前言
人工智能引导的高速机器人分拣系统，在传送带上按类别识别材料。迄今为止，运行中的系统已经识别了超过500亿个各种排列的物体。
提高认识，明确方向
某天的早上，你家门前放着一个蓝色的大垃圾桶，里面装满了报纸、纸板、瓶子、罐头、铝箔外卖托盘和空的酸奶容器。你可能会认为自己正在尽自己的一份力量来减少浪费。但在你冲洗完酸奶容器并把它丢进垃圾桶后，你可能再也不会多想它了。
回收箱里的东西将被倒入卡车，并被带到回收设施进行分类。大多数材料将用于加工和最终用于新产品。但很多都会在垃圾填埋场结束。
那么，有多少进入垃圾箱的材料可以避免去垃圾填埋场？对于进行回收的国家来说，这个数字（称为回收率）似乎平均在70%至90%左右，尽管没有广泛的数据，但看起来还是不错的，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进入垃圾箱——在美国只有32%，全球只有10%到15%。这是许多由有限资源制成的材料，这些材料会不必要地浪费。
有一种方法可以做得更好。使用计算机视觉、机器学习和机器人来识别和分类回收材料，我们可以提高自动分拣机的准确性，减少对人为干预的需求，并提高整体回收率。
夯实基础，创新技术
在解释人工智能将如何改善回收之前，让我们看看回收材料过去是如何分类的，以及当今世界大部分地区是如何分类的。
当回收在20世纪60年代开始时，分类的任务落在了消费者身上——报纸装在一捆里，纸板装在另一捆里，玻璃和罐子放在他们自己的单独的垃圾桶里。这对许多人来说太麻烦了，并限制了可回收材料的收集量。
在20世纪70年代，许多城市拿走了多个垃圾箱，用一个集装箱取而代之，分拣发生在下游。这种“单流”回收促进了参与，现在是发达国家的主要回收形式。
将分拣任务进一步下游，导致了分拣设施的建设。为了进行实际分类，回收企业家调整了采矿和农业行业的设备，必要时填充人力。这些分类系统没有计算机智能，而是依靠材料的物理特性来分离它们。例如，玻璃可以碎成小块，然后筛选和收集。纸板是刚性和轻的——它可以滑过一系列机械凸轮状圆盘，而其他密度更高的材料落在圆盘之间。黑色金属可以与其他材料通过磁力分离；也可以使用大涡流在铝等有色金属中诱导磁性。
到20世纪90年代，由美国宇航局开发并于1972年首次在卫星上发射的高光谱成像在商业上变得可行，并开始出现在回收世界中。与主要看到红色、绿色和蓝色组合的人类眼睛不同，高光谱传感器将图像划分为更多的光谱带。该技术区分不同类型塑料的能力改变了回收商的游戏规则，不仅将光学传感，而且将计算机智能带入了该过程。还开发了可编程光学分拣器来区分纸制品，例如，区分报纸和垃圾邮件。
因此，今天大部分排序都是自动化的。这些系统通常排序为80%至95%的纯度——也就是说5%至20%的输出不应该存在。然而，为了使产出有利可图，纯度必须高于95%，低于这个阈值，价值会下降，通常一文不值。因此，人类手动清理每条溪流，在材料被压缩和打包运输之前，挑选出杂散的物体。
尽管进行了所有自动和手动分类，但进入该设施的大约10%至30%的材料最终最终会进入垃圾填埋场。在大多数情况下，一半以上的材料是可回收的，物有所值，但只是被遗漏了。
我们已经尽可能地推动了当前的系统。只有人工智能才能做得更好。
将人工智能纳入回收业务意味着将拾取和放置机器人与准确的实时物体检测相结合。拾取和放置机器人与计算机视觉系统相结合，用于制造中抓取特定物体，但它们通常只是重复寻找单个物品，或在受控照明条件下寻找一些已知形状的物品。然而，回收涉及沿传送带移动的物体的种类、形状和方向的无限可变性，需要即时识别，同时快速向机器人手臂发送新的轨迹。
人工智能在理论上可以完全基于图像分析，以接近100%的精度从混合材料流中恢复所有可回收物。如果基于人工智能的排序系统能够看到一个对象，它可以准确地对它进行排序。
考虑当今回收分拣机的一种特别具有挑战性的材料：高密度聚乙烯（HDPE），一种通常用于洗涤剂瓶和牛奶罐的塑料。（在中国、欧洲和美国，HDPE产品被标记为2号可回收物。）在依赖高光谱成像的系统中，一批HDPE往往与其他塑料混合，并可能带有纸张或塑料标签，这使得高光谱成像仪难以检测底层物体的化学成分。
相比之下，人工智能驱动的计算机视觉系统可以通过识别瓶子的包装来确定瓶子是HDPE而不是其他东西。这种系统还可以使用颜色、不透明度和外形因素等属性来提高检测准确性，甚至按颜色或特定产品进行排序，从而减少所需的后处理量。虽然系统不试图理解标签上单词的含义，但单词是项目视觉属性的一部分。
