From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

فرز النفايات مهمة تبدو بسيطة حتى تحاول القيام بها بشكل مثالي. في أماكن كثيرة، بما في ذلك أجزاء من مصر، يقع هذا العمل على عاتق عائلات بشرية تقضي ساعات في فصل البلاستيك عن الورق، والمعدن عن الزجاج، والمواد العضوية عن كل شيء آخر. إنها عملية بطيئة وصعبة، وغالبًا ما تؤدي إلى ضياع مواد قيمة في مجرى النفايات العامة. ولحل هذه المشكلة، لجأ العلماء إلى أجهزة كمبيوتر يمكنها "رؤية" وفرز النفايات تلقائيًا. تعتمد هذه الأنظمة على نوع من الذكاء الاصطناعي يسمى "التعلم العميق"، والذي يستخدم طبقات من المعالجة الرقمية للتعرف على الأنماط في الصور، تمامًا كما يتعلم العقل البشري تحديد القطة أو السيارة من خلال النظر إلى العديد من الأمثلة. وعندما تُدمج هذه الأنظمة مع آلات مادية، فإنها تعد بالتعامل مع العمل الممل لإعادة التدوير بالسرعة والدقة، مما قد يوفر الموارد ويحمي البيئة.

لقد ذهب فريق من الباحثين في الجامعة الأمريكية بالقاهرة بهذه الفكرة خطوة أبعد عبر بناء نموذج أولي يعمل لحاوية نفايات ذكية تفعل أكثر من مجرد تحديد ماهية الشيء. لقد أنشأوا نظامًا يعمل كحارس بوابة دقيق، يتحقق من مشكلات محددة قبل اتخاذ قرار بشأن المكان الذي ينتمي إليه العنصر. وجد الباحثون أنه من خلال تقسيم مهمة الفرز إلى أربع خطوات متميزة — التحقق من وجود سائل، والتحقق مما إذا كان العنصر مكونًا من أجزاء متعددة، وتحديد ما إذا كان يمكن إعادة تدويره، وأخيرًا تحديد المادة — استطاعوا بناء آلة تفرز النفايات بدقة عالية. وقد أسفر عملهم، الذي تم تطويره بالشراكة مع شركة الأغذبة نستله ومنظمة إدارة النفايات "دوار"، عن حاوية مادية نجحت في فرز نفايات حقيقية بدقة بلغت 92.4 بالمائة.

يكمن جوهر ابتكارهم في ترتيب العمليات. ركزت معظم المحاولات السابقة للفرز الآلي فقط على تحديد المادة، مثل البلاستيك أو الورق. ومع ذلك، أدرك الباحثون أن النفايات في العالم الحقيقي غالبًا ما تأتي مع تعقيدات تربك الأنظمة البسيطة. فعلى سبيل المثال، يمكن لزجاجة بلاستيكية بها بقايا صودا أن تفسد دفعة كاملة من المواد المعاد تدويرها، وكوب القهوة ذو الغطاء البلاستيكي هو في الواقع مادتان مختلفتان ملتصقتان معًا. وللتعامل مع ذلك، صمم الفريق مسارًا تسلسليًا. الخطوة الأولى هي التحقق مما إذا كان العنصر يحتوي على سائل؛ فإذا رأت الكاميرا علامات وجود سائل، تتوقف الآلة وتعيد العنصر إلى المستخدم، مما يمنع التلوث. والخطوة الثانية تتحقق مما إذا كان العنصر جسمًا واحدًا أم مزيجًا من الأجزاء. وإذا حاول مستخدم التخلص من عنصر معقد يحتوي على مكونات متعددة، تقوم الآلة مرة أخرى بتمييزه للفصل اليدوي. فقط العناصر التي تجتاز هاتين الخطوتين من الفحص الأمني تنتقل إلى المراحل التالية، حيث يقرر الكمبيوتر ما إذا كان العنصر قابلًا لإعادة التدوير، وإذا كان كذلك، فما هي المادة المحددة التي صنع منها.

