Конвейерные ленты с б/у одеждой, бутылками и смешанными отходами сортируются с помощью ИИ компьютерного зрения и робототехники, что позволяет отбирать ценные ресурсы и спасать тысячи тонн материалов от отправки на свалки.
Поскольку мировые лидеры собираются на конференцию COP31 в Турции, акцент на нулевых отходах на этом мероприятии выдвигает на первый план практическую задачу: как дольше сохранять продукты и материалы в использовании. В глобальном масштабе less than 7% материалов, поступающих в экономику, получены из вторичных или повторно используемых источников. Образование твердых коммунальных отходов составляет более 2 billion tons мусора в год — показатель, который может nearly double by 2050.
ИИ и робототехника помогают изменить эту тенденцию, поскольку новаторы по всему миру совершенствуют сортировку для извлечения ресурсов, которые в противном случае оказались бы на свалках.
«Более циркулярная экономика опирается на более эффективное использование того, что у нас уже есть, — сказал Джош Паркер (Josh Parker), руководитель направления устойчивого развития в NVIDIA. — ИИ может помочь нам понять состав потока отходов, определить, что подлежит восстановлению, и автоматизировать процесс их сортировки. Мы предоставляем новаторам вычислительные инструменты, чтобы сделать эти процессы более эффективными и внедрить их повсеместно».
Узнайте, как четыре участника программы для стартапов NVIDIA Inception применяют ИИ для поддержания циркуляции ценных материалов.
AIRECO дает пластиковым отходам новую жизнь
Переработанный пластик используется только тогда, когда его стоимость и качество могут конкурировать с новым материалом. Зачастую это невозможно: поступающие отходы имеют непостоянное качество, сортировка зависит от дефицитного ручного труда, а смешанный лом превращается в низкосортные продукты в результате рециклинга с понижением качества.
Основатели тайваньского стартапа AIRECO считают, что сортировка с помощью ИИ способна снизить затраты и повысить качество переработки, сделав эти материалы более коммерчески востребованными. Компания использует ИИ компьютерного зрения для более тщательной сортировки пластика, позволяя извлекать материалы из куч смешанного лома для замкнутого цикла переработки, при котором использованные изделия перерабатываются в новые версии того же продукта.
Ваш браузер не поддерживает тег видео.
«Чем тщательнее вы сортируете, тем больше можете переработать, — сказал Чунь-Фен Лю (Chun-Feng Liu), основатель и генеральный директор AIRECO. — Благодаря тщательно отсортированному материалу возрастает вероятность того, что изделие останется в цикле — пластиковая бутылка снова и снова перерабатывается в бутылку, а не попадает в другие изделия, которые трудно перерабатывать дальше».
Компания использует модули NVIDIA Jetson Orin NX для запуска инференса на своей пилотной линии на заводе по переработке в Тайнане, в том числе для управления роботизированными руками, которые выбирают цели с конвейерной ленты. Точность распознавания на тестовой линии превышает 95%.
На полноценной производственной линии, запланированной на следующий год, команда стремится почти утроить годовую мощность переработки отходов с 18 000 до 48 000 тонн, одновременно сократив операционные расходы на 85%.
EverestLabs AI внедряет робототехнику на линии переработки
На предприятиях по восстановлению материалов — заводах, которые разделяют бытовые вторсырьевые отходы, — сортировка должна производиться в реальном времени на быстро движущихся конвейерных лентах, что требует быстрого анализа для идентификации и сортировки предметов.
Американский стартап EverestLabs AI развертывает роботов с компьютерным зрителем на этих сортировочных линиях. Около 150 роботов в настоящее время работают на предприятиях по всей Северной Америке и в Австралии.
«У других роботов есть бесконечно много времени на выполнение задач, — сказал Р. Пол Сингх (R. Paul Singh), генеральный директор EverestLabs AI. — У нас нет такой роскоши, потому что наши конвейерные ленты движутся с определенной скоростью, и мы должны действовать быстро, пока материал не сдвинулся с места. Это игра в реальном времени».
Ваш браузер не поддерживает тег видео.
