải thiện và tối ưu hóa các giải pháp trên mọi phương diện. YOLO11 được sử dụng trong hai môi trường triển khai riêng biệt, mỗi môi trường có yêu cầu hiệu năng khác nhau.
- Trên edge: Mỗi robot Glacier chạy YOLO11 cục bộ trên GPU chuyên dụng để phân loại robot theo thời gian thực, xử lý luồng camera trực tiếp. Độ trễ inference đủ thấp để hỗ trợ tính toán thời điểm gắp, cho phép hệ thống xác định vị trí vật thể trong chưa đầy một giây; nhờ vậy, việc phát hiện và phân loại hoàn tất trước thời hạn đó.
- Trên cloud: Với nền tảng phân tích, hình ảnh ghi lại tại cơ sở được tải lên AWS, nơi YOLO11 chạy inference để tạo số lượng vật thể theo thời gian. Vì pipeline này không đòi hỏi xử lý tức thời như phân loại robot, pipeline chạy trên cloud thay vì phần cứng edge, cho phép Glacier xử lý dữ liệu lịch sử và hiển thị thông tin chuyên sâu cho đơn vị vận hành cơ sở thông qua dashboard và báo cáo.
Chuyển sang YOLO11 mang lại cải thiện rõ rệt ở những lĩnh vực mà model trước đó gặp nhiều khó khăn nhất. Độ chính xác phân loại được cải thiện trên các nhóm vật liệu không đồng nhất, đặc biệt là nhựa số 2, giúp Glacier có nền tảng đáng tin cậy hơn để triển khai một model dùng chung trên nhiều cơ sở khách hàng mà không cần tinh chỉnh riêng cho từng địa điểm. Độ chính xác của bounding box cũng được cải thiện, làm thay đổi cách đội ngũ Glacier sử dụng đầu ra của model trong quá trình rà soát dữ liệu: thay vì đánh dấu những trường hợp model hiểu sai, những điểm model không đồng tình với nhãn huấn luyện giờ đây nhất quán hơn trong việc chỉ ra lỗi gán nhãn thực sự cần sửa. Thay đổi đó giúp quy trình cải thiện dữ liệu nhanh hơn và có trọng tâm hơn.
Vì sao chọn các model Ultralytics YOLO?#
Đối với Glacier, quyết định chuyển từ DETR sang Ultralytics YOLO dựa trên hiệu năng phân loại đối với các lớp vật liệu cụ thể như nhựa số 2, những loại mà đơn vị vận hành MRF cần theo dõi và thu hồi một cách đáng tin cậy. YOLO11 xử lý các nhóm đó nhất quán hơn, đây là yếu tố then chốt.
Cải thiện chất lượng bounding box là lợi ích thứ yếu nhưng đáng kể. Bounding box chính xác giúp quy trình rà soát và gán nhãn dữ liệu hiệu quả hơn, cho phép đội ngũ tin tưởng rằng khi model không đồng tình với một nhãn, nhiều khả năng model đang chỉ ra lỗi thực sự trong dữ liệu chứ không phải lỗi của model. Gói Python Ultralytics cũng cung cấp cho các kỹ sư của Glacier một phương thức đơn giản để huấn luyện, tinh chỉnh, triển khai và duy trì model trong cả môi trường edge lẫn cloud. Khả năng chạy cùng một dòng model trên phần cứng edge trang bị GPU và pipeline inference của AWS mà không cần xây dựng lại mã phát hiện nền tảng là một lợi thế thiết thực khi quy mô triển khai của Glacier tăng lên.
Cung cấp cho đơn vị vận hành MRF khả năng quan sát cơ sở của họ#
Ngoài việc phân loại, nền tảng phân tích của Glacier giải quyết một vấn đề cốt lõi trong cách các cơ sở tái chế vận hành: tại một MRF lớn có nhiều dây chuyền băng tải hoạt động đồng thời, nhân viên vận hành có thể khó nắm bắt tình hình trên toàn cơ sở tại bất kỳ thời điểm nào. Sự cố ở dây chuyền này có thể không nhìn thấy được từ dây chuyền khác; đến khi vấn đề trở nên rõ ràng, nó có thể đã ảnh hưởng đến năng suất trong nhiều giờ.
