前言
人工智能引導(dǎo)的高速機(jī)器人分揀系統(tǒng)，在傳送帶上按類別識(shí)別材料。迄今為止，運(yùn)行中的系統(tǒng)已經(jīng)識(shí)別了超過500億個(gè)各種排列的物體。
提高認(rèn)識(shí)，明確方向
某天的早上，你家門前放著一個(gè)藍(lán)色的大垃圾桶，里面裝滿了報(bào)紙、紙板、瓶子、罐頭、鋁箔外賣托盤和空的酸奶容器。你可能會(huì)認(rèn)為自己正在盡自己的一份力量來減少浪費(fèi)。但在你沖洗完酸奶容器并把它丟進(jìn)垃圾桶后，你可能再也不會(huì)多想它了。
回收箱里的東西將被倒入卡車，并被帶到回收設(shè)施進(jìn)行分類。大多數(shù)材料將用于加工和最終用于新產(chǎn)品。但很多都會(huì)在垃圾填埋場(chǎng)結(jié)束。
那么，有多少進(jìn)入垃圾箱的材料可以避免去垃圾填埋場(chǎng)？對(duì)于進(jìn)行回收的國家來說，這個(gè)數(shù)字（稱為回收率）似乎平均在70%至90%左右，盡管沒有廣泛的數(shù)據(jù)，但看起來還是不錯(cuò)的，在一些城市，它可以低至40%。
更糟糕的是，只有一小部分可回收物進(jìn)入垃圾箱——在美國只有32%，全球只有10%到15%。這是許多由有限資源制成的材料，這些材料會(huì)不必要地浪費(fèi)。
有一種方法可以做得更好。使用計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和機(jī)器人來識(shí)別和分類回收材料，我們可以提高自動(dòng)分揀機(jī)的準(zhǔn)確性，減少對(duì)人為干預(yù)的需求，并提高整體回收率。
夯實(shí)基礎(chǔ)，創(chuàng)新技術(shù)
在解釋人工智能將如何改善回收之前，讓我們看看回收材料過去是如何分類的，以及當(dāng)今世界大部分地區(qū)是如何分類的。
當(dāng)回收在20世紀(jì)60年代開始時(shí)，分類的任務(wù)落在了消費(fèi)者身上——報(bào)紙裝在一捆里，紙板裝在另一捆里，玻璃和罐子放在他們自己的單獨(dú)的垃圾桶里。這對(duì)許多人來說太麻煩了，并限制了可回收材料的收集量。
在20世紀(jì)70年代，許多城市拿走了多個(gè)垃圾箱，用一個(gè)集裝箱取而代之，分揀發(fā)生在下游。這種“單流”回收促進(jìn)了參與，現(xiàn)在是發(fā)達(dá)國家的主要回收形式。
將分揀任務(wù)進(jìn)一步下游，導(dǎo)致了分揀設(shè)施的建設(shè)。為了進(jìn)行實(shí)際分類，回收企業(yè)家調(diào)整了采礦和農(nóng)業(yè)行業(yè)的設(shè)備，必要時(shí)填充人力。這些分類系統(tǒng)沒有計(jì)算機(jī)智能，而是依靠材料的物理特性來分離它們。例如，玻璃可以碎成小塊，然后篩選和收集。紙板是剛性和輕的——它可以滑過一系列機(jī)械凸輪狀圓盤，而其他密度更高的材料落在圓盤之間。黑色金屬可以與其他材料通過磁力分離；也可以使用大渦流在鋁等有色金屬中誘導(dǎo)磁性。
到20世紀(jì)90年代，由美國宇航局開發(fā)并于1972年首次在衛(wèi)星上發(fā)射的高光譜成像在商業(yè)上變得可行，并開始出現(xiàn)在回收世界中。與主要看到紅色、綠色和藍(lán)色組合的人類眼睛不同，高光譜傳感器將圖像劃分為更多的光譜帶。該技術(shù)區(qū)分不同類型塑料的能力改變了回收商的游戲規(guī)則，不僅將光學(xué)傳感，而且將計(jì)算機(jī)智能帶入了該過程。還開發(fā)了可編程光學(xué)分揀器來區(qū)分紙制品，例如，區(qū)分報(bào)紙和垃圾郵件。
因此，今天大部分排序都是自動(dòng)化的。這些系統(tǒng)通常排序?yàn)?0%至95%的純度——也就是說5%至20%的輸出不應(yīng)該存在。然而，為了使產(chǎn)出有利可圖，純度必須高于95%，低于這個(gè)閾值，價(jià)值會(huì)下降，通常一文不值。因此，人類手動(dòng)清理每條溪流，在材料被壓縮和打包運(yùn)輸之前，挑選出雜散的物體。
盡管進(jìn)行了所有自動(dòng)和手動(dòng)分類，但進(jìn)入該設(shè)施的大約10%至30%的材料最終最終會(huì)進(jìn)入垃圾填埋場(chǎng)。在大多數(shù)情況下，一半以上的材料是可回收的，物有所值，但只是被遺漏了。
