مدیریت هوشمند ضایعات آهن با استفاده از هوش مصنوعی

استفاده از هوش مصنوعی در جلوگیری از دفن زباله های پلاستیکی

زباله های پلاستیکی محل های دفن زباله و اقیانوس ها را پر می کنند ؟ آیا هوش مصنوعی راه حل این مشکل برای خریدار ضایعات آهن است؟

AMP Robotics در حال توسعه ، اولین راه حل اتوماسیون مبتنی بر هوش مصنوعی در نوع خود برای شناسایی و پردازش فیلم و بسته بندی انعطاف پذیر در تأسیسات بازیابی مواد است. شرکت AMP Robotics Corp  مستقر در دنور ، تولید کننده سیستم های روباتیک پیشرفته برای بازیابی مواد خام و قابل بازیافت برای زنجیره تامین جهانی است. “AMP” در نام شرکت مخفف عبارت Autonomous Manipulation and Perception است. همانطور که از نام آن پیداست، AMP از هوش مصنوعی (AI) و سیستم‌های بینایی برای خودکارسازی مرتب‌سازی، شناسایی و پردازش جریان‌های زباله، از جمله مواد زباله قابل بازیافت در تأسیسات بازیابی مواد (MRFs) استفاده می‌کند.

در 19 اکتبر 2022، AMP اعلام کرد که در حال توسعه یک راه حل اتوماسیون مبتنی بر هوش مصنوعی برای شناسایی و بازیابی فیلم و بسته بندی انعطاف پذیر در MRF است. پیش از انتشار راه حل Vortex AMP با آماده شدن شرکت و شرکای آن برای استقرار و عرضه کامل تولید تا سال 2023 آغاز شده است.

بازیافت خیلی کم

در مطالعه ای که در سال جاری توسط وزارت انرژی ایالات متحده (DOE) منتشر شد، گزارش شده است که 44 میلیون تن زباله پلاستیکی در سال 2019 در ایالات متحده دور ریخته شده است که تنها 5٪ از این زباله ها توسط خریدار ضایعات بازیافت شده، 9٪ برای تولید برق سوزانده شده است. و 86 درصد به محل دفن زباله فرستاده شد. گزارشی از The Last Beach Clean Up and Beyond Plastics نتایج مشابهی را با نرخ بازیافت 5 تا 6 درصد برای زباله های پلاستیکی پس از مصرف ثبت کرد. نه تنها این آمار تکان دهنده که صحنه هایی از ویرانی های زیست محیطی را تداعی می کند ; مانند خفه شدن پرندگان دریایی در زباله های پلاستیکی یا لاک پشت های گرفتار شده در قوطی آبجو پلاستیکی . این آمارها نیاز به زیرساخت های بازیافت دقیق تر و کارآمدتر را برطرف می کند.

به گفته AMP، MRF ها با چندین مشکل مرتبط با شناسایی و پردازش فیلم و بسته بندی انعطاف پذیر مواجه هستند. حدود 2 تا 3 درصد از فیلم در جریان های MRF می تواند در تجهیزات گیر کند و به راحتی حذف نمی شود. این می تواند منجر به خرابی ناخواسته شود و بازیابی مواد قابل بازیافت را مختل کند. بسته بندی فیلم و انعطاف پذیر همچنین می تواند خطوط دیگر در MRFها از جمله خطوط فیبر را آلوده کند که خلوص عدل فیبر را کاهش می دهد. این می تواند باعث از دست دادن درآمد و هزینه های بیشتر برای پس از پردازش اضافی در پایین دست شود.

AMP Vortex ، یک راه حل بازیافت؟

AMP در حال کار بر روی پر کردن شکاف در زیرساخت مورد نیاز برای شناسایی و مرتب‌سازی فیلم و بسته‌بندی انعطاف‌پذیر است. راه حل Vortex AMP برای هدف قرار دادن آلودگی فیلم و کنترل کیفیت روی خطوط فیبر طراحی شده است. پس از شناسایی و دسته بندی، بسته بندی فیلم و انعطاف پذیر توپی شده و فروخته می شود.

پردازش مجدد فیلم و مواد منعطف به مواد خام پیچیده و پرهزینه است، به همین دلیل به نظر می رسد بازارهای نهایی کمی هستند. با راه حل Vortex AMP، این شرکت قصد دارد به جلوگیری از ورود زباله های پلاستیکی به محل های دفن زباله کمک کند و در عین حال استفاده مجدد از فیلم ها و مواد انعطاف پذیر و توسعه بازارهای نهایی را تشویق کند. با همسویی با قوانین جدید و اهداف پایداری، برندهای بزرگ گام‌هایی برای گنجاندن مواد بازیافتی بیشتری در بسته‌بندی خود برمی‌دارند و رزین بازیافتی پس از مصرف در بسته‌بندی‌های پلاستیکی و محصولات رایج‌تر می‌شود.

