人工智慧在垃圾分類中的應用

星期二的晚上，你家前面的藍色大垃圾箱裡裝滿了報紙、硬紙板、瓶子、易拉罐、鋁箔紙托盤和空優格杯。你可能會覺得自己很了不起，在盡自己的責任減少浪費。但是把優格杯沖洗乾淨並丟進垃圾箱後，你可能就再也不會想起它了。

在美國許多地區和歐洲大部分地區，回收的真相令人深思。第二天早上，回收箱裡的物品將倒入卡車，並帶到回收站進行分類。大部分材料將經過加工並最終用於新產品。但還有很多最終會被當作廢棄物填埋。

那麼，有多少進入一般垃圾桶的材料能夠避免被填埋呢？雖然沒有廣泛的可用數據，但在進行便利回收的國家，該數字（稱為「回收率」）平均約為70%到90%。這個結果好像不算壞。但有些城市的回收率可能低至40%。

更糟的是，只有一小部分可回收物進入了垃圾箱，美國祇有32%，而全球只有10%到15%。也就是說，很多用有限資源製成的材料都被不必要地浪費了。

我們必須做得更好。由於可回收物分類價格的下降，以及中國2018年頒布政策限制許多回收材料的進口，並將大多數原產於美國的可回收物拒之門外，回收業目前正面臨財務危機。

有一個方法可以幫助我們做得更好。利用電腦視覺、機器學習和機器人識別和分類回收材料，我們可以提高自動分類機的準確性，減少人工幹預的需要，並提高整體回收率。

我們公司Amp Robotics的總部位於科羅拉多州路易斯維爾，正在開發對可回收物進行分類的軟體和硬件，這些軟體和硬體依靠的是圖像分析，其準確率和回收率比傳統系統更高。其他公司也正在採取類似做法，將人工智慧和機器人技術應用於回收利用，例如Bulk Handling Systems、Machinex和Tomra。到目前為止，全球已有數百個分類站採用了這種技術。擴大其使用可以防止浪費，並且能夠避免可回收物被填埋，使其更易於再處理和再利用，從而幫助改善環境。

在了解人工智慧將如何改善回收之前，我們可以先看看過去是如何進行回收材料分類的，以及當今世界大多數地區是如何分揀的。

回收開始於20世紀60年代，當時需要消費者進行分揀，例如把報紙放一捆，紙板放一捆，將玻璃和易拉罐分別放進不同的垃圾箱。事實證明，這對許多人來說太麻煩了，並且限制了收集的可回收材料的數量。

20世紀70年代，許多城市取消了多個垃圾箱，取而代之的是垃圾箱，分類工作則在下游進行。這種「單流」回收方式提高了參與度，目前已成為已開發國家的主要回收形式。

將分揀任務進一步移向下游促成了分類站的建造。為了進行準確的分揀，回收企業家改裝了採礦業和農業設備，並在必要時以人力補充。這些分類系統不使用電腦智能，而是依靠材料的物理屬性將其分開。例如，把玻璃打碎成小塊，然後篩選和收集。硬紙板既硬又輕，可以在一系列機械凸輪圓盤上滑動，而其他密度較大的材料則會落入圓盤之間。利用磁力可將含鐵金屬與其他材料分離；使用大型渦流也可以在鋁等非鐵金屬物品中感應磁性。

20世紀90年代，由NASA開發並於1972年首次在衛星上推出的高光譜成像技術已具備商業可行性，並開始出現在回收領域。與人眼主要看到紅色、綠色和藍色的組合不同，高光譜感測器能夠將影像劃分為更多的光譜帶。這項技術能夠區分不同類型的塑料，從而改變了回收行業，將光學感測和電腦智慧引入了回收流程。此外，人們還開發了可程式光學分類機來分離紙製品，例如，區分報紙和垃圾信件。

因此，目前大部分分類都實現了自動化。這些系統的分類純度通常在80%到95%，也就是說，有5%到20%的回收物不應該存在。然而，為了使回收物有利可圖，分類純度必須高於95%；低於這個閾值，其價值就會下降，而且往往一文不值。因此，人類會手動清理各條工作流程，在材料被壓縮和打包運輸之前揀出被錯誤分揀的物品。

儘管經過了自動和手動分揀，進入分揀站的材料還是有大約10%到30%最終被填埋。大多數情況下，其中超過一半的材料是可回收和有價值的，但只是被漏掉了。

我們已經將現有系統推向了極限。只有人工智慧才能做得更好。

讓人工智慧進入回收業務，意味著要結合取放機器人與精確的即時物件偵測。在製造業中，與電腦視覺系統結合的取放機器人被用於抓取特定物體，但它們通常只是在受控的照明條件下重複尋找單一物品或已知形狀的少數物品。然而，回收所涉及的物品會沿著傳送帶向下移動，其種類、形狀和方向有無限變化，需要幾乎即時的識別和向機械手臂快速分配新的軌跡。

