Glacier 将 Ultralytics YOLO11 集成到机器人分拣系统和设施分析平台中，显著提高了分类准确率，并减少了拖慢模型迭代的数据修正工作量。
回收废弃物比看起来复杂得多。在材料回收设施（MRF）中，单一流废弃物未经分拣便运抵现场，随后由自动化设备、光学分拣机和人工分拣人员共同将其分成可利用的材料类别；整个过程速度很快，环境往往也很混乱。容错空间很小：铝制品压块若混入不合适的材料，价值就会降低；未能回收的有价值材料则会被送往垃圾填埋场。
Glacier 的创立旨在让这一流程更可靠、更高效。Glacier 总部位于旧金山，并获《Fast Company》评为机器人与工程领域最具创新力的公司第一名，为材料回收设施（MRF）构建由 AI 驱动的机器人分拣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拣材料。其分析平台则让设施运营商能够了解生产线上流动的物料以及问题发生的位置。
Ultralytics YOLO11 是两款产品的核心，负责检测和分类，让实时分拣与持续监控成为可能。
将计算机视觉引入回收现场#
Glacier 的机器人分拣系统采用俯视摄像头，直接安装在传送带上方的支架上，以拍摄所有经过的物体。物料沿传送带移动时，摄像头会从上方拍摄每个物体，无论物体形状或朝向如何，系统都能获得一致且不受遮挡的视野。
Ultralytics YOLO11 实时处理视频流，在每个物体经过时进行检测和分类。模型会为每个检测到的物品输出边界框和类别标签，例如识别它是铝罐、牛奶壶、纸板箱还是塑料薄膜。结合根据传送带速度估算出的速度，Glacier 的系统便能计算出机器人手臂抵达时每个物体所在的位置，通常距离检测时间不到一秒。
随后，配有吸盘的机械臂会从传送带上拾取物体，并根据其类别将其放入相应的容器。物料在设施中持续流动时，整个循环（检测、分类、预测位置、拾取）也会不断运行；在物体移出范围前，摄像头通常能为系统提供两到三帧画面。
与此同时，同一摄像头采集的数据也可用于 Glacier 的分析平台。图像会上传到云端，由 YOLO11 运行推理，统计一段时间内各类物体的数量。若设施运营商希望了解生产线情况但不需要自动分拣，也可以单独安装分析摄像头，无需配备机器人。无论采用哪种方式，系统都会持续输出有关设施内物料流动情况的结构化数据。
图 1. Ultralytics YOLO11 在回收设施中的应用，支持实时废弃物检测并优化材料分拣，从而提高回收效率。
异质材料分类面临的挑战#
在回收传送带上进行目标检测，比看起来更具挑战性。传送带的运行速度通常超过每分钟 200 英尺，物料可能相互重叠、部分被遮挡、潮湿、脏污或变形。光照条件也会变化。属于同一材料类别的物体外观可能截然不同，例如洗衣液瓶、洗手液瓶和牛奶壶都属于 2 号塑料，但它们的视觉相似度很低。
随着 Glacier 在全国数十家 MRF 部署技术，公司需要更严格的准确率，以改善复杂且视觉差异很大的材料类别上的性能，从而更高效地扩展业务。材料的异质性，加上处理速度和应用范围的要求，最终使 Glacier 超越了此前使用的开源检测模型；随着提升模型在不同站点间的泛化能力变得愈发重要，Glacier 不断扩大的部署规模也进一步凸显了这一点。
解决方案：Ultralytics YOLO#
随着 Glacier 不断扩展，部署 Ultralytics YOLO11 对其全面改进和优化解决方案发挥了重要作用。YOLO11 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。
- 边缘端：每台 Glacier 机器人都在专用 GPU 上本地运行 YOLO11，实现实时机器人分拣，并实时处理摄像头视频流。推理延迟足够低，能够支持拾取时机计算，让系统能在不到一秒内确定物体的位置，这意味着系统可在此时间窗口内完成检测和分类。
- 云端：对于分析平台，设施采集的图像会上传到 AWS，由 YOLO11 运行推理并生成一段时间内的目标计数。由于这一流程不像机器人分拣那样对时效要求严格，因此在云端而非边缘硬件上运行，让 Glacier 能够处理历史数据，并通过仪表板和报告向设施运营商展示洞见。
