Glacier Robotics 在美国各地的回收设施中将 PET 泄漏量降低了 70%

回收废料比看起来要复杂得多。在材料回收设施 (MRF) 中，单一流向的废料在未经分类的情况下送达，而将其分离为可用商品流的工作则由自动化设备、光学分选机和人工分选员共同完成，他们的工作环境通常节奏极快且较为混乱。错误余地很小：被错误材料污染的一捆铝价值会受损，而未能回收且流失的珍贵商品则会被送往垃圾填埋场。

Glacier 的成立旨在使这一过程更加可靠和高效。Glacier 总部位于旧金山，被《快公司》(Fast Company) 评为机器人和工程领域最具创新力的公司第一名，致力于为材料回收设施 (MRF) 构建 AI 驱动的机器人分选系统和设施分析工具。其机器人直接安装在传送带上，利用计算机视觉实时识别和分选材料。其分析平台使设施操作员能够了解生产线上的物料流向以及问题的发生位置。

Ultralytics YOLO11 是这两款产品的核心，负责处理实现实时分选和持续监控所需的检测与分类任务。

Link to this section将计算机视觉引入回收车间#

Glacier 的机器人分选系统围绕安装在传送带上方支架上的自上而下的摄像机构建，其位置旨在捕获经过其下方的每个物体。当材料沿传送带移动时，摄像机会从上方捕获每个物体，从而无论物体的形状或方向如何，系统都能获得一致且无遮挡的视野。

Ultralytics YOLO11 会实时处理此视频流，在每个物体通过时对其进行检测和分类。模型会为每个检测到的项目输出一个 bbox 和类别标签，识别其是铝罐、牛奶壶、纸板箱还是塑料薄膜。该分类结果结合基于传送带速度的速率估算，使 Glacier 的系统能够计算出机器人手臂到达时每个物体的位置，通常在检测后不到一秒即可完成。

机器人手臂配备吸盘，随后从传送带上抓取物体，并根据其类别将其放入相应的容器中。整个循环（检测、分类、预测位置、抓取）随着材料流经设施而持续运行，摄像机在物体移出范围前为系统提供两到三帧图像。

同时，相同的摄像机数据可以输入到 Glacier 的分析平台。图像被上传到云端，YOLO11 在那里运行推理，按类型统计物体随时间的变化。如果操作员希望在没有自动化分选的情况下了解生产线情况，他们也可以独立安装分析摄像机。无论哪种方式，输出的都是关于设施内物料流动的持续结构化数据流。

图 1. Ultralytics YOLO11 在回收设施中实际运行，实现实时废料检测并简化材料分选以提高回收效率。_

Link to this section分类异质材料的挑战#

在回收传送带上进行物体检测的挑战比看起来要大。传送带的运行速度通常超过每分钟 200 英尺，且材料往往相互重叠、部分遮挡、潮湿、肮脏或变形。光照条件各不相同。同一材料类别内的物体看起来可能截然不同，例如洗衣液瓶、洗手液分配器和牛奶壶，它们都属于 2 号塑料，但视觉相似度极低。

随着 Glacier 在全国数十个 MRF 部署其技术，他们需要更高水平的准确性来提高对复杂、视觉异质材料类别的处理性能，从而实现更高效的扩展。这种异质性，加上速度和规模的要求，最终使得 Glacier 超出了先前开源检测器模型的能力范围，因为对于 Glacier 不断增长的部署版图而言，提高模型在不同场地间的泛化能力变得愈发重要。

Link to this sectionUltralytics YOLO 作为解决方案#

随着 Glacier 的规模扩大，部署 Ultralytics YOLO11 在其全面改进和优化解决方案的使命中发挥了重要作用。YOLO11 被用于两种截然不同的部署环境，每种环境都有不同的性能要求。

• 在边缘端： 每个 Glacier 机器人都在专用的 GPU 上本地运行 YOLO11 以进行实时机器人分选，实时处理摄像机反馈。推理延迟极低，足以支持抓取定时计算，使系统能在不到一秒的时间内获知物体的位置，这意味着检测和分类可以在该窗口内顺利完成。
• 在云端： 对于分析平台，在设施处捕获的图像被上传到 AWS，YOLO11 在那里运行推理以生成随时间变化的物体数量。由于此流水线不像机器人分选那样对时间极其敏感，它在云端而非边缘硬件上运行，从而使 Glacier 能够处理历史数据并通过仪表板和报告向设施操作员提供见解。

