Отрасль переработки отходов в настоящее время сталкивается с многочисленными вызовами. Одна из ключевых проблем заключается в тяжелых условиях труда: работа на перерабатывающих заводах требует значительных физических усилий и высокой выносливости, при этом сотрудники вынуждены выполнять рутинные задачи вручную.
Второй важной проблемой является отсутствие устойчивой культуры сортировки отходов в нашей стране. Многие не осознают значимость раздельного сбора мусора, что приводит к недостатку качественного вторичного сырья для переработки, поэтому приходится сортировать ТКО на объектах обращения с отходами.
Кроме того, несмотря на предпринимаемые усилия, эффективность ручного труда в сортировке отходов остается на низком уровне. Работники сталкиваются с огромными объемами поступающего мусора, и, как результат, лишь около 8% от общей массы отходов удается отсортировать как вторичные материальные ресурсы (ВМР), что не соответствует современным стандартам утилизации и переработки.
Для решения этих проблем необходимо активно внедрять технологии автоматизации процессов сортировки и переработки. В соответствии с Указом Президента, к 2030 году в России уровень захоронения отходов должен быть снижен до 50% от годового накопления, при этом все отходы должны проходить обработку (сортировку).
Отрасль переработки отходов испытывает серьезный дефицит кадров, что соответственно приводит к росту фонда оплаты труда. Это, в свою очередь, влечет за собой повышение тарифов на обращение с отходами. Увеличение тарифов становится причиной общественных обращений и снижает рентабельность бизнеса.
В текущих условиях складывается уникальная ситуация, открывающая новые возможности для повышения эффективности предприятий в России. Дорожающая рабочая сила, нехватка квалифицированных кадров и отсутствие возможности привлекать иностранные решения ставят под угрозу традиционные подходы.
Эта ситуация создает идеальные условия для формирования команд, занимающихся разработкой средств автоматизации и роботизации. В этом заключается большой потенциал для улучшения эффективности, в том числе в области обращения с твердыми коммунальными отходами (ТКО). Например, системы, отслеживающие уровень заполнения контейнеров, интеллектуальные логистические решения для оптимизации маршрутов вывоза мусора, а также системы диспетчеризации и учета труда водителей и сотрудников пунктов приема отходов могут значительно повысить эффективность работы.
Для успешной сортировки вторичных материальных ресурсов (ВМР) самым эффективным решением становится применение оптических сепараторов, это наиболее перспективный способ сокращения операционных расходов при обращении с отходами на предприятиях. Система аналитики и сортировки отходов полностью опирается на данные, полученные с камер и сенсоров. С помощью анализа изображений система понимает, находится ли перед камерой мусор, какой класс отходов проезжает по конвейеру, нужно ли отсортировать или пропустить фракцию. Детекция и классификация объектов на изображении - задача, с которой очень хорошо справляются алгоритмы компьютерного зрения.
Движущийся по конвейерной ленте поток ТКО проходит через оптическую систему, что позволяет идентифицировать и рассчитать следующие параметры: класс мусора, вес, размер, объем, стоимость ценных фракций. Затем принимается решение в соответствии с классом объекта о том, что это ВМР и его нужно отсортировать, что успешно происходит на пересыпе потока отходов. Специальный пневмоблок, установленный под конвейерной лентой, оснащенный форсунками, отбрасывает выбранный объект на другой конвейер, тем самым разделяя потоки на отходы на захоронение и ВМР для последующих операций.
Использование подобной системы позволит увеличить объем отсортированных ВМР, тем самым оптимизировав производственные процессы на предприятиях отрасли обращения с ТКО и ВМР.
Командой EKSLi разработано промышленное оборудование, оснащенное системой оптического распознавания ценных фракций, их формы, цвета, категорий, веса и объема.
С помощью сортировки потока можно будет решить или повысить эффективность следующих задач:
На сортировочных комплексах:
- замена ручной проверки качества сортировки (морфологический анализ);
- повышение эффективности аналитики морфологии потока ТКО;
- использование предприятием данных о фракции из списка РОП (расширенная ответственность поставщика);
- распознавание вторичных материальных ресурсов (далее - ВМР) (пластик, алюминий, бумага, битое стекло).
Используемые подходы:
1. Подбор архитектур сверточных нейронных сетей.
2. Обучение ML-алгоритма:
a. Наряду с классическими аугментациями (сдвиг цветов, перемешивание каналов, добавление шумов и искажений), разработаны аугментации, направленные на решение поставленной задачи. Среди таких подходов можно выделить следующие: разработка симуляции загрязнения камеры, аугментация геометрическими нелинейными деформациями, аугментация семантическими объектами, аугментация методом CutMix.
b. Наряду с данными при обучении важную роль играют метрики качества и функции потерь. Учитывая специфику производства, разработана функция потерь с использованием фокальной функции адаптированной под задачу детектирования объектов, что позволяет получать высокие результаты детекции даже при несбалансированных данных. Также подбираются проблемно-ориентированные метрики качества для максимизации качества результата с точки зрения экономики производства. При этом используются такие показатели, как mAP, F1.
c. Экспериментальное исследование максимально достижимого уровня качества классификации ТБО на ленте.
d. Для верификации качества работы размещение камер на различных участках ленты. Это позволяет независимо оценивать ТКО и находить несоответствия работы алгоритма, применяемого для каждой камеры. Такие проверки позволяют повысить стабильность распознавания и снизить число ошибок первого и второго рода.
e. Автоматизация процесса обучения. Важным аспектом любой интеллектуальной системы является степень ее автономности. Используются следующие открытые компоненты: Docker, Nvidia-docker, kubernetes, ansible, gitlab-ci, dvc, cml.
3. Для обеспечения максимальной производительности решения должна быть разработана собственная система конвертации модели и ее оптимизации, использующая такие подходы, как квантизация, прореживание и дистилляция.
4. Для обеспечения высокого качества распознающей системы необходимо рассмотреть сценарий одновременного анализа потока объектов в разных точках одной и той же ленты. Это позволит существенно улучшить оценку качества системы технического зрения, поскольку откроет возможность для оценки стабильности системы распознавания, постановке и слепому контролю задачи реидентификации, несинтетической аугментации данных (что особенно ценно ввиду возможного изменения их относительного положения на ленте).
Автоматизация процессов в отрасли переработки отходов превращается в не просто важный аспект, а в критически важное условие для выживания предприятий. Внедрение технологий компьютерного зрения и оптических сепараторов значительно повысит качество сортировки, улучшит эффективность работы и сократит затраты. Только инновационные подходы помогут компаниям полностью адаптироваться к современным требованиям рынка и потребительским ожиданиям.