Reducción de residuos con Machine Learning
Reducción de residuos con Machine Learning
¿Alguna vez ha estado confundido acerca de cómo presentar sus impuestos? ¿Perplejo al armar muebles? ¿No estás seguro de cómo entender a tu pareja? Resulta que muchos de nosotros encontramos el acto de reciclar como más confuso que todo lo anterior . Como resultado, hacemos un mal trabajo al reciclar correctamente, con menos del 10 % de nuestros recursos globales reciclados, y tirando 1 de cada 5 artículos (~17 %) en un contenedor de reciclaje que no debería estar allí. Esas son malas noticias para todos: las instalaciones de reciclaje se incendian , perdemos miles de millones de dólares en material reciclable cada año y, a nivel existencial, perdemos la oportunidad de aprovechar el reciclaje como una herramienta impactante para combatir el cambio climático .. Con este contexto en mente, nos preguntamos: ¿cómo podemos usar el poder de la tecnología para asegurarnos de reciclar más y reciclar correctamente?
A medida que la población mundial crece y se urbaniza, se estima que la producción de desechos alcanzará los 2600 millones de toneladas al año en 2030 , un aumento con respecto a su nivel actual de alrededor de 2100 millones de toneladas. Las estrategias de reciclaje eficientes son fundamentales para fomentar un futuro sostenible.
Las instalaciones donde se procesan nuestros residuos y materiales reciclables se denominan “Instalaciones de Recuperación de Materiales” ( MRF ). Cada MRF procesa decenas de miles de libras de nuestros «residuos» sociales todos los días, separando materiales reciclables valiosos como metales y plásticos de materiales no reciclables. Una ineficiencia clave dentro del proceso actual de captura y clasificación de desechos es la incapacidad de identificar y segregar los desechos en flujos de materiales de alta calidad. La precisión de la clasificación determina directamente la calidad del material reciclado; para un reciclaje comercialmente viable y de alta calidad, los niveles de contaminación deben ser bajos. Aunque los MRF utilizan varias tecnologías junto con el trabajo manual para separar los materiales en flujos distintos y limpios, la naturaleza excepcionalmente desordenada y contaminada del flujo de desechos hace que la detección automatizada de desechos sea un desafío, y las tasas de reciclaje y los márgenes de beneficio se mantienen en niveles indeseablemente bajos. .
Ingrese a lo que llamamos «CircularNet», un conjunto de modelos que reduce las barreras a la tecnología AI/ML para la identificación de desechos y todos los beneficios que puede ofrecer este nuevo nivel de transparencia.
Nuestro objetivo con CircularNet es desarrollar un modelo sólido y eficiente en datos para la detección de residuos/reciclables, que pueda respaldar la forma en que identificamos, clasificamos, gestionamos y reciclamos materiales en todo el ecosistema de gestión de residuos. Modelos como este podrían ayudar potencialmente con:
Comprender mejor y capturar más valor de las cadenas de valor del reciclaje
Aumentar el desvío de materiales a los vertederos
Identificar y reducir la contaminación en flujos de materiales entrantes y salientes
Desafíos
Al procesar decenas de miles de libras de material todos los días, los flujos de desechos de las instalaciones de recuperación de materiales presentan un desafío único y en constante cambio: un flujo de materiales complejo, desordenado y diverso en un momento dado. Además, hay una falta de conjuntos de datos de imágenes de desechos completos y fácilmente accesibles para entrenar y evaluar modelos ML.
Los modelos deben ser capaces de identificar con precisión diferentes tipos de desechos en las condiciones del «mundo real» de un MRF, lo que significa identificar elementos a pesar de la acumulación y las oclusiones severas, la alta variabilidad de las formas y texturas de los objetos en primer plano y la deformación severa de los objetos.
Además de estos desafíos, otros que deben abordarse son la diversidad visual de los objetos de primer plano y de fondo que a menudo están gravemente deformados y las diferencias de grano fino entre las clases de objetos (por ejemplo , papel marrón frente a cartón , o plástico blando frente a plástico rígido ). .
También debe haber consistencia en el seguimiento de los materiales reciclables a lo largo de la cadena de valor del reciclaje, por ejemplo, en el punto de eliminación, dentro de los contenedores de reciclaje y los camiones de transporte, y dentro de las instalaciones de recuperación de materiales.
