当人工智能走进垃圾堆 金漉科技用百度飞桨战胜了垃圾分类

炎炎夏日，当白领们坐在写字楼里敲键盘时，可能不会想到，中国成百上千家垃圾处理厂里，许多分拣员正在垃圾山里“攀岩”，承受着身体和精神上的双重压力进行分类分拣工作。与此同时，工业化、城镇化的兴起和人口增加，加剧了全球范围内的资源短缺和环境污染，垃圾分类回收成为人类的“必修课”。好在人工智能、深度学习技术的介入，正在改变这一现状。

5月20日，由深度学习技术及应用国家工程实验室与百度联合主办的“WAVESUMMIT”2020深度学习开发者峰会召开，除了技术升级与产品更新之外，百度深度学习平台飞桨还展示了各行业的典型落地案例，其中，金漉科技的案例最接地气，也与时下社会民生关注的某个热门话题有关——“垃圾分类”。

据现场介绍，引入飞桨深度学习算法后，针对垃圾材质进行筛选的准确率可以达到97%以上，与人工相差无几，垃圾分类工终于迎来了从这种不健康工作中解放的契机，而且深度学习还带来了进一步进行垃圾精细化操作的可能性。

可能是最不人道的工种之一：垃圾分拣员

有个很形象的比喻，如果说小区里日常的垃圾分类是“C端”，那垃圾填埋场就是“B端”的工作——城市每天都在不断地产生大量垃圾，它们必须经过回收到垃圾处理厂进行集中处理，为节约填埋用地、保护环境、充分利用再生资源，这些垃圾需要进行分类分拣。

目前，垃圾分类工作由人工和机器共同完成，但在机器分类之前，必须要先经过工人的手：先挑选出大块的垃圾，然后借助重力、风力、磁力等手段进行大致分类，然后金属被回收利用，可燃物被焚烧，有机物被送去堆肥，其他垃圾会被送去填埋。

但这份工作并不好做，过去几年，金漉科技CEO张志文在垃圾填埋场见过了几百张来去匆匆的面孔，一批又一批的人重复着机械的工作，还要承担人们想象不到的健康风险：被玻璃、刀片、锐物划伤已经是“物理轻伤”，垃圾填埋场的有害气体、霉变物品随时可能摄入，更别说肉眼不可见的各种细菌和病毒在这片“乐土”安家，手套也挡不住有害物质的入侵，不少工人都得了不知名的皮肤病……甚至有一次，工人还找到了一颗废弃的炸弹。

每天在这样的环境中工作7个多小时，注定了垃圾分类工人这一行没法干长久。“在垃圾填埋场，工人的平均工龄是2-3年，时间长了就会有各种‘职业病’。”被同行称为”阿牛哥”的张志文是一个在机器视觉领域奋斗了十几年的老兵，他说自己了解到垃圾分类工人的现状后，就开始思考如何运用AI技术来解决这一问题。

传统算法的门堵死了AI算法的窗敞开着

其实，机器视觉技术在外国早已用于一些垃圾场，尤其在是发达国家，机器视觉传统算法已经体现出成本低廉、架设简单、操作简便等优点，在高效工作的同时实现去人工化。

但是，包括阿牛哥在内的业内人士心里清楚，把那套方案平移到中国百分之百会“水土不服”，对新国家的垃圾内容兼容性差、对检测品质持续改善能力不足是一方面，最关键的是识别不了没有清洗过的垃圾，“外国对垃圾分类的初步处理比较完善，举例来说日本人会把饮料瓶清洗干净再丢弃，现阶段你不可能要求每个中国人都这么做，不现实。”阿牛哥解释。

行业里，之前也有人把机器视觉传统算法引入到垃圾处理上，由于识别准确率一直无法提升，导致最后很多设备都空置着，垃圾依然需要人工分拣处理。于是，阿牛哥把目光投向了人工智能深度学习，这个领域目前在国内属于“风口”，可是阿牛哥他们找了很多家都不太合适，不是没法满足定制化需求，就是上手门槛太高。最后，基于成本、技术等因素综合考虑，金漉科技选择了百度智能云，他们决定通过百度智能云的服务在百度飞桨深度学习平台上搭建自己的人工智能算法。当时，飞桨已经被中国企业广泛使用，并且拥有活跃的开发者社区生态可以群策群力，更重要的是上手快、门槛低。

其中，飞桨PaddleX对项目的推进落地起到了关键作用，这是飞桨推出的开发、训练、部署全流程开发工具，集成了飞桨多元产品矩阵，打通深度学习全流程，帮助开发者降低AI应用的落地门槛。

阿牛哥他们借助飞桨很快就推出了一套深度契合垃圾分类需求的高性能方案——金漉科技应用飞桨PaddleDetection中的实例分割模型(Mask-RCNN)进行训练，准确按照颜色输出塑料瓶种类及塑料瓶中心点位置。模型最终通过PaddleLite 在Edgeboard实现预测，并输出信号给产线其他硬件（例如机械臂），实现对垃圾的分类。

简单来说就是，首先机器会借助目标检测模型来判断垃圾种类，再借助图像分割模型，找到瓶子等垃圾类型的边缘，确定瓶子中心点位置，然后将判断结果传递给机械臂，把垃圾分拣出来，速度也很快，单张图片识别在500毫秒内。

高准确率外的惊喜：AI也有“熟练工”一说

“对PET瓶子的颜色识别，如果是二次清洗过的瓶子，机器视觉传统算法可以做到95%的正确筛选率，而飞桨的模型则能做到准确率和召回率99%；对于没有处理的瓶子，也就是国内垃圾处理厂随处可见的饮料罐，机器视觉传统算法准确率就下降到74%，而飞桨模型依然可以保证97%的正确筛选率。”阿牛哥很直观地比较出两种方法的优劣。

另外一个惊喜是，阿牛哥他们发现，传统算法的正确筛选率一直在60-90%浮动，这主要取决于给到的垃圾质量；而深度学习算法则一直在93-99%之间浮动，甚至可以随着数据量的积累自我“学习”垃圾分类，不断地提升正确筛选率，这也是传统方案不可能实现的。

（编辑：宁德站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!