切换到 YOLO11 在先前模型表现最差的领域带来了明显的改进。异质类别的分类准确度有所提高，特别是 2 号塑料，这为 Glacier 在多个客户场地部署共享模型而无需进行逐个场地微调提供了更可靠的基础。bbox 的精度也有所提高，这改变了 Glacier 团队在数据审查期间使用模型输出的方式：模型与训练标签的不一致之处，不再仅仅是标记出模型误解的内容，而是更一致地指向需要修复的真正标注错误。这种转变使数据改进过程更快且更具针对性。

Link to this section为何选择 Ultralytics YOLO 模型？#

对于 Glacier 而言，从 DETR 转向 Ultralytics YOLO 的决定归结为针对特定材料类别（如 MRF 操作员需要可靠跟踪和回收的 2 号塑料）的分类性能。YOLO11 能更一致地处理这些类别，这是关键因素。

bbox 质量的提升是一个次要但有意义的好处。精确的 bbox 使数据审查和标注过程更加高效，使团队能够确信，当模型与标签不一致时，它更可能是在指出数据中的真实错误，而不是模型故障。Ultralytics Python 软件包也为 Glacier 的工程师提供了一种简单直接的方法，用于在边缘和云环境中训练、微调、部署和维护模型。随着 Glacier 部署版图的扩大，能够在配备 GPU 的边缘硬件和 AWS 推理流水线之间运行同一模型系列，且无需重建底层检测代码，这成为了一个实用的优势。

Link to this section让 MRF 操作员了解其设施情况#

除了分选之外，Glacier 的分析平台还解决了回收设施运营方式中的一个根本问题：在拥有多条传送带同时运行的大型 MRF 中，操作员可能很难随时了解整个设施的情况。一条生产线上的问题可能在另一条生产线上无法看到，当问题变得明显时，它可能已经影响了数小时的吞吐量。

Glacier 的分析为操作员提供了生产线级别上物体流动的持续、结构化视图。它实现的一些见解包括：

• 堆积深度监控。 跟踪特定时间段内通过生产线某一部分的物体数量，并在深度异常高或低时发出警报。
• 污染物检测。 当生产线上不需要的材料比例高于正常水平时提醒操作员——这通常是上游出现问题的信号。
• 设备故障信号。 某种特定材料（例如铝罐）的突然增加，可能表明光学分选机已停止工作，不再按预期分流这些物品。
• 运营模式分析。 了解材料组成如何随班次、星期几或季节变化，以及公众假期等事件如何影响送达设施的物料。

当在设施的多个点安装摄像机时，分析功能会更强大，因为关联不同位置计数的能力使得追踪特定材料在整个分选过程中何处被丢失或回收成为可能。

Link to this section全美回收设施的实际成果#

Glacier 在美国各地的材料回收设施中的部署，在机器人分选和分析用例中都产生了可衡量的结果。

• 密歇根州 MRF（残渣生产线）： 回收了 1500 万个 PET 瓶，新增 13.8 万美元收入。Glacier 的 AI 仪表板识别出残渣生产线上的 PET 泄露。MRF 利用这一可见性证明了安装上游 PET 分选机的必要性，该分选机使 PET 泄露率降低了 70%，回本周期为 10 个月，回收了 1500 万个 PET 瓶并产生了 13.8 万美元的新商品收入。
• 加利福尼亚州 MRF（纤维生产线）： 纸张纯度提高 17%。在纤维生产线上部署的三台机器人提高了分选质量和光学分选机下游的纸张纯度，机器人在此次部署中的正常运行时间达到了 95%。
• 印第安纳州 MRF（残渣生产线）： 回收了超过 50 万磅的 PET。Glacier 的 AI 标记出泄露到残渣流中的可回收物。操作员利用这些见解来重定向材料并证明上游设备投资的合理性，实时识别出 PET 和 HDPE，从而获得了额外的商品收入。

Link to this section通过计算机视觉使回收更可靠#

Glacier 正在构建使回收成为一个更可预测、可衡量且高效的过程的工具。通过将机器人分选与全设施分析相结合，它既为 MRF 操作员提供了回收更多材料的自动化能力，也提供了了解生产线运作情况的可见性。

Ultralytics YOLO11 提供了两款产品所依赖的检测和分类基础——既准确到足以处理真实回收流的视觉复杂性，又快速到足以支持实时机器人抓取，且灵活到足以在边缘硬件和云推理流水线上运行。随着 Glacier 继续在美国各地的设施中扩张，Ultralytics YOLO 始终是其计算机视觉堆栈的核心。

对视觉 AI 感兴趣吗？立即查看我们的 许可选项 以构建您的计算机视觉解决方案。访问我们的 GitHub 仓库 并加入我们的社区。