2016年，我們公司首次在科羅拉多州的一家分類站使用人工智慧從其他可回收物中拾取空紙板箱；如今，我們已在美國超過25個州和6個國家安裝了這種系統。雖然我們不是第一家嘗試人工智慧分類的公司，但先前該技術並未實現商業化應用。我們已經穩步擴大了我們系統能夠識別和分類的可回收物的種類。

理論上，人工智慧可以完全基於影像分析，以接近100%的準確率從混合材料流中回收所有可回收物。人工智慧分類系統只要能看到物品，就可以準確地進行分類。

以高密度聚乙烯（HDPE）為例，這是一種常用於清潔劑瓶和牛奶壺的塑料，它對目前的回收分類機特別具有挑戰性。 （在美國、歐洲和中國，HDPE產品被列為第二大可回收物。）在依賴高光譜成像的系統中，成批的HDPE往往與其他塑料混合在一起，並且可能帶有紙質或塑料標籤，因此高光譜成像儀難以檢測其底層物品的化學成分。

相比之下，人工智慧驅動的電腦視覺系統可以透過識別瓶子的包裝來確定瓶子是否是HDPE材質。這種系統還可以利用顏色、不透明度和形狀因子等屬性來提高檢測的準確性，甚至可以按顏色或特定產品進行分類，減少所需的再處理量。雖然該系統不會嘗試理解標籤上文字的含義，但文字也是物品視覺屬性的一部分。

我們Amp Robotics公司已經建立了能夠進行這種分類的系統。未來，人工智慧系統還可以依材料組合和原始用途進行分類，將食品級材料與盛裝家用清潔劑的容器分離，並將被食品垃圾污染的紙張與乾淨的紙張分離。

訓練神經網路辨識回收流中的物品並非易事。其難度比辨識照片中的人臉高出至少幾個數量級，因為可回收材料幾乎有無限多種變形方式，系統必須辨識這些變形種類。

訓練神經網路以識別當今市場上所有不同類型的洗衣液瓶已經很困難了，而考慮這些物品到達回收站時可能發生的物理變形，則又是一個完全不同的挑戰。它們可能被折疊、撕裂或壓碎。混入其他物品流時，我們也許只能看見瓶子的一個角。液體或食物廢棄物也可能掩蓋其材質。

我們利用了來自世界各地回收站的各類材料的圖像來訓練我們的系統。現在，我們公司擁有世界上最大的可用於機器學習的可回收材料影像資料集。

利用這些數據，我們的模型可以透過識別區分不同材料的圖案和特徵，以與人類相同的方式學習識別可回收物。我們會持續不斷地從使用我們系統的所有分類站中收集隨機樣本，然後對其進行註釋，將其添加到我們的資料庫中，並重新對我們的神經網路進行訓練。我們也會測試神經網路以找到在目標材料上表現最好的模型，並對系統無法正確識別的材料進行有針對性的額外訓練。

一般來說，神經網路容易學習錯誤的東西。例如，乳牛圖片與牛奶包裝相關聯，牛奶包裝通常是用纖維紙板或HDPE容器製成的。但乳製品也可以採用其他塑膠包裝；例如，一次性牛奶瓶可能看起來像HDPE材質的加侖壺，但通常由用於水瓶的不透明聚對苯二甲酸乙二醇酯（PET）製成。換句話說，乳牛圖案並不總是意味著纖維或HDPE材質。

追蹤消費品包裝的不斷變化也是一項挑戰。任何依靠視覺觀察來了解包裝和材料類型之間關係的機制都需要消耗穩定的資料流，以確保對物品進行準確分類。

我們可以讓這些系統發揮作用。目前，我們的系統在某些類別上做得很好，識別鋁罐的準確率超過98%，並且在區分細微差別方面也表現越來越好，例如顏色、不透明度和初始用途（識別食品級塑膠).

