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

कचरे को छाँटना एक ऐसा कार्य है जो तब तक सरल लगता है जब तक आप इसे पूरी तरह से करने की कोशिश नहीं करते। मिस्र के कुछ हिस्सों सहित कई स्थानों पर, यह काम उन मानव परिवारों के कंधों पर आता है जो प्लास्टिक को कागज से, धातु को कांच से, और जैविक पदार्थ को बाकी सब चीजों से अलग करने में घंटों बिताते हैं। यह धीमा, कठिन है, और अक्सर इसके कारण मूल्यवान सामग्रियां सामान्य कचरे के प्रवाह में खो जाती हैं। इसे हल करने के लिए, वैज्ञानिकों ने ऐसे कंप्यूटरों की ओर रुख किया है जो कचरे को स्वचालित रूप से "देख" और छाँट सकते हैं। ये प्रणालियाँ 'डीप लर्निंग' नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) पर निर्भर करती हैं, जो छवियों में पैटर्न पहचानने के लिए डिजिटल प्रोसेसिंग की परतों का उपयोग करती है, ठीक वैसे ही जैसे मानव मस्तिष्क कई उदाहरणों को देखकर बिल्ली या कार को पहचानना सीखता है। जब इन प्रणालियों को भौतिक मशीनों के साथ जोड़ा जाता है, तो वे गति और सटीकता के साथ पुनर्चक्रण (रीसाइक्लिंग) के उबाऊ काम को संभालने का वादा करती हैं, जिससे संभावित रूप से संसाधनों को बचाया जा सकता है और पर्यावरण की रक्षा की जा सकती है।

अमेरिकन यूनिवर्सिटी इन काइरो के शोधकर्ताओं की एक टीम ने इस अवधारणा को एक कदम आगे ले जाकर एक स्मार्ट कचरा पात्र (बिन) का वर्किंग प्रोटोटाइप बनाया है जो केवल यह पहचानने से कहीं अधिक करता है कि कोई वस्तु क्या है। उन्होंने एक ऐसी प्रणाली बनाई है जो एक सतर्क द्वारपाल की तरह कार्य करती है, जो यह तय करने से पहले कि वस्तु कहाँ जानी चाहिए, विशिष्ट समस्याओं की जाँच करती है। शोधकर्ताओं ने पाया कि छँटाई के कार्य को चार अलग-अलग चरणों में विभाजित करके—तरल की जाँच करना, यह जाँच करना कि क्या कोई वस्तु कई हिस्सों से बनी है, यह तय करना कि क्या इसे पुनर्चक्रित किया जा सकता है, और अंत में सामग्री की पहचान करना—वे एक ऐसी मशीन बना सकते हैं जो उच्च सटीकता के साथ कचरे को छाँटती है। खाद्य कंपनी नेस्ले (Nestlé) और अपशिष्ट प्रबंधन संगठन दावर (Dawar) के साथ साझेदारी में विकसित उनके इस कार्य के परिणामस्वरूप एक भौतिक बिन तैयार हुआ जिसने 92.4 प्रतिशत की सटीकता के साथ वास्तविक दुनिया के कचरे को सफलतापूर्वक छाँटा।

इनकी नवीनता का मूल संचालन का क्रम (ऑर्डर ऑफ ऑपरेशंस) है। स्वचालित छँटाई के पिछले अधिकांश प्रयासों ने केवल सामग्री को पहचानने पर ध्यान केंद्रित किया था, जैसे कि प्लास्टिक या कागज। हालाँकि, शोधकर्ताओं ने महसूस किया कि वास्तविक दुनिया का कचरा अक्सर ऐसी जटिलताओं के साथ आता है जो सरल प्रणालियों को भ्रमित कर देती हैं। उदाहरण के लिए, बचे हुए सोडा वाली प्लास्टिक की बोतल पुनर्चक्रण के पूरे बैच को खराब कर सकती है, और प्लास्टिक के ढक्कन वाला कॉफी कप वास्तव में दो अलग-अलग सामग्रियां हैं जो आपस में जुड़ी हुई हैं। इसे संभालने के लिए, टीम ने एक क्रमिक पाइपलाइन (सीक्वेंशियल पाइपलाइन) डिजाइन की। पहला चरण यह जाँच करना है कि क्या वस्तु में तरल मौजूद है। यदि कैमरा तरल के संकेत देखता है, तो मशीन रुक जाती है और वस्तु को उपयोगकर्ता को वापस कर देती है, जिससे संदूषण (कंटैमिनेशन) को रोका जा सके। दूसरा चरण यह जाँचता है कि क्या वस्तु एक एकल वस्तु है या कई हिस्सों का मिश्रण है। यदि कोई उपयोगकर्ता कई घटकों वाली जटिल वस्तु फेंकने की कोशिश करता है, तो मशीन इसे फिर से मैन्युअल अलगाव के लिए चिह्नित कर देती है। केवल वे वस्तुएं जो इन दो सुरक्षा जाँचों को पास करती हैं, अगले चरणों में आगे बढ़ती हैं, जहाँ कंप्यूटर यह तय करता है कि क्या वस्तु पुनर्चक्रण योग्य है और यदि हाँ, तो वह किस विशिष्ट सामग्री से बनी है।