群峰重工已经构建了可以进行这种排序的系统。在未来，AI系统还可以按材料组合和原始用途进行分类，使食品级材料与装有家用清洁剂的容器分离，并将被食品废物污染的纸张与清洁纸分离。
训练神经网络来检测回收流中的物体并不容易。它至少比在照片中识别人脸更具挑战性几个数量级，因为可回收材料变形的方式几乎多种多样，系统必须识别排列。
分拣中心内部
回收设施使用机械分拣、光学高光谱分拣和人类工人。以下是回收卡车带着蓝色垃圾箱里的东西离开后通常会发生的情况。
卡车在混凝土垫上卸货，称为尖端地板。前端装载机将散装材料舀起来，然后将其倾倒到传送带上，通常以每小时30至60吨的速度倾倒。
第一阶段是预选。人类工人移除了最初不应该进入收集卡车的大型或有问题的物品——自行车、大块塑料薄膜、丙烷罐、汽车变速器。
依赖光学高光谱成像的分拣机或人类工人将纤维（办公用纸、纸板、杂志——被称为2D产品，因为它们大多是扁平的）从剩余的塑料和金属中分离出来。在光学分拣机的情况下，相机盯着沿着传送带滚动的材料，检测到由目标物质制成的物体，然后发送消息以激活一组电子可控的螺线管，将物体转移到收集箱中。
非纤维材料通过一个带有密集的凸轮状轮子的机械系统。大件物品滑过，而小物品存放在蓝色垃圾桶里的可回收叉子，直接前往垃圾填埋场——它们太小了，无法分类。机器还砸碎玻璃，玻璃掉到底部并被屏蔽掉。
然后，溪流的其余部分从头顶磁铁和涡流诱导机下穿过，这些磁铁收集由黑色金属制成的物品，以及一台涡流诱导机将有色金属冲击到另一个收集区。
在这一点上，大部分是塑料仍然存在。更多的高光谱分拣机，可以一次拉出一种类型的塑料，如洗涤剂瓶的HDPE和水瓶的PET。
最后，剩下的任何东西——卡车上10%到30%的货物——都会进入垃圾填埋场。
在未来，人工智能驱动的机器人分类系统和人工智能检查系统可以在这个过程的大多数情况下取代人类工人。在图表中，红色图标表示人工智能驱动的机器人系统可以取代人类工人的位置，蓝色图标表示人工智能审计系统可以对排序工作的成功进行最终检查。
人工智能 精益求精
训练神经网络来识别当今市场上所有不同类型的洗衣粉瓶已经很困难了，但当你考虑到这些物体到达回收设施时可能经历的物理变形时，这是一个完全不同的挑战。它们可以折叠、撕裂或粉碎。混入其他物体的流中，瓶子可能只能看到一个角落。液体或食物浪费可能会掩盖材料。
我们通过向它们提供来自世界各地回收设施的属于每个类别的材料的图像来训练我们的系统。利用这些数据，我们的模型通过发现区分不同材料的模式和特征，学会与人类同类产品相同的方式识别可回收物。我们不断从所有使用我们系统的设施中随机收集样本，然后对其进行注释，将它们添加到我们的数据库中，并重新训练我们的神经网络。我们还测试我们的网络，以找到在目标材料上表现最佳的模型，并对我们系统难以正确识别的材料进行有针对性的额外培训。
一般来说，神经网络容易学习错误的东西。奶牛的图片与牛奶包装有关，牛奶包装通常以纤维纸箱或HDPE容器的形式生产。但奶制品也可以用其他塑料包装，例如，单份奶瓶可能看起来像加仑罐的HDPE，但通常由用于水瓶的PET（聚对苯二甲酸乙二醇酯）的不透明形式制成。换句话说，奶牛并不总是指纤维或HDPE。
同时，也要及时了解消费者包装的持续变化。任何依靠视觉观察来学习包装和材料类型之间关联的机制都需要消耗稳定的数据流，以确保对物体进行准确分类。
但我们可以让这些系统发挥作用。目前，我们的系统在某些类别上表现得非常好——铝罐的准确率超过98%——并且在区分颜色、不透明度和初始使用（发现那些食品级塑料）等细微差别方面越来越好。
既然基于人工智能的系统已经准备好承担您的可回收物，事情可能会有什么变化？当然，它们将促进机器人的使用，而机器人在当今的回收行业中只使用最少。鉴于这个沉闷而肮脏的业务中工人长期短缺，自动化是一条值得走的道路。
人工智能还可以帮助我们了解当今现有的分类流程做得如何，以及我们如何改进它们。今天，我们对分拣设施的运营效率有非常粗略的了解——我们在进出途中称量卡车，在出途中称量产出，没有任何设施可以肯定地告诉你产品的纯度，他们只能通过打开随机包来定期审计质量。但是，如果您将人工智能驱动的视觉系统放在分类过程相关部分的输入和输出上，您将全面了解哪些材料流向哪里。这种水平的审查在世界各地的数百个设施中才刚刚开始，它应该会提高回收业务的效率。能够精确和一致地将可回收材料的实时流动数字化，这也为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，然后确定差距，使设施能够整体改善其回收系统。
鲁公网安备 37142202000175号