既然基於人工智慧的系統已經準備好承擔回收物分類工作，那麼它會帶來什麼改變？當然，這會提高機器人技術的使用率，目前機器人技術在回收業的使用率非常低。鑑於這個枯燥、骯髒的行業長期缺乏工人，自動化是一條值得走的路。

人工智慧也可以幫助我們了解現有分類流程的效果，以及我們該如何改進它們。目前，我們對分類站運作效率的了解非常粗略，我們會在進站時稱卡車的重量，在出站時稱回收物的重量。沒有任何一個分類站能夠肯定地提供產品的純度；分類站只能透過隨機開啟包件來定期審核品質。但是，如果在分類流程相關部分的輸入和輸出中應用人工智慧視覺系統，我們將獲得有關材料流向的整體視圖。全世界數百個分類站才剛開始使用這種程度的審查，它應該能夠提高回收作業的效率。以準確和一致的方式實現可回收物即時流向的數位化，也有助於我們更好地了解正在回收和目​​前沒有回收的具體可回收材料，然後找出差距，從而改進分揀站回收系統的整體性能。

不過，要真正釋放人工智慧在回收流程中的作用，我們需要重新思考整個分類過程。如今，回收作業通常透過清除非目標材料來減少混合材料流，換言之，它們所做的是「否定分類」。然而，使用帶有揀選機器人的人工智慧視覺系統，我們可以執行“肯定分類”，即識別工作流程中的每件物品並選擇目標材料，而不是清除非目標材料。

可以肯定的是，我們的回收率和純度與我們的演算法一樣優秀。隨著我們的系統在全球獲得更多經驗，以及我們的訓練資料集不斷增長，相應數字將繼續提高。我們希望最終能達到100%的純度和回收率。

從更機械化的系統轉向人工智慧具有深遠意義。與粗選至80%純度，然後手動收尾將純度提高到95%不同，分類站可以在第一次分揀時就達到目標純度。而且分類機不需要針對每種材料的獨特分類機制，只需切換演算法即可改變目標。

人工智慧的使用也意味著我們可以回收因經濟原因而長期被忽視的材料。到目前為止，只有在經濟上切實可行，分類站才會在廢棄物流中追求最豐富的高價值物品。但是，有了對更廣泛種類的材料進行肯定分類的機器學習系統，我們可以開始回收更多樣性的材料，而只需支出很少費用或不用支出費用。這對地球很有益。

隨著我們公司的技術在2020年底在丹佛首次上線，開始有一些基於人工智慧的二次回收站投入運作。這些系統目前用於已對材料進行過傳統分類的地方，它們可尋找遺漏的高價值材料或能夠以新方式分類的低價值材料，從而找到新市場。

借助人工智慧，這個行業正在逐漸減少每年被填埋的可回收物，數十億噸的可回收物代表著數十億美元和不可再生資源。

分類中心內部

現在的回收站使用的是機械分類、光學高光譜分類和人類工作業。以下是回收卡車載著藍色垃圾箱離開後通常會發生的情況。

卡車會在一個名為「傾倒場地」的混凝土基座上卸貨。前端裝載機會將大批材料鏟起，並將其傾倒在傳送帶上，速度通常為每小時30至60噸。

第一階段是預分類。工人首先將不該放在收集車上的大型物品或有問題的物品移走，如自行車、大塊塑膠薄膜、丙烷罐和汽車變速箱。

依靠光學高光譜成像或人工的分類機會將纖維（辦公用紙、硬紙板、雜誌等大多扁平的2D產品）從剩餘的塑膠和金屬中分離出來。在光學分類機中，攝影機會向下盯著沿著傳送帶滾動的材料，發現由目標材料製成的物品，然後發送訊息啟動一組電子控制螺線管，將物品轉移到收集箱中。

非纖維材料會通過一個有密集凸輪的機械系統。大的物品會滑過，而小物件（例如你經過深思熟慮後扔進藍色垃圾箱中的可回收叉子）會悄悄溜走，直接進入垃圾掩埋場，因為它們太小了，無法分揀。機器也會壓碎玻璃，碎玻璃會掉入底部並被篩掉。

然後，剩餘的物品會通過架空磁鐵（收集含鐵金屬製成的物品）和渦流感應機（將非鐵金屬震動到另一個收集區域）。

這時，大部分塑膠仍然還在。更多串聯在一起的高光譜分類機可以一次揀出一種類型的塑料，如HDPE材質的洗滌劑瓶或PET材質的水瓶。

最後，剩下的物品（卡車裝載垃圾的10%到30%）都會被填埋。

。未來，由人工智慧驅動的機器人分類系統和人工智慧偵測系統可以取代這一過程中大多數階段所使用的人工。圖中，紅色圖示表示由人工智慧驅動的機器人系統可以取代人工之處，藍色圖示表示人工智慧審計系統可以對分類工作進行最終檢查之處。

以上是人工智慧在垃圾分類中的應用的詳細內容。更多資訊請關注PHP中文網其他相關文章！