لتعليم الكمبيوتر هذه المهارات، درب الباحثون أربعة نماذج منفصلة من الذكاء الاصطناعي، كل منها مخصص لمهمة محددة. استخدموا تقنية تسمى "التعلم بنقل الخبرة" (transfer learning)، والتي تسمح للكمبيوتر بالبدء بمعرفة يمتلكها بالفعل عن الصور العامة ثم صقل تلك المعرفة للمهمة المحددة المتمثلة في فحص النفايات. وللمهام المتعلقة بالكشف عن السوائل وتحديد العناصر متعددة المكونات، قام الفريق ببناء مجموعات بيانات مخصصة عبر التقاط آلاف الصور لنفايات حقيقية. واختبروا هذه النماذج عدة مرات لضمان اتساق النتائج، ووجدوا أن النظام يمكنه اكتشاف السائل بمتوسط دقة يبلغ حوالي 91 بالمائة، وتحديد العناصر المفردة مقابل المتعددة بدقة تبلغ حوالي 96 بالمائة. أما النماذج المسؤولة عن تحديد ما إذا كان الشيء قابلًا لإعادة التدوير وما هي المادة المصنوع منها، فقد حققت أداءً أفضل، حيث وصلت دقتها إلى 96.8 بالمائة و94.3 بالمائة على التوالي.

بمجرد أن أصبح البرنامج جاهزًا، بنى الفريق نموذجًا أوليًا ماديًا لاختبار النظام في بيئة واقعية. الحاوية عبارة عن هيكل خشبي يحتوي على خمس مقصورات داخلية لأنواع مختلفة من النفايات: المواد العضوية القابلة لإعادة التدوير، والورق، والبلاستيك، والمواد الأخرى القابلة لإعادة التدوح، والمواد غير القابلة لإعادة التدوير. وفي الداخل، يعمل ذراع ميكانيكي مع صينية دوارة كأداة للفرز. عندما يضع المستخدم عنصرًا في الحاوية، تلتقط الكاميرا صورة، ويقوم مسار البرامج المكون من أربع خطوات بتحليلها. إذا اجتاز العنصر جميع الفحوصات، يرسل البرنامج أمرًا إلى الذراع الميكانيكي، الذي يدور ليضع الصينية فوق المقصورة الصحيحة ثم يسقط العنصر فيها. وتحدث العملية بأكملها في تدفق مستمر، مصممة لمحاكاة كيفية فحص وفرز النفايات من قبل الإنسان، ولكن بسرعة وثبات الآلة.

اختبر الباحثون نظامهم باستخدام مجموعة كبيرة من صور النفايات التي تم جمعها من المجتمع المصري، والتي وفرتها شريكتهم "دوار". كانت هذه خطوة حاسمة لأنها سمحت لهم برؤية كيفية أداء النظام على نفايات تشبه ما يلقيه الناس بالفعل، بدلاً من مجرد صور نظيفة ومثالية تُستخدم للتدريب. قام النظام المتكامل بفرز هذه العناصر من العالم الحقيقي بشكل صحيح في الحاويات الخمس المخصصة بنسبة 92.4 بالمائة من الوقت. تشير هذه النتيجة إلى أن نهج استخدام فحوصات متعددة ومتخصصة قبل اتخاذ القرار النهائي هو نهج فعال. ومع ذلك، لاحظ الباحثون أيضًا بعض القيود؛ فالنظام يعتمد كليًا على الرؤية، لذا لا يمكنه رؤية السائل داخل حاوية معتمة ومغلقة، كما أن الأجزـاء الميكانيكية لم تُختبر بعد من حيث المتانة على المدى الطويل في بيئة عامة مزدحمة.

على الرغم من هذه التحديات، يوضح المشروع مسارًا واضحًا نحو إعادة التدوير الآلي. فمن خلال الجمع بين الذكاء الاصطناعي المتخصص وآلية الفرز المادية، أثبت الفريق أنه من الممكن بناء آلة تفهم تفاصيل النفايات، مثل التلوث والمواد المختلطة، بدلاً من مجرد التخمين بناءً على الشكل أو اللون. لقد وفر التعاون بين الجامعة وشركة كبرى ومجموعة محلية لإدارة النفايات الموارد اللازمة للانتقال من عمليات المحاكاة الحاسوبية إلى جهاز عامل. وبينما لا يزال النظام غير مثالي ويتطلب المزيد من الاختبار للتعامل مع التنوع الكامل للنفايات الموجودة في العالم الحقيقي، إلا أنه يقدم لمحة واعدة عن مستقبل يتم فيه التعامل مع العمل الشاق لفرز نفاياتنا بواسطة الآلات، مما يترك البشر أحرارًا للتركيز على مهام أخرى.