مجله هوش مصنوعی شهاب
یکی از بزرگترین مشکلاتی که در جهان کنونی با آن روبرو هستیم مدیریت پسماند و زباله است. با نگاهی به آمارهای موجود پیش بینی می شود حجم زباله های تولید شده در جهان تا سال ۲۰۵۰ به ۳٫۴۰ میلیارد تن برسد. بسیاری از کشورها در حال حاضر به دنبال این هستند که چگونه این مقدار از زباله ها را بازیافت کنند. یکی از چالش برانگیزترین جنبه های مدیریت هر شهر یا جامعه ای، مدیریت پسماند حاصل از کالاهای مصرف شده توسط مصرف کنندگان کالاها، مشاغل و بخش دولتی است.
این حجم از زباله هر ساله شامل ۲۳۰ میلیون تن زباله و مواد دور ریختنی می باشد. در حالی که تلاشهای بخصوصی برای کاهش استفاده از بخشی از مواد های به کار رفته در بسته بندی کالاها درنهایت ممکن است میزان زباله های تولید شده را به مرور زمان کاهش دهد، همه جوامع تولید زباله را ادامه داده و ادامه خواهند داد. زباله به عنوان ترکیبی از مواد قابل بازیافت ، موادی که برای دفن زباله ها تعیین شده اند و موادی که باید با توجه به محتویات آنها به دقت دفع شوند تعریف شده است.
مدیریت این ضایعات از قدیم الایام از طریق یک فرآیند دستی انجام میشده است اما هوش مصنوعی (AI) در برخی جوامع برای کاهش نیروی انسانی مورد نیاز برای این کار و در نتیجه کاهش هزینه های مربوط به مدیریت و فرآوری زباله ها در حال استفاده است. با ترکیب انواع فن آوری ها، از جمله یادگیری ماشین (ML) ، یادگیری عمیق (DL) و دید رایانه ای ، تعدادی راه حل ارائه شده است که به احتمال زیاد باعث بهبود کارایی و بهره وری در مدیریت پسماند می شوند.
طبقه بندی زباله ها
یکی از راه های استفاده از هوش مصنوعی ، آموزش ربات های مرتب سازی زباله است که می توانند در محل دفن زباله ها استفاده شوند. به جای نیاز به مرتب سازی زباله ها توسط کارگران، این ربات ها با استفاده از الگوریتم های یادگیری ماشین برای شناسایی و پردازش زباله ها بر اساس نوع زباله ها آموزش می بینند. این الگوریتم ها بر اساس تصاویری از انواع ضایعات مختلف به ربات ها آموزش داده می شوند. با استفاده از دید رایانه ای، روبات ها می توانند زباله ها را مشابه همان روشی که انسان ها زباله ها را با یکدیگر مقایسه می کنند، بر اساس ویژگی های خاص مرتب کنند. از همه مهم تر، ماشین ها با گذشت زمان به یادگیری خود ادامه می دهند و از انسان کارآمد بیشتری نسبت به انسان بدست می آورند.
به عنوان مثال ، SamurAI ، یک نوآوری رباتیک توسعه یافته توسط Machinex که در کنفرانس Waste Expo 2018 نمایش داده شد، می تواند از هوش مصنوعی برای شناسایی مواد قابل بازیافت مانند کارتن، بطری های پلاستیکی و ظروف استفاده کند. سپس این روبات از یک محفظه مکش برای برداشتن آن زباله استفاده کرده و آن را درون سطل متناسب با جنس آن زباله قرار می دهد. طبق گفته این شرکت، SamurAI می تواند در هر دقیقه حداکثر ۷۰ زباله را برداشته و در زباله دان مناسب قرار دهد، مقداری دو برابر بیشتر از آن چیزی که انسانها میتوانند بردارند.
طبق گفته این شرکت، SamurAI می تواند در هر دقیقه حداکثر ۷۰ زباله را برداشته و در زباله دان مناسب قرار دهد، مقداری دو برابر بیشتر از آن چیزی که انسانها میتوانند بردارند. این فناوری میتواند کار دو نفر نیروی انسانی را انجام دهد و شرکت را قادر می سازد تا حدود ۱۳۰،۰۰۰ دلار در سال پس انداز کند.