هوش مصنوعی و پردازش تصویر

اگرچه AMP هیچ جزئیات خاصی از عملکرد داخلی راه حل Vortex مبتنی بر هوش مصنوعی خود را نشان نمی دهد، ما می توانیم از طریق سایر محصولات AMP بینشی در مورد عملکرد چنین فناوری کسب کنیم. AMP’s Neuron پلتفرم مبتنی بر هوش مصنوعی آن است که از دید کامپیوتری برای شناسایی مواد قابل بازیافت خاص در جریان‌های زباله استفاده می‌کند. این پلتفرم می تواند بین انواع مختلف کاغذ، ظروف فلزی، اشکال مختلف پلاستیک و موارد دیگر تمایز قائل شود.

هوش مصنوعی بر پایه ادغام الگوریتم‌های پیچیده ساخته شده است که رایانه‌ها را قادر می‌سازد تا مهارت‌ها را از طریق تجربه و تکرار وظایف در شرایط دنیای واقعی بیاموزند. AMP Neuron از هوش مصنوعی و پردازش تصویر (شامل دیجیتالی کردن پیکسل ها به داده ها) برای طبقه بندی و مشخص کردن مواد قابل بازیافت مختلف استفاده می کند. یادگیری ماشینی (ML) همچنین Neuron را قادر می‌سازد تا طبقه‌بندی مواد قابل بازیافت و قابلیت‌های مشخصه‌بندی خود را بهبود بخشد تا به نوبه خود، عملکرد را افزایش دهد.

طبقه بندی زباله ها

یکی از راه های استفاده از هوش مصنوعی ، آموزش ربات های مرتب سازی زباله است که می توانند در محل دفن زباله ها استفاده شوند. به جای نیاز به مرتب سازی زباله ها توسط کارگران، این ربات ها با استفاده از الگوریتم های یادگیری ماشین برای شناسایی و پردازش زباله ها بر اساس نوع زباله ها آموزش می بینند. این الگوریتم ها بر اساس تصاویری از انواع ضایعات مختلف به ربات ها آموزش داده می شوند. با استفاده از دید رایانه ای، روبات ها می توانند زباله ها را مشابه همان روشی که انسان ها زباله ها را با یکدیگر مقایسه می کنند، بر اساس ویژگی های خاص مرتب کنند. از همه مهم تر، ماشین ها با گذشت زمان به یادگیری خود ادامه می دهند و از انسان کارآمد بیشتری نسبت به انسان بدست می آورند.

به عنوان مثال ، SamurAI ، یک نوآوری رباتیک توسعه یافته توسط که در کنفرانس Waste Expo 2018 نمایش داده شد، می تواند از هوش مصنوعی برای شناسایی مواد قابل بازیافت مانند کارتن، بطری های پلاستیکی و ظروف استفاده کند. سپس این روبات از یک محفظه مکش برای برداشتن آن زباله استفاده کرده و آن را درون سطل متناسب با جنس آن زباله قرار می دهد. طبق گفته این شرکت، SamurAI می تواند در هر دقیقه حداکثر ۷۰ زباله را برداشته و در زباله دان مناسب قرار دهد، مقداری دو برابر بیشتر از آن چیزی که انسانها میتوانند بردارند.

طبق گفته این شرکت، SamurAI می تواند در هر دقیقه حداکثر ۷۰ زباله را برداشته و در زباله دان مناسب قرار دهد، مقداری دو برابر بیشتر از آن چیزی که انسانها میتوانند بردارند. این فناوری میتواند کار دو نفر نیروی انسانی را انجام دهد و شرکت را قادر می سازد تا حدود ۱۳۰،۰۰۰ دلار در سال پس انداز کند.

مدیریت پسماند ها و زباله های شهری به کمک فناوری هوش مصنوعی

یکی از بزرگترین مشکلاتی که در جهان کنونی با آن روبرو هستیم مدیریت پسماند و زباله است. با نگاهی به آمارهای موجود پیش بینی می شود حجم زباله های تولید شده در جهان تا سال ۲۰۵۰ به ۳٫۴۰ میلیارد تن برسد. بسیاری از کشورها در حال حاضر به دنبال این هستند که چگونه این مقدار از زباله ها را بازیافت کنند. یکی از چالش برانگیزترین جنبه های مدیریت هر شهر یا جامعه ای، مدیریت پسماند حاصل از کالاهای مصرف شده توسط مصرف کنندگان کالاها، مشاغل و بخش دولتی است.

این حجم از زباله هر ساله شامل ۲۳۰ میلیون تن زباله و مواد دور ریختنی می باشد. در حالی که تلاشهای بخصوصی برای کاهش استفاده از بخشی از مواد های به کار رفته در بسته بندی کالاها درنهایت ممکن است میزان زباله های تولید شده را به مرور زمان کاهش دهد، همه جوامع تولید زباله را ادامه داده و ادامه خواهند داد. زباله به عنوان ترکیبی از مواد قابل بازیافت ، موادی که برای دفن زباله ها تعیین شده اند و موادی که باید با توجه به محتویات آنها به دقت دفع شوند تعریف شده است.

