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

Afval sorteren is een taak die eenvoudig lijkt totdat je probeert het perfect te doen. Op veel plaatsen, waaronder delen van Egypte, valt het werk toe aan menselijke families die uren besteden aan het scheiden van plastic van papier, metaal van glas, en organisch materiaal van de rest. Het is traag, moeilijk en leidt vaak tot het verlies van waardevolle materialen in de algemene afvalstroom. Om dit op te lossen, hebben wetenschappers zich gericht op computers die afval automatisch kunnen "zien" en sorteren. Deze systemen vertrouwen op een type kunstmatige intelligentie genaamd deep learning, dat gebruikmaakt van lagen digitale verwerking om patronen in afbeeldingen te herkennen, vergelijkbaar met hoe het menselijk brein leert een kat of een auto te identificeren door naar veel voorbeelden te kijken. Wanneer deze systemen worden gecombineerd met fysieke machines, beloven ze het saaie werk van recycling met snelheid en precisie af te handelen, wat potentieel hulpbronnen kan besparen en het milieu kan beschermen.

Een team van onderzoekers aan de American University in Cairo heeft dit concept een stap verder gebracht door een werkend prototype van een slimme afvalbak te bouwen die meer doet dan alleen identificeren wat een object is. Ze creëerden een systeem dat fungeert als een zorgvuldige poortwachter, die controleert op specifieke problemen voordat het beslist waar een item thuishoort. De onderzoekers ontdekten dat door de sorteertaak op te splitsen in vier afzonderlijke stappen—het controleren op vloeistof, het controleren of een item uit meerdere onderdelen bestaat, beslissen of het gerecycled kan worden, en tot slot het identificeren van het materiaal—ze een machine konden bouwen die afval met een hoge nauwkeurigheid sorteert. Hun werk, ontwikkeld in samenwerking met het voedingsbedrijf Nestlé en de afvalverwerkingsorganisatie Dawar, resulteerde in een fysieke bak die succesvol echt afval sorteerde met een nauwkeurigheid van 92,4 procent.

De kern van hun innovatie ligt in de volgorde van de handelingen. De meeste eerdere pogingen tot geautomatiseerd sorteren richtten zich alleen op het identificeren van het materiaal, zoals plastic of papier. De onderzoekers realiseerden zich echter dat afval in de echte wereld vaak gepaard gaat met complicaties die eenvoudige systemen in verwarring brengen. Zo kan een plastic fles met overgebleven frisdrank een hele partij recycling verpesten, en een koffiebeker met een plastic deksel is eigenlijk twee verschillende materialen die aan elkaar zitten. Om dit aan te pakken, ontwierp het team een sequentiële pijplijn. De eerste stap is het controleren of het item vloeistof bevat. Als de camera tekenen van vloeistof ziet, stopt de machine en geeft het item terug aan de gebruiker, om contaminatie te voorkomen. De tweede stap controleert of het item een enkel object is of een mix van onderdelen. Als een gebruiker een complex item met meerdere componenten probeert weg te gooien, markeert de machine dit opnieuw voor handmatige scheiding. Alleen items die deze twee veiligheidscontroles passeren, gaan door naar de volgende fasen, waar de computer beslist of het item recyclebaar is en, indien dat het geval is, van welk specifiek materiaal het gemaakt is.

Om de computer deze vaardigheden aan te leren, trainden de onderzoekers vier afzonderlijke kunstmatige intelligentiemodellen, elk toegewijd aan één specifieke taak. Ze gebruikten een techniek genaamd transfer learning, waardoor een computer kan beginnen met kennis die hij al heeft over algemene afbeeldingen en die kennis vervolgens kan verfijnen voor de specifieke taak van het bekijken van afval. Voor de taken van het detecteren van vloeistof en het identificeren van objecten met meerdere componenten, bouwde het team hun eigen aangepaste datasets door duizenden foto's van echt afval te maken. Ze testten deze modellen meerdere keren om te verzekeren dat de resultaten consistent waren, waarbij ze ontdekten dat het systeem vloeistof kon detecteren met een gemiddelde nauwkeurigheid van ongeveer 91 procent en het onderscheid tussen enkelvoudige en meervoudige componenten kon identificeren met een nauwkeurigheid van ongeveer 96 procent. De modellen die verantwoordelijk waren voor het beslissen of iets recyclebaar is en van welk materiaal het gemaakt is, presteerden nog beter, met nauwkeurigheden van respectievelijk 96,8 procent en 94,3 procent.

Zodra de software klaar was, bouwde het team een fysiek prototype om het systeem in een realistische omgeving te testen. De bak is een houten behuizing met vijf interne compartimenten voor verschillende soorten afval: organische recyclebaren, papier, plastic, andere recyclebaren en niet-recyclebaren. Binnenin fungeert een mechanische arm met een draaiende tray als de sorteerder. Wanneer een gebruiker een item in de bak plaatst, legt een camera een afbeelding vast, waarna de vierstaps softwarepijplijn het analyseert. Als het item alle controles passeert, stuurt de software een commando naar de mechanische arm, die draait om de tray boven het juiste compartiment te positioneren en het item erin laat vallen. Het hele proces vindt plaats in een continue stroom, ontworpen om te imiteren hoe een mens afval inspecteert en sorteert, maar dan met de snelheid en consistentie van een machine.

De onderzoekers testten hun systeem met een grote collectie afvalafbeeldingen die verzameld waren uit de Egyptische gemeenschap, geleverd door hun partner Dawar. Dit was een cruciale stap omdat het hen in staat stelde te zien hoe het systeem presteerde op afval dat eruitzag als wat mensen daadwerkelijk weggooien, in plaats van alleen maar schone, perfecte foto's die gebruikt worden voor training. Het geïntegreerde systeem sorteerde deze real-world items correct in de vijf aangewezen bakken in 92,4 procent van de gevallen. Dit resultaat suggereert dat de aanpak van het gebruik van meerdere, gespecialiseerde controles vóór het nemen van een definitieve beslissing effectief is. De onderzoekers merkten echter ook beperkingen op. Het systeem vertrouwt volledig op visie, dus het kan geen vloeistof zien in een verzegelde, ondoorzichtige container, en de mechanische onderdelen zijn nog niet getest op langetermijnhoudbaarheid in een drukke publieke omgeving.

Ondanks deze uitdagingen toont dit project een duidelijke weg voorwaarts voor geautomatiseerde recycling. Door gespecialiseerde kunstmatige intelligentie te combineren met een fysiek sorteermechanisme, hebben de onderzoekers aangetoond dat het mogelijk is om een machine te bouwen die de nuances van afval begrijpt, zoals contaminatie en gemengde materialen, in plaats van alleen te gokken op basis van vorm of kleur. De samenwerking tussen de universiteit, een groot bedrijf en een lokale afvalverwerkingsgroep leverde de nodige middelen om van computersimulaties naar een werkend apparaat te gaan. Hoewel het systeem nog niet perfect is en verdere tests vereist om de volledige variëteit aan afval in de echte wereld aan te kunnen, biedt het een veelbelovend vooruitzicht op een toekomst waarin het moeilijke werk van het sorteren van ons afval wordt afgehandeld door machines, waardoor mensen vrij zijn om zich op andere taken te concentreren.