我們已經(jīng)盡可能地推動(dòng)了當(dāng)前的系統(tǒng)。只有人工智能才能做得更好。
將人工智能納入回收業(yè)務(wù)意味著將拾取和放置機(jī)器人與準(zhǔn)確的實(shí)時(shí)物體檢測(cè)相結(jié)合。拾取和放置機(jī)器人與計(jì)算機(jī)視覺系統(tǒng)相結(jié)合，用于制造中抓取特定物體，但它們通常只是重復(fù)尋找單個(gè)物品，或在受控照明條件下尋找一些已知形狀的物品。然而，回收涉及沿傳送帶移動(dòng)的物體的種類、形狀和方向的無限可變性，需要即時(shí)識(shí)別，同時(shí)快速向機(jī)器人手臂發(fā)送新的軌跡。
人工智能在理論上可以完全基于圖像分析，以接近100%的精度從混合材料流中恢復(fù)所有可回收物。如果基于人工智能的排序系統(tǒng)能夠看到一個(gè)對(duì)象，它可以準(zhǔn)確地對(duì)它進(jìn)行排序。
考慮當(dāng)今回收分揀機(jī)的一種特別具有挑戰(zhàn)性的材料：高密度聚乙烯（HDPE），一種通常用于洗滌劑瓶和牛奶罐的塑料。（在中國、歐洲和美國，HDPE產(chǎn)品被標(biāo)記為2號(hào)可回收物。）在依賴高光譜成像的系統(tǒng)中，一批HDPE往往與其他塑料混合，并可能帶有紙張或塑料標(biāo)簽，這使得高光譜成像儀難以檢測(cè)底層物體的化學(xué)成分。
相比之下，人工智能驅(qū)動(dòng)的計(jì)算機(jī)視覺系統(tǒng)可以通過識(shí)別瓶子的包裝來確定瓶子是HDPE而不是其他東西。這種系統(tǒng)還可以使用顏色、不透明度和外形因素等屬性來提高檢測(cè)準(zhǔn)確性，甚至按顏色或特定產(chǎn)品進(jìn)行排序，從而減少所需的后處理量。雖然系統(tǒng)不試圖理解標(biāo)簽上單詞的含義，但單詞是項(xiàng)目視覺屬性的一部分。
群峰重工已經(jīng)構(gòu)建了可以進(jìn)行這種排序的系統(tǒng)。在未來，AI系統(tǒng)還可以按材料組合和原始用途進(jìn)行分類，使食品級(jí)材料與裝有家用清潔劑的容器分離，并將被食品廢物污染的紙張與清潔紙分離。
訓(xùn)練神經(jīng)網(wǎng)絡(luò)來檢測(cè)回收流中的物體并不容易。它至少比在照片中識(shí)別人臉更具挑戰(zhàn)性幾個(gè)數(shù)量級(jí)，因?yàn)榭苫厥詹牧献冃蔚姆绞綆缀醵喾N多樣，系統(tǒng)必須識(shí)別排列。
分揀中心內(nèi)部
回收設(shè)施使用機(jī)械分揀、光學(xué)高光譜分揀和人類工人。以下是回收卡車帶著藍(lán)色垃圾箱里的東西離開后通常會(huì)發(fā)生的情況。
卡車在混凝土墊上卸貨，稱為尖端地板。前端裝載機(jī)將散裝材料舀起來，然后將其傾倒到傳送帶上，通常以每小時(shí)30至60噸的速度傾倒。
第一階段是預(yù)選。人類工人移除了最初不應(yīng)該進(jìn)入收集卡車的大型或有問題的物品——自行車、大塊塑料薄膜、丙烷罐、汽車變速器。
依賴光學(xué)高光譜成像的分揀機(jī)或人類工人將纖維（辦公用紙、紙板、雜志——被稱為2D產(chǎn)品，因?yàn)樗鼈兇蠖嗍潜馄降模氖Ｓ嗟乃芰虾徒饘僦蟹蛛x出來。在光學(xué)分揀機(jī)的情況下，相機(jī)盯著沿著傳送帶滾動(dòng)的材料，檢測(cè)到由目標(biāo)物質(zhì)制成的物體，然后發(fā)送消息以激活一組電子可控的螺線管，將物體轉(zhuǎn)移到收集箱中。
非纖維材料通過一個(gè)帶有密集的凸輪狀輪子的機(jī)械系統(tǒng)。大件物品滑過，而小物品存放在藍(lán)色垃圾桶里的可回收叉子，直接前往垃圾填埋場(chǎng)——它們太小了，無法分類。機(jī)器還砸碎玻璃，玻璃掉到底部并被屏蔽掉。
然后，溪流的其余部分從頭頂磁鐵和渦流誘導(dǎo)機(jī)下穿過，這些磁鐵收集由黑色金屬制成的物品，以及一臺(tái)渦流誘導(dǎo)機(jī)將有色金屬?zèng)_擊到另一個(gè)收集區(qū)。
在這一點(diǎn)上，大部分是塑料仍然存在。更多的高光譜分揀機(jī)，可以一次拉出一種類型的塑料，如洗滌劑瓶的HDPE和水瓶的PET。
最后，剩下的任何東西——卡車上10%到30%的貨物——都會(huì)進(jìn)入垃圾填埋場(chǎng)。
