2022 年 10 月 5 日 作者：Sujit Sanjeev (产品经理)，Robert Little (可持续性项目经理)，Umair Sabir (机器学习工程师)

你是否曾对如何报税感到困惑？在组装家具时感到迷茫？或者不确定该如何理解你的伴侣？事实证明还有更令人困惑的事情，许多人认为 “回收操作” 比上述所有事情都更令人困惑。目前我们在正确回收方面做得很差，全球资源只有不到 10% 被回收，每 5 个物品中就有 1 个 (约 17%) 被错误地扔进了回收箱。回收设施发生火灾，我们每年损失数十亿美元的可回收材料，这些对所有人来说都是坏消息。并且在更深层次上，我们错过了利用回收作为应对气候变化的重要工具的机会。了解了这些背景之后，我们问自己：我们如何利用技术的力量来确保我们能更多地回收且回收得更正确？

随着世界人口的增长和城市化，预计到 2030 年，废弃物产量将达到每年 2.6 亿吨，相比当前的 2.1 亿吨有所增加。有效的回收策略对于促进可持续未来至关重要。

我们的废弃物和可回收物被处理的设施被称为“物质回收设施”(MRF)。每个 MRF 每天处理我们社会的“废弃物”几万磅，将有价值的可回收材料 (如金属和塑料) 与不可回收的材料分开。当前废物捕获和分类过程中的一个 关键低效之处 是无法识别并将废物分成高质量的材料流。分类的准确性直接决定了回收材料的质量；对于高质量、商业上可行的回收，污染水平需要低。尽管 MRF 使用各种技术并配合人工劳动将材料分离成清晰且干净的流，但废弃物流的杂乱和污染程度使得自动化废弃物检测难以实现，回收率和利润率始终保持在令人不满意的低水平。

这就引入了我们所说的 “CircularNet”，这是一套降低垃圾识别的 AI/ML 技术门槛，并提供新水平透明度好处的模型。

我们使用 CircularNet 的目标是开发一个健壮且数据高效的废弃物/可回收物检测模型，该模型可以支持我们在废物管理生态系统中识别、分类、管理和回收材料。这样的模型可能会帮助：

更好地理解和获取更多的回收价值链价值
增加垃圾填埋物料的转移
识别和减少进出物料流中的污染

挑战

材料回收设施 MRF 每天处理几万磅物料，其废弃物流呈现出独特且不断变化的挑战：任何给定时刻都会有复杂的、杂乱的和多样化的物料流。此外，缺乏全面且易于获取的废弃物图像数据集来训练和评估 ML 模型。

这些模型应该能够准确地识别 MRF 的“实际环境”中的各种废弃物类型-这意味着尽管存在严重的混乱和遮挡、前景物体形状和纹理的高变异性以及严重的物体形变，也能识别出物品。

除了这些挑战外，还需要解决的问题包括前景和背景物体的视觉多样性，这些物体通常会严重变形，以及物体类别之间的细微差别 (例如，棕色纸张与硬纸板；或软塑料与硬塑料)。

在回收价值链中跟踪可回收物的过程也需要保持一致性，例如，在处理点、回收箱和搬运卡车以及物质回收设施内。

解决方案

CircularNet 模型旨在通过在数千个图像上使用 Mask R-CNN 算法进行训练来执行实例分割。Mask R-CNN 是从 TensorFlow Model Garden 实现的，这是一个为 Tensorflow 用户提供多种模型和建模解决方案的存储库。

通过与回收行业的专家合作，我们开发了一种定制的、全球通用的物料类型 (例如“纸”、“金属”、“塑料”等) 和物料形态 (例如“袋”、“瓶”、“罐”等) 的分类法，用于为模型注释训练数据。我们开发了模型来识别物料类型、物料形态和塑料类型 (HDPE、PETE等)。为了达到更好的准确性 (当协调和灵活应对不同应用时)，我们训练了独特的模型用于不同的目的。这些模型是用各种骨干网，如 ResNet、MobileNet 和 SpineNet 进行训练的。

为了在明确的废弃物和可回收物上训练模型，我们与几个 MRF 进行了合作，并已开始收集真实世界的图像。我们计划继续增加我们与 MRF 和废物管理生态系统合作的数量和地理位置，以便在不同的废物流中继续训练模型。

以下是我们模型训练的一些细节：

数据导入、清洗和预处理
- 一旦收集到数据，就需要将注释文件转换为 COCO JSON 格式。从 COCO JSON 文件中删除所有噪声、错误和不正确的标签。破损的图像也从 COCO JSON 和数据集中删除，以确保训练的顺畅。
- 最后的文件被转换为 TFRecord 格式，以便更快地训练。
训练
- 在 Google Cloud Platform 上使用 Model Garden 存储库训练了 Mask RCNN。
- 通过改变图像大小，批量大小，学习率，训练步骤，周期和数据增强步骤进行超参数优化。
模型转换
- 训练模型后获得的最终检查点被转换为已保存的模型和TFLite模型格式，以支持服务器端和边缘部署。
模型部署
- 我们在 Google Cloud 上部署模型进行服务器端推断，并在边缘计算设备上部署模型。
可视化