切换到 YOLO11 后，模型在先前表现最差的领域取得了明显改善。异质类别的分类准确率得到提升，尤其是 2 号塑料，这让 Glacier 在多个客户站点部署同一共享模型时有了更可靠的基础，无需针对每个站点微调。边界框精度也有所提高，这改变了 Glacier 团队在数据审核中使用模型输出的方式：团队不再主要标记模型误判的内容；相比之下，模型与训练标签的分歧更常指出需要修正的实际标注错误。这一转变让数据改进流程更快，也更有针对性。
为什么选择 Ultralytics YOLO 模型？#
对 Glacier 来说，从 DETR 转向 Ultralytics YOLO 的决定，归根结底取决于模型对 MRF 运营商需要可靠跟踪和回收的特定材料类别（例如 2 号塑料）的分类表现。YOLO11 对这些类别的处理更加稳定，这是关键因素。
边界框质量的提升是次要但意义重大的优势。精准的边界框能提高数据审核和标注流程的效率，让团队更有把握地判断：当模型与标签不一致时，更可能是数据中确实存在错误，而不是模型失效。Ultralytics Python 软件包也为 Glacier 工程师提供了一种直接简便的方式，可在边缘端和云端环境中训练、微调、部署和维护模型。无需重新构建底层检测代码，就能在配备 GPU 的边缘硬件和 AWS 推理流程中运行同一模型系列；随着 Glacier 的部署规模不断扩大，这种灵活性带来了实际优势。
让 MRF 运营商清晰掌握设施运行情况#
除了分拣之外，Glacier 的分析平台还解决了一个对回收设施运营至关重要的问题：在拥有多条传送线同时运行的大型 MRF 中，操作人员可能难以随时了解整个设施的运行情况。一条线上的问题可能不会在另一条线上显现，等问题变得明显时，可能已经影响了数小时的处理量。
Glacier 的分析功能为操作人员提供了持续、结构化的视图，展示各条生产线上的物料流动情况。这些功能带来的一些洞察包括：
- 物料层厚度监测。跟踪某一时刻通过生产线某一段的物体数量，并在物料层厚度异常偏高或偏低时发出提示。
- 污染物检测。当生产线上不需要的物料比例高于正常水平时提醒操作人员——这通常表明上游某处出现了问题。
- 设备故障信号。某种特定物料（例如铝罐）突然增多，可能意味着光学分拣机已停止工作，无法再按预期分流这些物品。
- 运营模式分析。了解物料组成如何随班次、星期或季节变化，以及公共假日等事件如何影响送达设施的物料。
在设施内多个位置安装摄像头后，分析能力会更强，因为关联不同位置的计数数据，可以追踪特定物料在整个分拣过程中在哪里流失或被回收。
美国各地回收设施的实际成果#
Glacier 在美国各地物料回收设施的部署，在机器人分拣和分析应用方面都取得了可量化的成果。
- 密歇根州 MRF（残渣线）：回收 1,500 万个 PET 瓶，创造 13.8 万美元新收入。Glacier 的 AI 仪表板发现 PET 从残渣线流失。MRF 利用这一信息，证明安装上游 PET 分拣机的必要性。该设备使 PET 流失量减少 70%，投资回收期为 10 个月，回收了 1,500 万个 PET 瓶，并带来 138,000 美元的新商品收入。
- 加利福尼亚州 MRF（纤维线）：纸张纯度提升 17%。在纤维线上部署三台机器人，提高了分拣质量和光学分拣机下游的纸张纯度；部署期间机器人正常运行时间达到 95%。
- 印第安纳州 MRF（残渣线）：回收超过 500,000 磅 PET。Glacier 的 AI 标记出流入残渣流的可回收物。操作人员根据这些洞察重新分流物料，并证明上游设备投资的必要性；系统实时识别 PET 和 HDPE，并释放了额外的商品收入潜力。
利用计算机视觉让回收更可靠#
Glacier 正在打造一系列工具，让回收流程更可预测、可衡量且高效。通过将机器人分拣与全设施分析相结合，该平台既为 MRF 操作人员提供了回收更多物料所需的自动化能力，也提供了了解各条生产线运行情况的可视性。
Ultralytics YOLO11 为这两款产品提供检测和分类基础：精度足以应对真实回收物料流的视觉复杂性，速度足以支持实时机器人抓取，灵活性也足以在边缘硬件和云端推理流水线上运行。随着 Glacier 持续拓展其在美国各地设施中的部署，Ultralytics YOLO 始终是其计算机视觉技术栈的核心。
对视觉 AI 感兴趣吗？查看我们的许可选项，立即构建你的计算机视觉解决方案。访问我们的 GitHub 代码仓库，加入社区。
