تصنيف النفايات / إعادة التدوير

نظرة عامة على المشكلة

يعد إعادة التدوير على نطاق واسع مهمة صعبة، خاصة مع الارتفاع الكبير في إنتاج البلاستيك. فقط ربع النفايات الصلبة في الولايات المتحدة يتم إعادة تدويرها، حتى أقل من ذلك في البلدان النامية. تعتبر وظائف فرز القمامة يدويًا خطرة، وأجورها ضئيلة، كما أن معدل التدوير الوظيفي فيها مرتفع. إن التحديات اللوجستية والتكلفة وكثافة العمالة، من بين عوامل أخرى، تعيق إطلاق العنان لإمكانات صناعة إعادة التدوير.

يعد استخدام نماذج الروبوتات والذكاء الاصطناعي لتحديد وفرز أنواع مختلفة من النفايات على رأس جدول أعمال شركات إدارة النفايات. إن تدريب نماذج الذكاء الاصطناعي على تحديد المواد المختلفة، سواء أكانت زجاجات أم علب، وما إذا كانت مشوهة أو تحتوي على جزيئات طعام، من شأنه أن يزيل القيود المفروضة على تقنيات الفرز السابقة ويسرع العملية.

يعد جمع صور البيانات المستخدمة لتدريب الذكاء الاصطناعي هو الخطوة الأكثر أهمية. يجب أن تكون الصور متنوعة من حيث أنواع النفايات وانعكاس الضوء ونسبة التداخل وما إلى ذلك. ويتمثل التحدي الرئيسي في التأكد من أن البيانات التي تم جمعها مشابهة لسيناريو الحالة الحقيقية الذي سيتم فيه تنفيذ المنتج.

على عكس بعض الحلول التي تركز على جمع صور مثالية للسيناريوهات التي لن تحدث في الحياة الواقعية (على سبيل المثال، عناصر النفايات النظيفة والمتباعدة بشكل مثالي)، ركز عملاؤنا على الحصول على صور سيناريوهات واقعية تتطلب مجموعة بيانات أكبر بكثير من صور معقدة للغاية لتحقيق دقة جيدة في الذكاء الاصطناعي وضمان منتج تجاري أفضل.

المشاريع

في هايفو قمنا بتسليم مشروعين يهدفان إلى أتمتة وزيادة إنتاجية عملية إدارة النفايات.

تعمل شركة ديواما على تطوير برنامج للتعرف على الصور قائم على الذكاء الاصطناعي، والذي يعمل على أتمتة تحليل النفايات لزيادة إنتاجية شركات إدارة النفايات.

من خلال الكاميرا وخوارزمية التعلّم العميق، يتم اكتشاف نوع النفايات وعلامتها التجارية وتتبعها عبر سلسلة القيمة للنفايات. يتم بعد ذلك جمع البيانات المتعلقة بنوع النفايات وعلامتها التجارية وعرضها على لوحة معلومات عبر الإنترنت، مما يساعد المدراء على تحسين عملياتهم وتقليل تكاليفهم، بالإضافة إلى تعبئة العلامات التجارية للإبلاغ عن جهود الاستدامة ومسؤولية المنتج الموسعة.

يتم تنفيذ خوارزمية الذكاء الاصطناعي الخاصة بشركة ديواما من خلال منتجين، Vitron وWiden:

تم تصميم Vitron لمرافق فرز النفايات، حيث يتم تركيب كاميرا فوق حزام ناقل وتصف خوارزمية الذكاء الاصطناعي النفايات بدقة في الوقت الفعلي، مما يمكّن المسؤول من اتخاذ قرارات تعتمد على البيانات لزيادة معدلات إعادة التدوير وجودة المواد القابلة لإعادة التدوير.

Widen هو تكامل واجهة برمجة التطبيقات (API) لخوارزمية الذكاء الاصطناعي في تطبيقات أخرى مثل تطبيقات الهاتف المحمول والصناديق الذكية. تعمل ديواما حاليًا مع إحدى شركات إدارة النفايات التي توفر خدمة جمع النفايات من باب المنزل، حيث تم دمج Widen في تطبيق الهاتف المحمول الخاص بالشركة لمساعدة المستخدمين في الفرز بشكل أفضل في المنزل عن طريق مسح عناصر النفايات المربكة، والذكاء الاصطناعي يخبرهم ما إذا كانت قابلة لإعادة التدوير وإذا كانت مقبولة من قبل شركة التجميع.

كيف ستستخدم البيانات المصنفة لمساعدتك في حل المشكلة؟

يعد تصنيف البيانات أساس نموذج الذكاء الاصطناعي الخاص بشركة ديواما، حيث تقوم بتعليم خوارزمية التعلم العميق لاكتشاف فئات متعددة من النفايات من خلال جمع صورها ووضع علامة على كل عنصر نفايات بنوعه المقابل. أنواع التعليقات التوضيحية المستخدمة هي مربعات محيطة، وذلك عندما يكون هناك عدد قليل من عناصر النفايات لكل صورة ولا تكون متداخلة أو مقسمة دلالياً في حالة تداخل العديد من العناصر (لتجنب تصنيف عنصرين كعنصر واحد).

ما هو التحدي الرئيسي في جمع وتصنيف مجموعة البيانات الصحيحة وكيف يمكنك حلها؟

تعد صور البيانات المجمعة المستخدمة لتدريب الذكاء الاصطناعي هي الخطوة الأكثر أهمية. يجب أن تكون الصور متنوعة من حيث أنواع النفايات وانعكاس الضوء ونسبة التداخل وما إلى ذلك. ويتمثل التحدي الرئيسي في التأكد من أن البيانات المجمعة مشابهة لسيناريو الحالة الحقيقية الذي سيتم فيه تنفيذ منتج ديواما. على عكس الشركات الأخرى التي تركز على جمع صور مثالية لسيناريوهات لن تحدث في الحياة الواقعية (مثال في حالتنا، هو الحصول على نفايات نظيفة ذات شكل مثالي وموزعة على بعضها البعض)، تركز ديواما على الحصول على صور سيناريوهات واقعية تتطلب مجموعة بيانات أكبر بكثير للحصول على دقة ذكاء اصطناعي جيدة ولكنها ستضمن منتجًا تجاريًا أفضل.

وضع العلامات في هايفو