Talloze landen wereldwijd kampen momenteel met grote problemen op het gebied van afvalinzameling, vooral in stedelijke gebieden, vanwege de grote hoeveelheid afval die dagelijks door de bevolking wordt geproduceerd. Technologie kan een belangrijke rol spelen bij het aanpakken van deze problemen, bijvoorbeeld, door de ontwikkeling van effectievere instrumenten om afval te verzamelen en in te zamelen.

Met dit in gedachten, onderzoekers van het Vishwakarma Government Engineering College in India hebben onlangs een goedkoop en effectief systeem ontwikkeld voor het automatisch detecteren en verzamelen van afval. hun systeem, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, gebruikt kunstmatige intelligentie (AI) algoritmen om afval in de omgeving te detecteren en te lokaliseren, pakt het vervolgens op met een robotgrijper.

"Contemporane methoden vinden het moeilijk om de hoeveelheid vast afval te beheren die wordt gegenereerd door de groeiende stedelijke bevolking, " schreven de onderzoekers in hun paper. "We stellen een systeem voor dat zeer hygiënisch en goedkoop is en dat AI-algoritmen gebruikt om het afval te detecteren."

Het afvalbeheersysteem, die de onderzoekers AGDC (automatische afvaldetectie en -verzameling) noemen, bestaat uit een robotlichaam (d.w.z. een basis, een robotarm en een lade) en verschillende machine learning-algoritmen. Het systeem maakt gebruik van convolutionele neurale netwerken (CNN's) om afval op de grond en in de omgeving te detecteren. Zodra het een stuk afval detecteert, het berekent zijn positie door beelden te analyseren die zijn verzameld door een geïntegreerde camera.

"Objectdetectie verwijst naar het identificeren van objecten van een bepaalde klasse (zoals flessen, kat, hond of vrachtwagen) in afbeeldingen en video's in digitaal formaat, " legden de onderzoekers uit. "AGDC gebruikt objectdetectie om het afval te classificeren met de rest van de objecten in de afbeelding / video. Het objectdetectie-algoritme stelt AGDC in staat om plaatsen in de afbeelding of video te identificeren waar het object van belang (d.w.z. afval) rust."

Zodra de CNN's van het systeem een ​​stuk afval in de buurt detecteren, een ander algoritme schat de afstand tussen de robot en het afval, terwijl hij ook instructies genereert voor de robot om de doellocatie te bereiken. De positie van het puin en deze instructies worden vervolgens naar een microcontroller gevoerd, die in wezen de bewegingen van de robot bestuurt.

"Na het voltooien van de taak van objectdetectie, de volgende taak is om de afstand van het object tot de basis van de robotarm te bepalen, die nodig is om de robotarm in staat te stellen het afval op te ruimen, ', leggen de onderzoekers uit.

Zodra de microcontroller informatie ontvangt over waar een stuk afval zich bevindt, het beweegt de robot naar die locatie. Wanneer de robot eindelijk het afval bereikt dat door de CNN's is gedetecteerd, het gebruikt een robotarm om het te verzamelen en laat het in een container (d.w.z. lade) vallen die aan zijn lichaam is bevestigd.

"Het ontwerp van de vuilnisbak kan in drie grote delen worden opgesplitst:basis, robotarm en lade, " schreven de onderzoekers. "De basis drijft de robot naar de vuilnis, de robotarm verzamelt het afval en de lade slaat het afval op dat door de robotarm is verzameld."

De onderzoekers hebben al een prototype van hun afvaldetectiesysteem ontwikkeld, die momenteel tot 100-200 g afval kan verzamelen. In hun toekomstige werk, ze zijn van plan om dit prototype uit te breiden, zodat hij twee tot drie kilo afval kan verzamelen voordat hij de lade leegt.

In aanvulling, het team denkt aan het ontwikkelen en trainen van een nieuw CNN-model waarmee AGDC meerdere stukken afval tegelijk kan detecteren. Eventueel, het verbinden van de robot met internet kan ook grootschaligere implementaties mogelijk maken, bijvoorbeeld, het creëren van een geautomatiseerd netwerk van systemen die samenwerken om efficiënt afval in specifieke gebieden in te zamelen.

© 2019 Wetenschap X Netwerk