前階段被垃圾分類的話題洗腦了,“你是什么垃圾”這樣的靈魂拷問據說已是網絡社交新話題。 “小龍蝦的干濕之分”、“扔一杯奶茶分四步走”或是戲謔,也是嚴謹的討論。既是段子也是真實《條例》。無論是居民還是企業都需要嚴肅認真的對待這個新挑戰。那么在這個領域,AI能夠做什么事情呢? 今天我們將探討一下國內外諸多垃圾分類解決方案/產品中AI的影子。 1. 垃圾分揀機器人 作為工業機器人領域的一個分支,在目前垃圾分類場景中,垃圾分揀機器人是相對成熟的,同時也是巨頭的戰場,主要由國外科技公司主導。 像是著名的芬蘭機器人ZenRobotics Recycler、英國的Green Recycling,美國也有“MAX-AI”。產品設計上來說,基本上大同小異,都由幾個類似模塊組成:垃圾初步過濾模塊;垃圾掃描模塊;垃圾快速識別模塊;揀選機械臂模塊;分類后垃圾傳輸模塊。 下圖為芬蘭ZenRobotics Recycler識別模塊的界面:中間傳送履帶上都是各類垃圾,不同的顏色代表不同的垃圾,同時還有各個垃圾的輪廓,同時展示了機械臂實時狀態下的目標(PICKING APPROACH);這里混合了紅外圖像識別、自然光圖像識別、并且給出了輪廓和運動方向上的矢量數據。 直觀上看,至少用到了目標檢測算法(Object Dection),顯著性檢測算法(Saliency Dection),分類算法,目標跟蹤(Object Tracking)。在機器準確識別了垃圾的類別、形狀、移動速度,不同類別的垃圾,也可以讓高速精確的機械臂調整握力。作為芬蘭、乃至世界范圍內部署最早,可訓練的垃圾分揀機器人,以其對建筑垃圾高達98%的識別率,極大的提升了垃圾分揀效率。 圖:ZenRobotics操作界面 資料顯示,一個ZenRobotics機器手可以高精度分揀4種不同性質的垃圾碎片,有效分揀率可達98%,最高分揀速度3000次/小時,工作時間24小時/天。 然而,由于缺少前端的任何分類,國內的垃圾成分更復雜,ZenRobotics到了國內,也有些水土不服,但是其可訓練(trainable)的特性,讓其也能逐步本地化,針對中國垃圾特點進行軟件升級。 2. 智能垃圾桶 另外一個AI應用于垃圾分類的是智能垃圾桶。但是,這個領域魚龍混雜,已經出現的真正用的AI技術的智能垃圾桶并不多。國內廠商大多數還停留在增加各類外部組件(安卓屏、攝像頭、二維碼掃描)的階段。真正比較典型的利用AI技術產品化的嘗試有國外的TrashBot垃圾桶、基于Oscar AI垃圾分類系統的垃圾桶。 圖:TrashBot試驗機 圖:Oscar 智能垃圾桶商業版 這類產品都是使用相機和超聲波傳感器來實現目標對象的識別 。通過攝像頭抓拍物品,AI算法然后專注于辨別他們手中的物品,以非常高的準確度預測垃圾是哪個類型,并通過屏幕告訴用戶將其投入正確的垃圾箱。 據稱:Oscar通過數百萬張圖像和傳感器數據來快速訓練,即使拿著的香蕉已經變成褐色,仍然可識別成香蕉,并扔入正確的垃圾箱。 圖:Oscar效果展示 3. 智能垃圾車 如果垃圾箱更智能,分揀中心也更智能,那么很自然地就會希望轉運器(中間點)也更智能。這是創建人工智能智能廢物管理和處理車輛的幾個倡議背后的推動力,包括由南加州大學(USC)發起的智能物聯網集成聯盟——I3。 通過將垃圾車與全市范圍內的傳感器和攝像機系統連接起來,使垃圾車可獲知最可靠和最有效的路線,同時還能獲得進行進一步戰略行動所需的數據。I3未來在智能垃圾車上的應用包括給清掃隊的涂鴉加上標簽,以及檢測垃圾箱外的垃圾。 4. AI增強垃圾管理 100%有效的廢物管理是使我們更接近真正的循環經濟的一個基本因素,在這種經濟中,每一種資源的最大價值都得到提取,同時產生的廢物和長期生態影響也最小。在任何情況下,縮小當前回收和廢物處理工作與行業目標狀態之間的差距,都需要對每一個操作步驟所涉及的數據進行全面的概述,而人工智能正開始幫助我們實現這一目標。隨著對現有數據有了更深入的理解,廢物管理生態系統的每個部分的操作者都可以對我們如何處理各種形式的廢物做出正確的決定。 而作為一家專注于將人工智能賦能到各個行業、各個領域的科技公司,偶數科技核心AI平臺產品Littleboy對AI在垃圾分類、廢物利用領域也進行了探索,同時已經正式開展了通過圖像識別進行河道污染治理這類環保領域的工作。 利用河道現場照片數據訓練污染對象識別模型、圖片分類模型后,將河道監控視頻流接入LittelboyAI服務集群,進行實時監控,一旦發現河面有漂浮垃圾、樹葉枯枝聚集,立刻推送給城市監控系統,提升了河道漂浮物打撈效率。 (此文轉自技皆知) |