Nền tảng phân tích của Glacier cung cấp cho nhân viên vận hành cái nhìn liên tục, có cấu trúc về luồng vật thể ở cấp độ dây chuyền. Một số thông tin chi tiết mà nền tảng này cung cấp:
- Theo dõi độ dày lớp vật liệu. Theo dõi số lượng vật thể đi qua một đoạn dây chuyền tại một thời điểm nhất định và cảnh báo khi độ dày cao hoặc thấp bất thường.
- Phát hiện vật liệu lẫn tạp. Cảnh báo nhân viên vận hành khi tỷ lệ vật liệu không mong muốn trên dây chuyền vượt mức thông thường — thường là dấu hiệu cho thấy sự cố đã xảy ra ở công đoạn phía trước.
- Tín hiệu lỗi thiết bị. Sự gia tăng đột ngột của một loại vật liệu cụ thể — chẳng hạn như lon nhôm — có thể cho thấy máy phân loại quang học đã ngừng hoạt động và không còn chuyển hướng những vật phẩm đó như dự kiến.
- Phân tích mô hình vận hành. Tìm hiểu cách thành phần vật liệu thay đổi theo ca làm việc, ngày trong tuần hoặc mùa, cũng như ảnh hưởng của các sự kiện như ngày lễ đến vật liệu được đưa đến cơ sở.
Phân tích sẽ mạnh mẽ hơn khi lắp camera tại nhiều vị trí trong cơ sở, vì khả năng đối chiếu số lượng từ các vị trí khác nhau giúp truy vết nơi các vật liệu cụ thể bị thất thoát hoặc được thu hồi trong toàn bộ quy trình phân loại.
Kết quả thực tế tại các cơ sở tái chế trên khắp Hoa Kỳ#
Các hệ thống Glacier được triển khai tại những cơ sở thu hồi vật liệu trên khắp Hoa Kỳ đã mang lại kết quả có thể đo lường được trong cả ứng dụng phân loại bằng robot lẫn phân tích.
- MRF tại Michigan (dây chuyền vật liệu tồn dư): Thu hồi 15 triệu chai PET, tạo ra 138.000 USD doanh thu mới. Bảng điều khiển AI của Glacier phát hiện PET thất thoát trên dây chuyền vật liệu tồn dư. Nhờ thông tin này, MRF có cơ sở để lắp đặt máy phân loại PET ở công đoạn phía trước, giúp giảm 70% lượng PET thất thoát và hoàn vốn trong 10 tháng; kết quả là thu hồi 15 triệu chai PET và tạo ra 138.000 USD doanh thu mới từ hàng hóa.
- MRF tại California (dây chuyền xơ sợi): Độ tinh khiết của giấy tăng 17%. Hệ thống triển khai ba robot trên dây chuyền xơ sợi đã cải thiện chất lượng phân loại và độ tinh khiết của giấy ở công đoạn sau máy phân loại quang học; các robot đạt thời gian hoạt động 95% trong quá trình triển khai.
- MRF tại Indiana (dây chuyền vật liệu tồn dư): Thu hồi hơn 500.000 lb PET. AI của Glacier phát hiện vật liệu tái chế bị lẫn vào dòng vật liệu tồn dư. Nhân viên vận hành sử dụng thông tin thu được để chuyển hướng vật liệu và làm cơ sở đầu tư thiết bị ở công đoạn phía trước; PET và HDPE được nhận diện theo thời gian thực, mở ra thêm doanh thu từ hàng hóa.
Nâng cao độ tin cậy của hoạt động tái chế bằng computer vision#
Glacier đang phát triển các công cụ giúp quy trình tái chế trở nên dễ dự đoán, đo lường và vận hành hiệu quả hơn. Bằng cách kết hợp phân loại bằng robot với phân tích trên toàn cơ sở, Glacier cung cấp cho nhân viên vận hành MRF cả khả năng tự động hóa để thu hồi nhiều vật liệu hơn lẫn khả năng quan sát để hiểu những gì đang diễn ra trên các dây chuyền.
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 độ phức tạp hình ảnh của các dòng vật liệu 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 lẫn các pipeline suy luận trên cloud. Khi Glacier tiếp tục mở rộng hoạt động tại các cơ sở trên khắp Hoa Kỳ, Ultralytics YOLO vẫn là thành phần cốt lõi trong bộ công nghệ computer vision của công ty.
Bạn quan tâm đến vision AI? Khám phá các tùy chọn cấp phép để xây dựng giải pháp computer vision ngay hôm nay. Truy cập repository GitHub và tham gia cộng đồng của chúng tôi.