سطل های زباله هوشمند
سطل های زباله هوشمند به سنسورهای دید رایانه ای مجهز شده اند تا بتوانند نوع زباله هایی که به داخل آن ها انداخته میشود را شناسایی کنند. به عنوان مثال ، سیستمی که توسط کمپانی Bine.e ساخته شده است از الگوریتم های یادگیری ماشین برای آموزش سیستم طراحی شده این کمپانی جهت شناسایی و طبقه بندی نوع زباله های دور ریخته شده در زباله ها استفاده می کند و پس از آن زباله ها را بر اساس نوع به سطل های متناسب با آن ها انداخته می شوند. به این ترتیب، همه مرتب سازی ها با دفع زباله انجام می شود و نیاز به مرتب سازی انبوهی از زباله ها در مرکز پردازش زباله از بین می رود.
علاوه بر این، سیستم می تواند وقتی پر شدن سطل زباله را تشخصی دهد و بدین وسیله باعث شود برنامه زمانبندی مجموعه بهینه شود. به جای ارسال کامیون های جمع آوری زباله طبق یک برنامه از پیش تعیین شده، هنگامی که سطل ها تا حدی که مشخص شده اند پر می شوند مسیرهای جمع آوری را می توان بهینه سازی کرد تا فقط به مکانهایی که سطل ها پر شده اند کامیون ارسال شود. چنین بهینه سازی باعث افزایش سرعت جمع آوری زباله، کاهش هزینه های نیروی انسانی و کاهش هزینه سوخت می شود.
طبقه بندی زباله
در حالت ایده آل، زباله ها مانند نمونه فوق در نقطه جمع آوری طبقه بندی می شوند. اما برخی از ضایعات توسط مصرف کننده قابل تفکیک نیستند و برای این کار از توسعه فناوری هوش مصنوعی برای انجام مرتب سازی زباله های دست پایین استفاده می شود. در سال ۲۰۱۹، TOMRA از فناوری GAIN خود که یک فناوری مرتب سازی مبتنی بر یادگیری عمیق است که برای انجام کارهای مرتبط با مرتب سازی دقیق و با توان بالا طراحی شده است. فناوری GAIN ازیادگیری عمیق برای از بین بردن کارتریج های سیلیکون PE از جریان پلی اتیلن (PE) با استفاده از اطلاعات دید رایانه ای استفاده می کند.
جداسازی سیلیکون از کارتریج ها برای اطمینان از خلوص جریان زباله مورد نیاز است. فن آوری GAIN از هزاران نوع تصویر از انواع زباله ها تغذیه می شود و سیستم یادگیری عمیق را برای یادگیری نحوه اتصال نورون های مصنوعی برای طبقه بندی اشیاء به کار می گیرد. بنابراین این فناوری می تواند با سرعت بیشتری انواع مختلف کارتریج های سیلیکون، کارتریج های دوتایی و حتی کارتریج های تغییر شکل داده یا جزئی تخریب شده را شناسایی کند بدون اینکه صریحاً روی تصاویر به تصویر کشیده شده از این اشیاء آموزش داده شده باشد. طبق گفته TOMRA ، سیستم GAIN با استفاده از دو سیستم به کار گرفته شده در یک توالی، توانسته است ۹۹٪ از کارتریج ها را بیرون کشیده است.
بهبود بهره وری و کاهش هزینه های نیروی انسانی
هدف کلی استفاده از هوش مصنوعی در مدیریت پسماند ها، رسیدگی به زباله در تمامی مراحل آن شامل : دفع در نقطه اولیه، هنگام جمع آوری زباله و در کارخانجات فرآوری زباله می باشد. با استفاده از یادگیری عمیق، یادگیری ماشین و فناوری دید رایانه ای می توان فرآیندهای جمع آوری و مدیریت پسماند را کارآمدتر و مؤثرتر کرد و هزینه های نیروی انسانی مورد نیاز برای انجام این کارها را کاهش داد. موارد اشاره شده از مدیریت پسماند فقط بخشی از استفاده از فناوری هوش مصنوعی است که به احتمال زیاد می تواند توانایی توسعه شهرهای هوشمند را تقویت کند.
بیشتر بخوانید:
- پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
- فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
- لبنان استفاده از پلاک خوان های خودکار را تایید کرد
- چالش های مدیریت کلاس با ابزار جدید تشخیص چهره هوش مصنوعی
- آیا می توان از دوربین های ترافیکی برای گرفتن رانندگان الکلی استفاده کرد؟