कंप्यूटर को ये कौशल सिखाने के लिए, शोधकर्ताओं ने चार अलग-अलग आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित किया, जिनमें से प्रत्येक एक विशिष्ट कार्य के लिए समर्पित है। उन्होंने 'ट्रांसफर लर्निंग' नामक एक तकनीक का उपयोग किया, जो कंप्यूटर को उस ज्ञान से शुरुआत करने की अनुमति देती है जो उसके पास सामान्य छवियों के बारे में पहले से है और फिर उस ज्ञान को कचरे को देखने के विशिष्ट कार्य के लिए सूक्ष्म रूप से परिष्कृत (फाइन-ट्यून) करने की अनुमति देती है। तरल का पता लगाने और बहु-घटक वस्तुओं की पहचान करने के कार्यों के लिए, टीम ने वास्तविक कचरे की हजारों तस्वीरें लेकर अपना स्वयं का कस्टम डेटासेट बनाया। उन्होंने इन मॉडलों का कई बार परीक्षण किया ताकि यह सुनिश्चित किया जा सके कि परिणाम सुसंगत हों, जिसमें उन्होंने पाया कि सिस्टम लगभग 91 प्रतिशत की औसत सटीकता के साथ तरल का पता लगा सकता है और एकल बनाम कई घटकों की पहचान लगभग 96 प्रतिशत की सटीकता के साथ कर सकता है। वे मॉडल जो यह निर्णय लेने के लिए जिम्मेदार थे कि कोई चीज़ पुनर्चक्रण योग्य है या नहीं और वह किस सामग्री से बनी है, उन्होंने और भी बेहतर प्रदर्शन किया, क्रमशः 96.8 प्रतिशत और 94.3 प्रतिशत की सटीकता प्राप्त की।

एक बार जब सॉफ्टवेयर तैयार हो गया, तो टीम ने वास्तविक सेटिंग में सिस्टम का परीक्षण करने के लिए एक भौतिक प्रोटोटाइप बनाया। बिन एक लकड़ी का ढांचा है जिसमें विभिन्न प्रकार के कचरे के लिए पांच आंतरिक कक्ष हैं: जैविक पुनर्चक्रण योग्य, कागज, प्लास्टिक, अन्य पुनर्चक्रण योग्य, और गैर-पुनर्चक्रण योग्य। इसके अंदर, एक घूमने वाली ट्रे के साथ एक यांत्रिक भुजा (मैकेनिकल आर्म) सॉर्टर के रूप में कार्य करती है। जब कोई उपयोगकर्ता बिन में कोई वस्तु रखता है, तो एक कैमरा छवि कैप्चर करता है, और चार-चरणीय सॉफ्टवेयर पाइपलाइन इसका विश्लेषण करती है। यदि वस्तु सभी जाँचों को पास कर लेती है, तो सॉफ्टवेयर यांत्रिक भुजा को एक कमांड भेजता है, जो सही कम्पार्टमेंट के ऊपर ट्रे को व्यवस्थित करने के लिए घूमती है और वस्तु को उसमें गिरा देती है। यह पूरी प्रक्रिया एक निरंतर प्रवाह में होती है, जिसे इस तरह डिज़ाइन किया गया है कि यह नकल करे कि एक मनुष्य कैसे कचरे का निरीक्षण और छँटाई करता है, लेकिन एक मशीन की गति और निरंतरता के साथ।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण कचरे के एक बड़े संग्रह का उपयोग करके किया जिसे दावर द्वारा प्रदान किया गया था, जो मिस्र के समुदाय से एकत्र किया गया था। यह एक महत्वपूर्ण कदम था क्योंकि इसने उन्हें यह देखने की अनुमति दी कि उनका सिस्टम उस कचरे पर कैसा प्रदर्शन करता है जो वास्तव में लोग फेंकते हैं, न कि केवल प्रशिक्षण के लिए उपयोग की जाने वाली साफ, आदर्श तस्वीरों पर। एकीकृत प्रणाली ने 92.4 प्रतिशत समय इन वास्तविक दुनिया की वस्तुओं को पांच निर्धारित बिनों में सही ढंग से छाँटा। यह परिणाम बताता है कि अंतिम निर्णय लेने से पहले कई विशिष्ट जाँचों का उपयोग करने का दृष्टिकोण प्रभावी है। हालाँकि, शोधकर्ताओं ने कुछ सीमाओं को भी नोट किया। सिस्टम पूरी तरह से दृष्टि (विज़न) पर निर्भर है, इसलिए यह एक सीलबंद, अपारदर्शी कंटेनर के अंदर तरल को नहीं देख सकता है, और यांत्रिक भागों का अभी तक व्यस्त सार्वजनिक सेटिंग में दीर्घकालिक स्थायित्व के लिए परीक्षण नहीं किया गया है।

इन चुनौतियों के बावजूद, यह परियोजना स्वचालित पुनर्चक्रण के लिए एक स्पष्ट मार्ग प्रदर्शित करती है। विशिष्ट आर्टिफिशियल इंटेलिजेंस को एक भौतिक छँटाई तंत्र के साथ जोड़कर, टीम ने दिखाया है कि यह संभव है कि एक ऐसी मशीन बनाई जाए जो कचरे की बारीकियों को समझती हो, जैसे कि संदूषण और मिश्रित सामग्रियां, न कि केवल आकार या रंग के आधार पर अनुमान लगाती हो। विश्वविद्यालय, एक प्रमुख निगम और एक स्थानीय अपशिष्ट प्रबंधन समूह के बीच सहयोग ने कंप्यूटर सिमुलेशन से एक वर्किंग डिवाइस तक पहुँचने के लिए आवश्यक संसाधन प्रदान किए। जबकि यह सिस्टम अभी भी पूर्ण नहीं है और वास्तविक दुनिया में पाए जाने वाले कचरे की पूरी विविधता को संभालने के लिए और अधिक परीक्षण की आवश्यकता है, यह एक ऐसे भविष्य की आशाजनक झलक देता है जहाँ हमारे कचरे को छाँटने का कठिन काम मशीनों द्वारा संभाला जाएगा, जिससे मनुष्य अन्य कार्यों पर ध्यान केंद्रित करने के लिए स्वतंत्र हो सकेंगे।