所有文章 > 正文

AI助力垃圾分拣准确率,千万吨垃圾“变废为宝”

作者: Jansfer

时间: 2019-06-26 17:45

AI正致力于提高回收行业识别特定类型塑料和其他材料的准确性,包括受食品和其他有害物质污染的物品,同时也加快了分拣的速度。

经机器学习软件强化的智能机器人、传感器和视觉系统正在科罗拉多州、日本和欧洲的回收设施中投入生产。

根据GreenBiz的一项报告,目前有两家公司想要实现更高效、更大量的回收目标,回收范围从塑料到废弃建筑材料等。其中一家公司是成立五年、总部位于科罗拉多州路易斯维尔的AMP Robotics,专注于机器学习和计算机视觉;另一家是挪威的公司TOMRA,最初是管理反向售货机,利用传感器使其食物分拣和回收系统更加智能。

图|TOMRA成立于1972年,是一家提供反向自动售货机,也就是回收瓶子的公司

分拣新视野

顾名思义,AMP Bobotics的创新性在于回收机器人,其创始人兼CEO,Matanya Horowitz于2014年开始集资,研发有助于提高机器分拣准确性的视觉系统,公司的设备需要经过上百万张图片的“训练”,从产品标签到不同形状的包装盒,再到染色塑料。

Horowitz对GreenBiz称:“如果你能教会一个人区分东西,那你也能教会我们的视觉系统来区分这个东西。”

他认为这个系统有助于设备更加高效地分离废物流,进而从全新的分类服务中实现运营收益。

举例而言,该技术结合光学和机器学习软件,可以将有色搅拌奶油棒或酸奶罐从无色塑料中挑出,甚至可以识别出带有特定商标的物品。一个早期使用商,科罗拉多州的Alpine Recyling最近实现了对咖啡杯的分拣。对于某些消费品公司,需要将其商品打包投入流通或订购特定塑料,这种程度的精确性是非常重要的。

Horowitz补充道:“我们可以追踪回收的物品。”这有助于实现更好的收集和反馈系统。

AMP最新技术是一个名为Cortex的双机器人系统,用于城市固废、电子废品和建筑拆除,该设备分拣、拾取和放置商品的速度可达每分钟160件。更重要的是,它可以处理一些通常难以完成的事情,如将废弃的纸板分离成纸张。

Horowitz对于公司筹集的资金非常谨慎,其支持者包括Closed Loop Partner,同时在采访中他还提及Alphabet公司的Sidewalk Labs。同样,他也不透露该技术的研发成本,并指出客户期望资金回报时间不超过两年,分拣速度能够抵得上两个人。

后者的统计数据可能会打消那些关于机器人技术降低工作潜力的顾虑,Horowitz说回收设施的营业额往往很高,许多设备都没有充分利用。

AMP Robotics也在推动建筑行业的应用。今年早些时候,它与日本废物管理公司Ryohshin展开合作,销售AI驱动的机器人,可以从碎片中分拣材料,包括木材、金属、电子器件和混凝土。

TOMRA呼吁借助AI来实现“变废为宝”

TOMRA近期加入了终结塑料废物联盟,被认为是用于分类的近红外传感器的发明者,它拥有近80项专利,在检测水分或氯含量的传感器方面经验丰富。该公司的技术应用于全球约十万个地方。除了回收,该公司还面向食品运营,例如分拣新鲜农副产品。

TOMRA的总裁兼CEO,Stefan Ranstrand,宣称:“我们目前亟需通过废物利用实现回收行业的转型。在某些市场上,回收率高达98%,甚至一些消费品公司正在以100%的回收材料制造新产品。但是这仅仅是一肢半节,为了保护我们的世界,必须做出更多的努力。”

TOMRA最近的两项创新分别是材料识别传感器和新型激光功能,前者可以对单层聚对苯二甲酸乙二醇酯(PET)托盘(例如自助餐厅托盘)进行分类。后者的开发有助于TOMRA的系统检测通常难以识别ID的黑色物体,以及具有某些形状的黑色物体,例如硅胶盒。据该公司网站称,随着更多时间的投入,与这些系统相关的AI将能够检测刚性塑料中薄膜的存在。

TOMRA执行副总裁兼公司新成立的循环经济团队负责人Volker Rehrmann表示:“如果你真的需要尽可能地将材料分类到最高质量,那么你需要能够做到这一点。”

AI在一段时间里始终是TOMRA技术的一部分,某种层次的算法检测被引入原始的瓶子回收机器。该公司通过反向自动贩卖机每年回收400亿个使用过的饮料瓶,因此它具有丰富的回收利用经验,这对于塑料垃圾的回收十分关键。

Rehrmann称:“不做详细解释,这需要比以往更加高的精度。”

尽管回收是一个大生意,去年仅在美国估计就有1100亿元,但是Rehrmann认为,在闭环经济中只有2%的材料会被视为资源,而非垃圾。这是终结塑料废物联盟必须解决的问题。Rehrmann称:“他们已经意识到必须要做出改变。”