在未來，人工智能驅(qū)動(dòng)的機(jī)器人分類系統(tǒng)和人工智能檢查系統(tǒng)可以在這個(gè)過程的大多數(shù)情況下取代人類工人。在圖表中，紅色圖標(biāo)表示人工智能驅(qū)動(dòng)的機(jī)器人系統(tǒng)可以取代人類工人的位置，藍(lán)色圖標(biāo)表示人工智能審計(jì)系統(tǒng)可以對(duì)排序工作的成功進(jìn)行最終檢查。
人工智能 精益求精
訓(xùn)練神經(jīng)網(wǎng)絡(luò)來識(shí)別當(dāng)今市場(chǎng)上所有不同類型的洗衣粉瓶已經(jīng)很困難了，但當(dāng)你考慮到這些物體到達(dá)回收設(shè)施時(shí)可能經(jīng)歷的物理變形時(shí)，這是一個(gè)完全不同的挑戰(zhàn)。它們可以折疊、撕裂或粉碎。混入其他物體的流中，瓶子可能只能看到一個(gè)角落。液體或食物浪費(fèi)可能會(huì)掩蓋材料。
我們通過向它們提供來自世界各地回收設(shè)施的屬于每個(gè)類別的材料的圖像來訓(xùn)練我們的系統(tǒng)。利用這些數(shù)據(jù)，我們的模型通過發(fā)現(xiàn)區(qū)分不同材料的模式和特征，學(xué)會(huì)與人類同類產(chǎn)品相同的方式識(shí)別可回收物。我們不斷從所有使用我們系統(tǒng)的設(shè)施中隨機(jī)收集樣本，然后對(duì)其進(jìn)行注釋，將它們添加到我們的數(shù)據(jù)庫中，并重新訓(xùn)練我們的神經(jīng)網(wǎng)絡(luò)。我們還測(cè)試我們的網(wǎng)絡(luò)，以找到在目標(biāo)材料上表現(xiàn)最佳的模型，并對(duì)我們系統(tǒng)難以正確識(shí)別的材料進(jìn)行有針對(duì)性的額外培訓(xùn)。
一般來說，神經(jīng)網(wǎng)絡(luò)容易學(xué)習(xí)錯(cuò)誤的東西。奶牛的圖片與牛奶包裝有關(guān)，牛奶包裝通常以纖維紙箱或HDPE容器的形式生產(chǎn)。但奶制品也可以用其他塑料包裝，例如，單份奶瓶可能看起來像加侖罐的HDPE，但通常由用于水瓶的PET（聚對(duì)苯二甲酸乙二醇酯）的不透明形式制成。換句話說，奶牛并不總是指纖維或HDPE。
同時(shí)，也要及時(shí)了解消費(fèi)者包裝的持續(xù)變化。任何依靠視覺觀察來學(xué)習(xí)包裝和材料類型之間關(guān)聯(lián)的機(jī)制都需要消耗穩(wěn)定的數(shù)據(jù)流，以確保對(duì)物體進(jìn)行準(zhǔn)確分類。
但我們可以讓這些系統(tǒng)發(fā)揮作用。目前，我們的系統(tǒng)在某些類別上表現(xiàn)得非常好——鋁罐的準(zhǔn)確率超過98%——并且在區(qū)分顏色、不透明度和初始使用（發(fā)現(xiàn)那些食品級(jí)塑料）等細(xì)微差別方面越來越好。
既然基于人工智能的系統(tǒng)已經(jīng)準(zhǔn)備好承擔(dān)您的可回收物，事情可能會(huì)有什么變化？當(dāng)然，它們將促進(jìn)機(jī)器人的使用，而機(jī)器人在當(dāng)今的回收行業(yè)中只使用最少。鑒于這個(gè)沉悶而骯臟的業(yè)務(wù)中工人長期短缺，自動(dòng)化是一條值得走的道路。
人工智能還可以幫助我們了解當(dāng)今現(xiàn)有的分類流程做得如何，以及我們?nèi)绾胃倪M(jìn)它們。今天，我們對(duì)分揀設(shè)施的運(yùn)營效率有非常粗略的了解——我們?cè)谶M(jìn)出途中稱量卡車，在出途中稱量產(chǎn)出，沒有任何設(shè)施可以肯定地告訴你產(chǎn)品的純度，他們只能通過打開隨機(jī)包來定期審計(jì)質(zhì)量。但是，如果您將人工智能驅(qū)動(dòng)的視覺系統(tǒng)放在分類過程相關(guān)部分的輸入和輸出上，您將全面了解哪些材料流向哪里。這種水平的審查在世界各地的數(shù)百個(gè)設(shè)施中才剛剛開始，它應(yīng)該會(huì)提高回收業(yè)務(wù)的效率。能夠精確和一致地將可回收材料的實(shí)時(shí)流動(dòng)數(shù)字化，這也為更好地了解哪些可回收材料正在回收，哪些目前尚未被回收，然后確定差距，使設(shè)施能夠整體改善其回收系統(tǒng)。
魯公網(wǎng)安備 37142202000175號(hào)