Подпишись

Машинное обучение быстро улучшает сортировку отходов

Люди строили машины для разделения отходов на различные потоки различной ценности, требующие различных процессов в течение десятилетий.

Машинное обучение быстро улучшает сортировку отходов

До недавнего времени нам не удавалось сделать это достаточно хорошо, чтобы оправдать инвестиции. Вместо этого миллионы людей во всем мире вручную сортируют мусор, иногда с соблюдением стандартов безопасности на рабочих местах в развитых странах, а иногда просто живя на мусорных свалках в развивающихся странах.

Автоматизацию процесса разделения отходов

В 1850-х годах в Лондоне, когда население составляло примерно 3 миллиона, тысяча старьевщиков собирали кости и тряпки, чтобы найти достаточно ценных вещей, позволявших им платить за жилье и еду.

В 1988 году, по оценкам Всемирного банка, 1-2% населения мира проводили большую часть своей жизни, собирая отходы. Из 209 миллионов граждан Бразилии 250 000 являются сборщиками мусора на полную ставку. Многие из этих людей живут в бедности и работают в крайне небезопасных условиях.

В этом контексте Китай был глобальным пунктом назначения отходов развитых стран. Страна принимала контейнеры с отходами, сортировала их миллионами рук и превращала потоки отходов в переработанный пластик и тому подобное, которые они отправляли обратно в качестве новых продуктов. Но в 2017 и 2018 годах Китай прекратил принимать 56 видов твердых отходов, заявив, что они слишком плохо сортируются.

Глобальная индустрия переработки требует более высокого качества сырья, прежде чем она будет использовать переработанные товары, и в развитом мире, где производится большая часть отходов, экономика не поддерживает мотивированных, умных работников, производящих высококачественные сортировочные потоки. В результате границы закрываются.

Выходом из этой ситуации является введение роботов и машинного обучения, в частности, AMP Robotics из Колорадо. Там, где автоматические сортировочные машины выходили из строя, особенно с отходами с наибольшей ценностью, AMP добивается успеха.

Машинное обучение быстро улучшает сортировку отходов

Недавно компания получила еще один раунд финансирования от инвесторов, таких как Sequoia и отделение Alphabet, Sidewalk Infrastructure Partners, в результате чего ее общее финансирование приблизилось к 20 миллионам долларов за почти пятилетнюю историю.

Что еще более важно, компания устанавливает роботов сортировки отходов. Совсем недавно она установила 14 систем на заводе по переработке во Флориде, чтобы добавить их к уже установленным в Калифорнии, Колорадо, Индиане, Миннесоте, Нью-Йорке, Пенсильвании, Техасе, Вирджинии и Висконсине.

Текущий уровень качества и скорости вдвое выше и гораздо более высокая точность, чем у людей-сортировщиков. И им не нужны кофе или перерывы на обед. Экономика дополняет автоматизацию процесса разделения отходов.

Так как они это делают? Ну машинное обучение конечно. Компания подтвердила, что для идентификации использует классические роботизированные методы управления механическими руками и машинное обучение. Машинное обучение начинает приобретать контроль, но подавляющее большинство робототехники и автономно работающих движущихся вещей управляются с помощью предписывающего кода.

Приступая к машинному обучению, выявляется цели для роботизированных рук, определяются, какие элементы потока отходов необходимо выбрать. Это было ключевое место, где машинное обучение росло как на дрожжах. Как указывалось ранее, современный уровень идентификации в машинном обучении в 2012 году позволил приблизительно на 60% правильно идентифицировать собак и кошек, а в 2018 году можно обучить систему за несколько минут, которая достигает 96% точности идентификации конкретных пород собак и кошек.

Многое из этого связано с работой трех лидеров в этой области, которые недавно разделили премию Тьюринга в размере 1 млн. долл., Йошуа Бенжио, Джеффри Хинтон и Янн ЛеКун. Они разделили свое время между научными кругами и ведущими компаниями, такими как Google и Facebook. Они нашли способы создания иерархий идентификации внутри нейронных сетей, создавая решения, которые преобразовывали всю информацию более низкого уровня во все более и более полезные абстракции до тех пор, пока какие-либо изображения не могли быть введены в систему, которая уже понимает перья, углы и цвета для быстрого обучения.

Машинное обучение быстро улучшает сортировку отходов

AMP Robotics не использует RetinaNet, один из основных стеков многоразовых нейронных сетей, но разработал собственный эквивалент. Его технология улучшилась в ногу с остальной частью отрасли. Первоначально он контролировал 70% распознавания и чистоты, а в настоящее время он имеет 98% распознавания и 95% чистоты.

Это все еще не тот уровень, который сейчас необходим Китаю, поскольку его цель составляет 99,5%, что выходит далеко за рамки экономически жизнеспособных возможностей сортировки человеком, и в настоящее время также недостижимо для решения AMP. Но скачок с 70% до 95% показывает историю скорости продвижения.

В качестве одного примера, AMP плохо работает с электроникой и не может идентифицировать чипы SKU, автоматически выбирать дорогостоящие процессоры и компоненты, которые могут быть сразу же использованы повторно.

Машинное обучение - это технология, которая позволяет приобретаемому сегодня устройству работать более эффективно завтра.

Развитые страны больше не могут использовать развивающиеся в качестве своего полигона для захоронения отходов и установки для переработки. AMP Robotics находится на переднем крае систем, которые позволяют им более эффективно сортировать собственные отходы. Мы все еще далеки от уровня успеха Швеции, где менее 1% бытовых отходов попадает на свалки, но мы улучшаемся. опубликовано econet.ru по материалам cleantechnica.com

Подписывайтесь на наш youtube канал!

Подписывайтесь на наш канал Яндекс Дзен!

P.S. И помните, всего лишь изменяя свое потребление - мы вместе изменяем мир! © econet

Источник: https://econet.ua/

Понравилась статья? Напишите свое мнение в комментариях.
Подпишитесь на наш ФБ:
, чтобы видеть ЛУЧШИЕ материалы у себя в ленте!
Комментарии (Всего: 0)

    Добавить комментарий

    Если вы достаточно безумны, чтобы заниматься делом, которое любите - вы обречены прожить жизнь, полную смысла. Герберт Келлехер
    Что-то интересное