人工智能分拣机器人已准备好对您的可回收物品进行分拣

AI智能分拣机器人

克服困难

稳步前进，志在长远

前言

人工智能引导的高速机器人分拣系统可按类别识别传送带上的物料。迄今为止，操作系统已识别了各种排列方式的 500 多亿个物体。

提高认识，明确方向

一天早上，你发现屋外有一个蓝色的大垃圾桶，里面堆满了报纸、纸板、瓶子、罐子、铝箔外卖托盘和空酸奶容器。你可能认为自己正在尽自己的一份力量减少浪费。但在你冲洗酸奶容器并将其扔进垃圾桶后，你可能不会再考虑这件事了。

回收箱中的物品将被倒入卡车，并运往回收设施进行分类。大部分材料将用于加工，最终用于新产品。但很多最终将被送往垃圾填埋场。

那么，有多少垃圾可以避免进入垃圾填埋场呢？对于实行垃圾回收的国家来说，这个数字（即回收率）平均约为 70% 至 90%，虽然没有广泛的数据，但看起来还不错，在一些城市，这个数字可能低至 40%。

更糟糕的是，只有一小部分可回收物被扔进了垃圾桶——美国只有 32%，全球只有 10% 到 15%。这意味着大量由有限资源制成的材料被不必要地浪费了。

有办法做得更好。使用计算机视觉、机器学习和机器人技术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，减少人工干预的需要，并提高总体回收率。

夯实基础，创新技术

在解释人工智能如何改善回收利用之前，让我们先看看过去回收材料是如何分类的，以及当今世界大部分地区是如何分类的。

20 世纪 60 年代开始回收时，分类工作落到了消费者身上——报纸放在一捆，纸板放在另一捆，玻璃和罐头放在单独的垃圾箱里。这对很多人来说太麻烦了，而且可回收材料的数量也有限。

20 世纪 70 年代，许多城市取消了多个垃圾桶，代之以单个垃圾桶，并在下游进行分类。这种“单流”回收方式提高了参与度，目前已成为发达国家回收利用的主要形式。

将分类任务进一步推向下游，导致了分类设施的建设。为了进行实际的分类，回收企业家们改装了采矿业和农业行业的设备，必要时还会加入人力。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，玻璃可以破碎成小块，然后进行筛选和收集。纸板坚硬而轻便——它可以滑过一系列机械凸轮状圆盘，而其他密度更大的材料则会落在圆盘之间。黑色金属可以用磁性与其他材料分离；大涡流也可用于在铝等有色金属中诱发磁性。

到 20 世纪 90 年代，美国宇航局开发并于 1972 年首次通过卫星发射的高光谱成像技术已实现商业可行性，并开始在回收领域崭露头角。与主要看到红色、绿色和蓝色组合的人眼不同，高光谱传感器将图像划分为更多光谱带。该技术能够区分不同类型的塑料，这对回收商来说是一个重大改变，它不仅将光学传感引入到回收过程中，还将计算机智能引入到回收过程中。还开发了可编程光学分选机来区分纸质产品，例如报纸和垃圾邮件。

因此，如今大部分分拣工作都是自动化的。这些系统通常将纯度分拣到 80% 到 95%——这意味着 5% 到 20% 的产出不应该存在。然而，为了使产出有利可图，纯度必须高于 95%，低于该阈值，价值就会下降，通常会降为零。因此，人工会手动清理每个流，在材料被压缩和包装运输之前挑出零散的物体。

尽管有各种自动和手动分类，进入工厂的材料中仍有约 10% 到 30% 最终被填埋。在大多数情况下，超过一半的材料是可回收的，值得花钱，但却被忽略了。

我们已经将当前系统推向了极限。只有人工智能可以做得更好。

将人工智能融入回收作业意味着将拾取放置机器人与精确、实时的物体检测相结合。拾取放置机器人与计算机视觉系统相结合，用于在制造业中抓取特定物体，但它们通常只是在受控照明条件下反复寻找单个物体，或寻找一些已知形状。然而，回收涉及沿传送带移动的物体的类型、形状和方向的无限变化，需要即时识别，同时快速向机器人手臂发送新的轨迹。

理论上，仅凭图像分析，人工智能就能以接近 100% 的准确率从混合材料流中回收所有可回收物。如果基于人工智能的分类系统能够看到物体，它就能准确地对其进行分类。

考虑一下当今回收分类器面临的一种特别具有挑战性的材料：高密度聚乙烯 (HDPE)，一种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 经常与其他塑料混合，并可能带有纸质或塑料标签，这使得高光谱成像仪难以检测到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只需识别瓶子的包装，就能确定瓶子是 HDPE 而不是其他东西。这样的系统还可以使用颜色、不透明度和形状等属性来提高检测精度，甚至可以按颜色或特定产品进行分类，从而减少所需的后期处理量。虽然系统不会试图理解标签上文字的含义，但这些文字是物品视觉属性的一部分。

