از 8.3 میلیارد تن زباله پلاستیکی تمیزی که هر ساله ایجاد می‌شود، علی‌رغم دهه‌ها تلاش برای کاهش مقداری که به محل‌های دفن زباله می‌رود، تنها حدود 9 درصد آن بازیافت می‌شود.
استارتاپ بینایی کامپیوتری مستقر در لندن Recycleye قصد دارد با سیستم مبتنی بر هوش مصنوعی خود برای شناسایی مواد زائد، به این اعداد بازیافت کمک کند.
Recycleye می‌گوید با خودکارسازی و سرعت بخشیدن به جابجایی مواد از طریق سیستم‌های مرتب‌سازی و شناسایی آنها با دقت بیشتر، می‌تواند ظرفیت شرکت‌های بازیافت را به میزان قابل توجهی افزایش دهد و در عین حال نرخ بازیافت کلی را افزایش دهد.
وعده های بسیار عالی از یک شرکت دو ساله که شروعی ضعیف داشت.
پیتر هدلی، مدیر ارشد فناوری در Recycleye که یکی از اعضای برنامه شتاب دهنده Inception NVIDIA برای استارت‌آپ‌های هوش مصنوعی است، می‌گوید: «بیرون رفتیم و زباله‌ها را از سطل‌ها جمع‌آوری کردیم، آنها را دوباره در گاراژم گذاشتیم و شروع به ساختن اولین اثبات مفهومی خود کردیم. .
زباله های یک نفر گنج دیگری است
هدلی و یکی از بنیانگذاران و مدیر عامل شرکت، ویکتور دی وولف، در طول کار در مقطع کارشناسی ارشد خود در کالج امپریال لندن، جایی که در حال کار بر روی استفاده از بینایی کامپیوتری برای جریان های زباله بودند، در مورد امکانات فناوری خود بحث کردند.
دیوولف در نهایت مقاله‌ای در این زمینه نوشت، از طرف دانشگاه و صنعت مورد توجه قرار گرفت و سپس شغل خود را به عنوان تحلیلگر در گلدمن ساکس رها کرد تا کار خود را در مقطع دکترا آغاز کند. تا بتواند ایده خود را کامل کند. چیز بعدی که هدلی می دانست، دیوولف از او خواست که در ظرف شیرجه بزند و این ایده را به یک محصول تجاری تبدیل کند.
با پشتیبانی از پذیرش در برنامه شتاب دهنده هوش مصنوعی مایکروسافت، آنها سرمایه اولیه 800000 پوندی (حدود 1.1 میلیون دلار) را دریافت می کنند و پس از آن 400000 پوند دیگر در سال 2020 کمک مالی دریافت می کنند.
تا پایان سال 2020، این استارت آپ در حال حاضر خود را با بهترین شرکت های مدیریت زباله در بریتانیا ثابت کرده است. آوریل گذشته، آنها با TotalEnergies رهبر انرژی و Valorplast پیشگام در بازیافت در پروژه OMNI، یکی از هفت پروژه برنده انتخاب شده توسط شرکت غیرانتفاعی پایداری فرانسوی Citeo، شریک شدند.
هوش مصنوعی برای بستن حلقه بازیافت
تا به امروز، نمی توان به طور موثر اشیایی را که حاوی غذا هستند از اشیاء دیگر تشخیص داد و جدا کرد. با این حال، یک گام مهم در بهبود نرخ بازیافت، بهینه سازی کیفیت مواد بازیافتی است که به تولیدکنندگان پلاستیک منتقل می شود.
مشارکت Recycleye با Valorplast و TotalEnergies بر روی استفاده از هوش مصنوعی برای شناسایی بسته‌بندی‌های پلاستیکی مواد غذایی و غیرغذایی به منظور افزایش بازیافت چرخشی این محصولات تمرکز دارد. حتی می تواند به توسعه برنامه های کاربردی جدید مانند بسته بندی مواد غذایی بهبود یافته کمک کند.
Recycleye همچنین با دانشگاه ها برای ایجاد WasteNet، یک پایگاه داده منبع باز که در حال حاضر بزرگترین مجموعه داده زباله در جهان است، با بیش از 2.5 میلیون تصویر آموزشی، همکاری کرده است.
Recycleye یک شریک NVIDIA Metropolis است که پیشنهاداتی را ارائه می دهد که پشته کامل Metropolis را برای استنتاج تجزیه و تحلیل ویدیویی یکپارچه می کند. تیم Recycleye از پلتفرم NVIDIA Jetson استفاده می‌کند و به ابزارهای یادگیری عمیق سریع مانند مدل‌های از پیش آموزش‌دیده، NVIDIA TAO Toolkit و NVIDIA DeepStream SDK پرداخته است.
با ابزارهای NVIDIA و مجموعه داده‌های آموزشی عظیم پشت آن، Recycleye زمان لازم برای استقرار مدل خود را از دو ماه به دو ساعت کاهش داد و در عین حال به دقت شناسایی آیتم فراتر از دید انسان دست یافت.
دستگاه های این شرکت در لبه شبکه کار می کنند و تمام محاسبات را به صورت محلی انجام می دهند، به شرطی که اتصال کافی به اینترنت وجود داشته باشد. مدل‌ها در فضای ابری، روی نمونه‌ای از مایکروسافت آژور مجهز به GPU آموزش داده می‌شوند و سپس در دستگاه‌های Recycleye در سایت‌های مشتریان مستقر می‌شوند.
الگوریتم ها به طور خودکار در دستگاه های مشتری در طول به روز رسانی نرم افزار به روز می شوند. سیستم ابری همچنین گزارش های داده را پردازش می کند و خلاصه داشبورد آن داده ها را در اختیار مشتری قرار می دهد.
به زودی: گسترش جهانی و روبات های بیشتر
Recycleye همچنین در حال توسعه ربات‌هایی است که توسط Recycleye Vision با همکاری FANUC، یکی از بزرگترین تولیدکنندگان رباتیک در جهان، طراحی شده‌اند. Headley که قبلاً Recycleye Vision و Recycleye Robotics را در اوایل سال جاری در بریتانیا و فرانسه نصب کرده بود، انتظار دارد شرکت‌های زباله بیشتری از این روند پیروی کنند تا مرتب‌سازی دستی خود را با روباتیک انجام دهند.
اما Recycleye اکنون با داشتن یک سیستم مقیاس‌پذیر که می‌تواند در سطح جهانی استقرار یابد، آرزوهای بزرگ‌تری دارد، و هدلی گفت که هرچه این شرکت بیشتر استقرار کند، فناوری آن بهتر خواهد شد.
هدلی می‌گوید: «وقتی دستگاهی را هم در انتهای خط و هم در ابتدای خط داریم، می‌توانیم ببینیم که اگر مقدار مواد بالا برود اما کیفیت پایین بیاید، چه اتفاقی می‌افتد. ما می‌توانیم بهینه‌سازی ماشین‌ها و پیکربندی را شروع کنیم و تصمیم‌گیری ماشین‌ها را شروع کنیم.»