AI在回收分拣中的历史

AI在分拣回收中的应用始于20世纪70~80年代,那些系统基于光学传感器和电子器件,可以比较灰度或颜色。以颜色中的比例为基础,电路基于规则做出保留或弹出材料的决定。例如,第一台反向回收机器(RVM)利用预置的光学传感器探测它产生的阴影来识别瓶子形状。

在20世纪90年代早期,基于像素的灰度分类和彩色相机图片同定制电子器件的结合使用,限制了AI在阈值和决策方面的能力。但随着个人计算机(PCs)的出现,可以将该技术用于图片的分类。

定制的相机技术可获取特定的光谱特性和更好的聚类可能性,从而提高AI精度。这使得可以基于其光谱内容为每个像素分配特定类别的材料,颜色不再是唯一的识别标准。

在20世纪90年代后期,将该技术与对象识别相结合,这使得可以聚类具有相似属性的不同像素并将它们组合成对象。

到了2000年,高光谱成像系统进入实际应用,并且PCs的功率进一步增加。人工神经网络(ANN)开始用于数据处理中的分类问题。基于先前训练的样本,在特定应用和机器方面,这类AI现在可以组合不同的特征和属性来进行一次分类。因此,可以检测到更复杂的材料,并且实现了另一级别的分选准确性。

在2000年后期,所谓的支持向量机(SVM)出现了。虽然它听起来像个物理机器,但它们其实是数学模型,允许机器在多维空间中定义簇,将结果存储在物理分拣机的表中以再次提高性能。

所有前面提到的用于分类的AI形式的共同点是,AI的所谓训练或学习方面必须受到监督。举一个关于RVM的简单例子,20世纪70年的工程师必须将光学传感器放置在正确的位置上,并且在分拣机投入运行之前,需要一组标记的样本来教授AI系统。

AI当前如何用于回收工作

目前,系统的初始教学需要计算机视觉工程师来定义分类任务的相关特征。这将从图像数据生成特征向量,然后将其与标签结合使用以自动训练ANN或SVM。由于培训是在没有工程师互动的情况下自动完成的,因此这种方法称为无监督学习。

AI在分拣方面的进一步发展是实现深度学习,这在21世纪10年代已经实现,目前受到广泛应用。虽然这些网络类型是几十年前发明的,但由于现代图像处理单元的处理能力的大幅提升和数百万通用标签图像,目前可将其应用于实际问题。

所谓的深度卷积神经网络仍然是人工神经网络;但是,与早期的推导相比,它们具有更多的层和神经元。因此,该神经网络更强大。然而,与传统方法相比,它们需要的培训数据也更多。

卷积神经网络的主要优点是,特征提取步骤在网络训练期间也自动执行。因此,不再需要计算机视觉工程师手动定义与任务相关的特征。通常,网络的第一层产生特征,这些特征被集成到下一层更复杂的特征中,然后在最后一层中分类。

这些网络几乎可以像建筑模块一样组合,每个网络都针对特定任务进行预训练。通过这种方式,设计可以适应当前的应用。另外,深度学习技术尤其对图像识别具有重大影响。

AI在回收行业中的角色

AI开发的当前阶段,尤其是深度学习方面,将使回收行业克服目前无法解决的挑战。

如今,为了使产品质量达到预期的效果,生产线末端的人工挑选工作站仍然非常有必要。其中,硅芯就是一个例子,它在聚乙烯流中是不希望出现的,为了用机器人取出它,或者通过末尾的光学分拣机将其弹出,就需要先检测出它。

针对这种能力,AI和深度学习将在提高效率方面发挥重要作用。将这些新形式的AI与大数据的潜力相结合(例如,我们已经可以通过现在的机器收集数据),有利于增加产量、降低成本和提高质量。

形象地说,今天的AI就像在找一个免费的午餐和一个丑小鸭。这两个想法都是与人工智能主题相关的实际数学定理。

第一个定理基本上表明,对于特定应用,没有单个AI解决方案优于所有其他解决方案。每种解决方案都有一定的优势,而这些优势是以其他地方的某些缺点为代价的。因此,没有“免费午餐”这样的东西。

丑小鸭定理也是类似的,表明没有适用于所有应用的最佳特征集。即使我们能够找到解决许多不同挑战的通用AI,它也会有不适合的应用程序或问题,无法提供合适的解决方案,使其成为“丑小鸭”。

考虑到这一点,我们应该对卷积神经网络和深度学习保持适度的期望。大量的例子表明,深度学习常用于解决困难、松散结构的识别问题,但是对于其他分拣任务,AI的方法将具有更好的效果。寻找不同类型AI的正确组合在过去是关键,并且仍将是实现未来可回收物品的最佳分拣方案的关键。

人工智能已经在回收行业中存在了相当长的一段时间。然而,当机器视觉和机器学习领域被置于一个保护伞下时,深度学习的潜力对于该行业来说是具有很大前景的。

TOMRA公司更多信息

参考:AITRENDS

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多