群峰重工已经建立了一套可以进行这种分类的系统。未来，人工智能系统可能还能按照材料组合和原始用途进行​​分类，将食品级材料与家用清洁剂容器分开，将沾染了食物垃圾的纸张与干净的纸张分开。

训练神经网络来检测回收流中的物体并不容易。这至少比识别照片中的脸要困难几个数量级，因为可回收材料几乎可以以任何方式变形，而系统必须识别这些排列组合。

分拣中心内部

回收设施使用机械分类、光学高光谱分类和人工分类。回收卡车将蓝色垃圾箱中的物品运走后通常会发生以下情况。

卡车在混凝土垫板上卸货，也就是卸料平台。前端装载机铲起散装物料并将其倾倒到传送带上，通常每小时的卸料速度为 30 至 60 吨。

第一阶段是预选。人工工人会剔除那些本来就不应该被放进垃圾车的大型或有问题的物品，比如自行车、大块塑料布、丙烷罐、汽车变速器等。

依靠光学高光谱成像的分拣机或人工将纤维（办公用纸、纸板、杂志——由于它们大多是扁平的，因此被称为 2D 产品）与其余的塑料和金属分开。在光学分拣机中，摄像头会盯着沿着传送带滚动的材料，检测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螺线管，将物体转移到收集箱。

非纤维材料通过一个机械系统，该系统带有密集的凸轮状轮子。大件物品滑过，而小件物品则放在蓝色垃圾箱的回收叉上，直接运往垃圾填埋场——它们太小而无法分类。该机器还会压碎玻璃，玻璃会落到底部并被筛除。

然后，剩余的材料通过高架磁铁下方，磁铁会收集由黑色金属制成的物品，然后通过涡流感应器，将有色金属炸到另一个收集区域。

此时，大部分塑料都还剩下。更多的高光谱分选机可以一次分出一种塑料，比如洗涤剂瓶中的高密度聚乙烯 (HDPE) 和水瓶中的 PET。

最后，剩下的东西（卡车装载量的 10% 到 30%）将被送往垃圾填埋场。

未来，人工智能驱动的机器人分拣系统和人工智能驱动的检查系统可以在大多数情况下取代人类工人。图中，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，蓝色图标表示人工智能驱动的审计系统可以对分拣工作的成功进行最终检查。

人工智能不断进步

训练一个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足够困难，但当你考虑到这些物品到达回收设施时可能会发生的物理变形时，这又是一个完全不同的挑战。它们可能被折叠、撕裂或撕碎。混在一连串其他物品中，瓶子可能只能在一个角落里看到。液体或食物残渣可能会遮住材料。

我们通过向系统提供来自世界各地回收设施的每种材料类别的图像来训练系统。利用这些数据，我们的模型可以学习以与人类相同的方式识别可回收物品，即发现区分不同材料的模式和特征。我们不断从所有使用我们系统的设施收集随机样本，然后对其进行注释，将其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，并对我们的系统难以正确识别的材料进行有针对性的额外训练。

一般来说，神经网络往往会学习错误的东西。奶牛的形象与牛奶包装有关，牛奶包装通常用纤维纸盒或高密度聚乙烯容器制成。但乳制品也可以用其他塑料包装。例如，单份牛奶瓶可能看起来像一加仑的高密度聚乙烯罐，但通常由水瓶中使用的不透明 PET（聚对苯二甲酸乙二醇酯）制成。换句话说，奶牛并不总是指纤维或高密度聚乙烯。

与此同时，还需要跟上消费品包装的不断变化。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，以确保准确对对象进行分类。

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非常出色——铝罐的准确率超过 98%——并且在区分颜色、不透明度和初次使用（识别那些食品级塑料）等细微差异方面也越来越好。

既然人工智能系统已经准备好处理可回收物品，情况将会发生怎样的变化？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应用很少。鉴于这个枯燥而肮脏的行业长期缺乏工人，自动化是一条值得走的路。

AI 还可以帮助我们了解现有的分拣流程目前运行得如何，以及我们可以如何改进它们。今天，我们对分拣设施的运行效率只有非常粗略的了解——我们在卡车进出时称重，我们在输出时称重，没有任何设施可以确切地告诉你产品的纯度，它们只能通过打开随机包装定期审核质量。然而，如果你将 AI 驱动的视觉系统放在分拣流程相关部分的输入和输出上，你就会全面了解哪些材料流向了哪里。这种级别的审查才刚刚开始在全球数百家设施中实施，它应该会提高回收运营的效率。准确、一致地数字化可回收材料实时流动的能力也让人们更好地了解哪些可回收物正在回收，哪些目前没有回收，然后找出差距，使设施能够整体改善其回收系统。