Нейросеть научили сортировать пластик
В Новосибирской области нет централизованного раздельного сбора мусора, встречаются только контейнеры частных компаний, но зачастую в них попадают даже органические отходы. «В основном наша лаборатория занимается исследованиями потоков жидкости и газа с применением оптических методов в разных конфигурациях, а также современных алгоритмов обработки данных и изображений.
Несколько лет назад стало очень популярно использовать машинное обучение и нейросети. Мы поняли, что с их помощью можно анализировать, например, распределение интенсивности свечения пламени для определения режимов горения, поля скорости или изображения объектов, таких как мусор. С этой точки зрения инструментарий достаточно универсален, его можно применять в различных задачах», — рассказывает младший научный сотрудник лаборатории физических основ энергетических технологий ИТ СО РАН Леонид Михайлович Чикишев.
По заказу группы компаний «Тайгер-Сибирь», занимающейся раздельным сбором ТКО (стекла, алюминия, ПЭТ), ученые собрали экспериментальный образец сортировщика пластика. Партнер заинтересован в снижении влияния человеческого фактора, потому что сегодня сортировка производится вручную. Работает установка так: по ленте циркулируют отходы, а робот с пневматическим захватом, исходя из того, что определяет система на основе изображений с камер, берет и складывает нужный тип мусора в отдельные емкости. Для того чтобы обучить систему, содержимое баков для пластика и стекла прогоняли на конвейере установки и формировали базу данных. «Потребовалось много данных. Речь идет о десятках тысяч изображений. Наш алгоритм может распознавать различные отходы: пластик бытовой и от автомобильных масел, банки и так далее.
Следующий этап — взаимодействие системы распознавания с управляющими и исполнительными механизмами. В нашем случае это дельта-робот (робот, состоящий из трех рычагов, прикрепленных посредством карданных шарниров к основанию). Он использует алгоритм принятия решений и собирает тот или иной вид мусора. Система достаточно гибкая, можно расставить приоритеты и задать, например, какой тип мусора обладает наибольшей ценностью. Сортировщик работает довольно быстро и может совершать несколько манипуляций в секунду. Точность определения составляет 95 %», — отмечает Леонид Чикишев.
Пока что это только опытный, а не промышленный образец, который был создан для того, чтобы продемонстрировать работоспособность технологии. После ввода в опытную эксплуатацию станут известны моменты, которые потребуют дальнейшей доработки. По словам сотрудника лаборатории, исполнительный механизм может быть любым: дельта-робота можно заменить, например, пневматической системой. Речь идет о том, чтобы продемонстрировать эффективность данного подхода. В зависимости от региона тип и состав мусора может меняться, и элементы оборудования можно подстраивать под разные нужды.
Система обучаема — это означает, что она подстраивается под конкретный морфологический состав, если через нее прогнать определенный тип мусора. «Когда мы задумывали этот проект, то закладывали очень большую гибкость, чтобы конструкция была масштабируемой и можно было применять несколько исполнительных механизмов в зависимости от необходимой производительности. Разница между научным прикладным проектом и финальным коммерческим продуктом колоссальна, но мы фактически продемонстрировали, что система работает», — говорит Леонид Михайлович.