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

Dividere la spazzatura è un compito che sembra semplice finché non si prova a farlo perfettamente. In molti luoghi, comprese parti dell'Egitto, questo lavoro ricade su famiglie umane che trascorrono ore a separare la plastica dalla carta, il metallo dal vetro e la materia organica da tutto il resto. È un lavoro lento, difficile e spesso porta alla perdita di materiali preziosi nel flusso generale dei rifiuti. Per risolvere questo problema, gli scienziati si sono rivolti a computer in grado di "vedere" e smistare automaticamente i rifiuti. Questi sistemi si basano su un tipo di intelligenza artificiale chiamata deep learning, che utilizza strati di elaborazione digitale per riconoscere modelli nelle immagini, proprio come il cervello umano impara a identificare un gatto o un'auto guardando molti esempi. Quando questi sistemi vengono combinati con macchine fisiche, promettono di gestire il lavoro noioso del riciclo con velocità e precisiono, potenzialmente risparmiando risorse e proteggendo l'ambiente.

Un team di ricercatori dell'American University in Cairo ha portato questo concetto un passo avanti, costruendo un prototipo funzionante di un cestino intelligente che fa molto di più che identificare semplicemente ciò che è un oggetto. Hanno creato un sistema che agisce come un attento guardiano, controllando la presenza di problemi specifici prima di decidere dove collocare un articolo. I ricercatori hanno scoperto che, scomponendo il compito di smistamento in quattro fasi distinte — controllare la presenza di liquidi, controllare se un oggetto è composto da più parti, decidere se può essere riciclato e, infine, identificare il materiale — potevano costruire una macchina capace di smistare i rifiuti con un'elevata precisione. Il loro lavoro, sviluppato in collaborazione con l'azienda alimentare Nestlé e l'organizzazione per la gestione dei rifiuti Dawar, ha dato vita a un contenitore fisico che ha smistato con successo rifiuti del mondo reale con un'accuratezza del 92,4 percento.

Il cuore della loro innovazione risiede nell'ordine delle operazioni. La maggior parte dei tentativi precedenti di smistamento automatizzato si concentrava solo sull'identificazione del materiale, come la plastica o la carta. Tuttavia, i ricercatori si sono resi conto che i rifiuti del mondo reale presentano spesso complicazioni che confondono i sistemi semplici. Ad esempio, una bottiglia di plastica con del soda residuo può rovinare un intero lotto di riciclo, e un bicchiere di caffè con un coperchio di plastica è in realtà composto da due materiali diversi attaccati insieme. Per gestire questo, il team ha progettato una pipeline sequenziale. Il primo passaggio consiste nel controllare se l'oggetto contiene liquidi. Se la telecamera rileva segni di liquido, la macchina si ferma e restituisce l'articolo all'utente, prevenendo la contaminazione. Il secondo passaggio controlla se l'oggetto è un elemento singolo o un mix di parti. Se un utente prova a gettare via un oggetto complesso con componenti multiple, la macchina lo segnala nuovamente per la separazione manuale. Solo gli articoli che superano questi due controlli di sicurezza procedono alle fasi successive, dove il computer decide se l'oggetto è riciclabile e, in caso affermativo, di quale materiale specifico è fatto.

Per insegnare queste abilità al computer, i ricercatori hanno addestrato quattro modelli separati di intelligenza artificiale, ognuno dedicato a un compito specifico. Hanno utilizzato una tecnica chiamata transfer learning, che permette a un computer di partire da conoscenze che già possiede su immagini generiche e poi perfezionare tale conoscenza per il compito specifico di analizzare i rifiuti. Per i compiti di rilevamento dei liquidi e l'identificazione di oggetti a più componenti, il team ha costruito i propri dataset personalizzati scattando migliaia di fotografie di rifiuti reali. Hanno testato questi modelli più volte per garantire la coerenza dei risultati, scoprendo che il sistema poteva rilevare i liquidi con un'accuratezza media di circa il 91 percento e identificare oggetti singoli rispetto a componenti multipli con un'accuratezza di circa il 96 percento. I modelli responsabili di decidere se qualcosa è riciclabile e di quale materiale sia fatto hanno performato ancora meglio, raggiungendo accuratezze rispettivamente del 96,8 percento e del 94,3 percento.

Una volta che il software era pronto, il team ha costruito un prototipo fisico per testare il sistema in un ambiente realistico. Il cestino è un involucro di legno con cinque scomparti interni per diversi tipi di rifiuti: organici riciclabili, carta, plastica, altri riciclabili e non riciclabili. All'interno, un braccio meccanico con un vassoio rotante funge da smistatore. Quando un utente inserisce un oggetto nel cestino, una telecamera cattura un'immagine e la pipeline software a quattro fasi la analizza. Se l'oggetto supera tutti i controlli, il software invia un comando al braccio meccanico, che ruota per posizionare il vassoio sopra il compartimento corretto e lascia cadere l'oggetto. L'intero processo avviene in un flusso continuo, progettato per imitare il modo in cui un essere umano ispeziona e smista i rifiuti, ma con la velocità e la costanza di una macchina.

I ricercatori hanno testato il loro sistema utilizzando una vasta collezione di immagini di rifiuti raccolte dalla comunità egiziana, fornite dal loro partner Dawar. Questo è stato un passaggio cruciale perché ha permesso loro di vedere come il sistema si comportasse con i rifiuti che le persone gettano realmente, piuttosto che con foto pulite e perfette utilizzate per l'addestramento. Il sistema integrato ha smistato correttamente questi articoli del mondo reale nei cinque contenitori designati il 92,4 percento delle volte. Questo risultato suggerisce che l'approccio di utilizzare controlli multipli e specializzati prima di prendere una decisione finale sia efficace. Tuttavia, i ricercatori hanno anche notato dei limiti. Il sistema si basa interamente sulla visione, quindi non può vedere il liquido all'interno di un contenitore opaco e sigillato, e le parti meccaniche non sono ancora state testate per la durata a lungo termine in un contesto pubblico affollato.

Nonostante queste sfide, il progetto dimostra una chiara strada da seguire per il riciclo automatizzato. Combinando l'intelligenza artificiale specializzata con un meccanismo di smistamento fisico, il team ha dimostrato che è possibile costruire una macchina che comprenda le sfumature dei rifiuti, come la contaminazione e i materiali misti, invece di limitarsi a indovinare in base alla forma o al colore. La collaborazione tra l'università, una grande azienda e un gruppo locale di gestione dei rifiuti ha fornito le risorse necessarie per passare dalle simulazioni al computer a un dispositivo funzionante. Sebbene il sistema non sia ancora perfetto e richieda ulteriori test per gestire l'intera varietà di rifiuti presenti nel mondo reale, offre uno sguardo promettente verso un futuro in cui il difficile lavoro di smistamento dei nostri rifiuti sarà gestito dalle macchine, lasciando agli esseri umani la libertà di concentrarsi su altre attività.