Solución
El modelo CircularNet está diseñado para realizar la segmentación de instancias entrenando en miles de imágenes con el algoritmo Mask R-CNN . Mask R-CNN se implementó desde TensorFlow Model Garden , que es un repositorio que consta de múltiples modelos y soluciones de modelado para usuarios de Tensorflow.
Al colaborar con expertos en la industria del reciclaje, desarrollamos una taxonomía personalizada y aplicable a nivel mundial de tipos de materiales (p. ej., «papel», «metal», «plástico», etc.) y formas de materiales (p. ej., «bolsa», «botella», “can”, etc.), que se utiliza para anotar datos de entrenamiento para el modelo. Se desarrollaron modelos para identificar tipos de materiales, formas de materiales y tipos de plástico (HDPE, PETE, etc.). Se entrenaron modelos únicos para diferentes propósitos, lo que ayudó a lograr una mayor precisión (cuando se armonizaron y flexibilidad para adaptarse a diferentes aplicaciones). Los modelos están entrenados con varias redes troncales como ResNet, MobileNet y SpineNet.
Para entrenar el modelo en distintos desechos y elementos reciclables, hemos colaborado con varios MRF y hemos comenzado a acumular imágenes del mundo real. Planeamos continuar aumentando el número y las ubicaciones geográficas de nuestras asociaciones de ecosistemas de gestión de desechos y MRF para continuar capacitando el modelo en diversos flujos de desechos.
Aquí hay algunos detalles sobre cómo se entrenó nuestro modelo.
- Importación, limpieza y preprocesamiento de datos
- Una vez recopilados los datos, los archivos de anotación debían convertirse al formato COCO JSON. Todo el ruido, los errores y las etiquetas incorrectas se eliminaron del archivo COCO JSON. Las imágenes corruptas también se eliminaron tanto del COCO JSON como del conjunto de datos para garantizar un entrenamiento fluido.
- El archivo final se convierte al formato TFRecord para un entrenamiento más rápido
- Capacitación
- Mask RCNN se entrenó usando el repositorio Model Garden en Google Cloud Platform .
La optimización de hiperparámetros se realizó cambiando el tamaño de la imagen, el tamaño del lote, la tasa de aprendizaje, los pasos de entrenamiento, las épocas y los pasos de aumento de datos. - Conversión de modelo
Los puntos de control finales logrados después de entrenar el modelo se convirtieron a los formatos de modelo guardado y modelo TFLite para admitir implementaciones del lado del servidor y del lado del borde. - Despliegue del modelo
Estamos implementando el modelo en Google Cloud para la inferencia del lado del servidor y en los dispositivos informáticos de borde.
Visualización
Nuestro objetivo con CircularNet es desarrollar un modelo sólido y eficiente en datos para la detección de residuos/reciclables, que pueda respaldar la forma en que identificamos, clasificamos, gestionamos y reciclamos materiales en todo el ecosistema de gestión de residuos.
Cómo usar el modelo CircularNet
Todos los modelos están disponibles con guías y sus respectivos scripts de colab para preprocesamiento, entrenamiento, conversión de modelos, inferencia y visualización están disponibles en el repositorio de Tensorflow Model Garden . Los modelos preentrenados para uso directo desde servidores, navegadores o dispositivos móviles están disponibles en TensorFlow Hub .
Conclusión
Esperamos que el modelo pueda ser implementado, manipulado y mejorado por varias partes interesadas en todo el ecosistema de gestión de residuos. Estamos en los primeros días del desarrollo del modelo. Al colaborar con un conjunto diverso de partes interesadas a lo largo de la cadena de valor de recuperación de materiales, podemos crear mejor un modelo de aplicación más global. Si está interesado en colaborar con nosotros en este viaje, comuníquese con waste-innovation-external@google.com.
Reconocimiento
¡Muchas gracias a todos los que con su arduo trabajo hicieron posible este proyecto! No podríamos haber hecho esto sin asociarnos con el ecosistema de reciclaje.
Un agradecimiento especial a Mark McDonald, Fan Yang, Vighnesh Birodkar y Jeff Rechtman