مدیریت این ضایعات از قدیم الایام از طریق یک فرآیند دستی انجام میشده است اما هوش مصنوعی  (AI) در برخی جوامع برای کاهش نیروی انسانی مورد نیاز برای این کار و در نتیجه کاهش هزینه های مربوط به مدیریت و فرآوری زباله ها در حال استفاده است. با ترکیب انواع فن آوری ها، از جمله یادگیری ماشین (ML) ، یادگیری عمیق  (DL) و دید رایانه ای ، تعدادی راه حل ارائه شده است که به احتمال زیاد باعث بهبود کارایی و بهره وری در مدیریت پسماند می شوند.

سطل های زباله هوشمند

سطل های زباله هوشمند به سنسورهای دید رایانه ای مجهز شده اند تا بتوانند نوع زباله هایی که به داخل آن ها انداخته میشود را شناسایی کنند. به عنوان مثال ، سیستمی که توسط کمپانی ساخته شده است از الگوریتم های یادگیری ماشین برای آموزش سیستم طراحی شده این کمپانی جهت شناسایی و طبقه بندی نوع زباله های دور ریخته شده در زباله ها استفاده می کند و پس از آن زباله ها را بر اساس نوع به سطل های متناسب با آن ها انداخته می شوند. به این ترتیب، همه مرتب سازی ها با دفع زباله انجام می شود و نیاز به مرتب سازی انبوهی از زباله ها در مرکز پردازش زباله از بین می رود.

علاوه بر این، سیستم می تواند وقتی پر شدن سطل زباله را تشخصی دهد و بدین وسیله باعث شود برنامه زمانبندی مجموعه بهینه شود. به جای ارسال کامیون های جمع آوری زباله طبق یک برنامه از پیش تعیین شده، هنگامی که سطل ها تا حدی که مشخص شده اند پر می شوند مسیرهای جمع آوری را می توان بهینه سازی کرد تا فقط به مکانهایی که سطل ها پر شده اند کامیون ارسال شود. چنین بهینه سازی باعث افزایش سرعت جمع آوری زباله، کاهش هزینه های نیروی انسانی و کاهش هزینه سوخت می شود.

طبقه بندی زباله

در حالت ایده آل، زباله ها مانند نمونه فوق در نقطه جمع آوری طبقه بندی می شوند. اما برخی از ضایعات توسط مصرف کننده قابل تفکیک نیستند و برای این کار از توسعه فناوری هوش مصنوعی برای انجام مرتب سازی زباله های دست پایین استفاده می شود. در سال ۲۰۱۹، از فناوری GAIN خود که یک فناوری مرتب سازی مبتنی بر یادگیری عمیق است که برای انجام کارهای مرتبط با مرتب سازی دقیق و با توان بالا طراحی شده است. فناوری GAIN ازیادگیری عمیق برای از بین بردن کارتریج های سیلیکون PE از جریان پلی اتیلن  (PE) با استفاده از اطلاعات دید رایانه ای استفاده می کند.

جداسازی سیلیکون از کارتریج ها برای اطمینان از خلوص جریان زباله مورد نیاز است. فن آوری GAIN از هزاران نوع تصویر از انواع زباله ها تغذیه می شود و سیستم یادگیری عمیق را برای یادگیری نحوه اتصال نورون های مصنوعی برای طبقه بندی اشیاء به کار می گیرد. بنابراین این فناوری می تواند با سرعت بیشتری انواع مختلف کارتریج های سیلیکون، کارتریج های دوتایی و حتی کارتریج های تغییر شکل داده یا جزئی تخریب شده را شناسایی کند بدون اینکه صریحاً روی تصاویر به تصویر کشیده شده از این اشیاء آموزش داده شده باشد. طبق گفته TOMRA ، سیستم GAIN با استفاده از دو سیستم به کار گرفته شده در یک توالی، توانسته است ۹۹٪ از کارتریج ها را بیرون کشیده است.

بهبود بهره وری و کاهش هزینه های نیروی انسانی

هدف کلی استفاده از هوش مصنوعی در مدیریت پسماند ها، رسیدگی به زباله در تمامی مراحل آن شامل : دفع در نقطه اولیه، هنگام جمع آوری زباله و در کارخانجات فرآوری زباله می باشد. با استفاده از یادگیری عمیق، یادگیری ماشین و فناوری دید رایانه ای می توان فرآیندهای جمع آوری و مدیریت پسماند را کارآمدتر و مؤثرتر کرد و هزینه های نیروی انسانی مورد نیاز برای انجام این کارها را کاهش داد. موارد اشاره شده از مدیریت پسماند فقط بخشی از استفاده از فناوری هوش مصنوعی است که به احتمال زیاد می تواند توانایی توسعه شهرهای هوشمند را تقویت کند.