EverestLabs запускает инференс ИИ на графических процессорах NVIDIA RTX на периферии и обучает свои модели на графических процессорах для дата-центров NVIDIA, оптимизированных с использованием NVIDIA CUDA. По оценкам компании, развернутые системы к настоящему моменту распознали около 40 миллиардов объектов, переработали примерно 25 000 тонн материалов и предотвратили выбросы примерно 30 000 метрических тонн углекислого газа.
Их команда постоянно работает над улучшением моделей для правильного классифицирования и отбора объектов каждого типа с одновременным сбором метаданных о типе материала, бренде и упаковке каждого из них. Они также поставляют инструменты агентного ИИ для предоставления практических данных сотрудникам предприятий по переработке — от начальников цехов до руководителей, отвечающих за несколько объектов, — и планируют распространить эту способность на смежные отрасли.
Greyparrot дает операторам переработки четкое представление о потоке отходов
Заводы по переработке могут обрабатывать десятки тысяч тонн отходов в день, однако операторы долгое время оценивали содержимое ленты путем ручной выборки менее 1% объема.
Британский стартап Greyparrot создал свою платформу Analyzer, чтобы изменить это. Установленная над конвейерными лентами, она использует компьютерное зрение для идентификации каждого проходящего объекта по материалу и бренду даже в запыленных условиях или при плохом освещении на лентах, движущихся со скоростью до 4 метров в секунду.
«Отходы постоянно меняются. Они меняются по часам, по сезонам, по поставщикам, — сказал Амбарищ Митра (Ambarish Mitra), сооснователь Greyparrot. — Раньше операторы строили догадки на основе крошечной выборки, а теперь они могут точно видеть, что находится на ленте».
Ваш браузер не поддерживает тег видео.
Greyparrot использует графические процессоры NVIDIA для обучения моделей ИИ на миллиардах объектов, в то время как модули NVIDIA Jetson обеспечивают быстрое обнаружение на периферии. Более 300 систем Analyzer, работающих более чем в 20 странах, на сегодняшний день выполнили свыше триллиона обнаружений в ограничивающих рамках, сократив время, необходимое для проверки 15 тонн отходов, с 375 часов всего до шести.
Предприятия, использующие данные в реальном времени от Analyzer, сообщают о росте эффективности от 10% до 30%. В глобальной упаковочной компании Amcor это решение помогло увеличить выход food-grade plastics by 12%. Такие бренды, как Coca-Cola, Colgate-Palmolive и Kenvue, также используют технологию Greyparrot для оценки того, как их упаковка перерабатывается на реальных сортировочных предприятиях.
reverse.fashion дает выброшенной одежде второй шанс
Европа производит nearly 7 million tons б/у текстиля в год. Около четверти этого текстиля собирается раздельно и сортируется вручную на сотни категорий, предназначенных для использования в самых разных целях — от продажи винтажа до рециклинга с понижением качества в качестве наполнителя для мебели или чистящих салфеток. Эта работа медленная, дорогая и трудоемкая, из-за чего ценность пригодных для повторного использования вещей остается скрытой.
Берлинский стартап reverse.fashion помогает автоматизировать эту работу с помощью компьютерного зрения высокого разрешения. Его система определяет тип изделия, дефекты, цвет, размер, бренд, структуру ткани, сезон и стиль, распределяя каждую вещь в самую ценную категорию.
«По сравнению с классической сортировкой отходов, наши модели ИИ должны работать в очень высоком разрешении, потому что люди очень придирчивы к текстилю, — сказал Карстен Пуфаль (Karsten Pufahl), сооснователь и технический директор reverse.fashion. — Пайплайн компьютерного зрения должен обнаруживать мелкие дефекты, чтобы определить качество и потенциальную стоимость каждой вещи».
Ваш браузер не поддерживает тег видео.
Перемещаясь по конвейерной ленте со скоростью 3 метра в секунду, каждый текстильный предмет, анализируемый Reverse Fashion, проходит через более чем десяток моделей ИИ компьютерного зрения, оптимизированных с помощью программного обеспечения NVIDIA TensorRT и работающих на модулях NVIDIA Jetson на периферии. Модели обучаются на графических процессорах NVIDIA на рабочих станциях и в облаке.
По оценкам Пуфаля, система сортирует за час то, на что раньше уходила неделя, и в настоящее время развертывается на объектах в Европе.
Узнайте больше о приложениях в области устойчивого развития на базе NVIDIA.
