شبکه‌های عصبی مصنوعی (NN)، اینترنت اشیا (IoT) و راه‌حل‌های نرم‌افزار سفارشی هوشمند برای حل مشکلات جهانی به نفع بشریت کار می‌کنند. یکی از این مشکلات مدیریت پسماند است. روش‌های سنتی مانند دسته‌بندی دستی زباله در گیاهان وجود دارد که به مبارزه با این مشکل شایع کمک می‌کند، اما به نظر می‌رسد کافی نیست. بر اساس آمار “The World Counts”، میزان زباله و همچنین هزینه های جمع آوری، حمل و نقل و بازیافت آن سال به سال در حال افزایش است.

مقامات دولتی و افراد مسئول می توانند راه حلی برای موضوع مدیریت پسماند در روندهای رایج فناوری بیابند. خوشبختانه، مواردی از کاربرد موفق هوش مصنوعی برای جمع‌آوری زباله و مرتب‌سازی برای الهام گرفتن از آنها وجود دارد.

نظارت بر سطل زباله در زمان واقعی

وقتی زباله‌دان‌ها با اینترنت اشیا روبرو می‌شوند چه اتفاقی می‌افتد؟ در این صورت جمع آوری زباله به روشی ارزان تر و آسان تر می شود. یک استارتاپ از سانفرانسیسکو Compology، WasteOS را ایجاد کرد و سطل زباله را با سنسورها و دوربین‌های فیلمبرداری برای نظارت بر پر بودن مجهز کرد. تصاویر با وضوح بالا از داخل ظروف می توانند در هر زمان توسط افرادی که مسئول جمع آوری زباله از طریق یک برنامه تلفن همراه هستند قابل دسترسی باشند. سطل زباله های هوشمند همچنین مجهز به GPS برای ردیابی مکان و حرکت آنها هستند. تمام داده های مرتبط توسط پلت فرم مبتنی بر ابر اینترنت اشیا جمع آوری و پردازش می شوند.

رانندگان کامیون حمل زباله مجبور نیستند به ظروف نیمه خالی سرویس دهند. آنها می توانند از تبلت ها برای یافتن سطل های زباله 100٪ پر از زباله و بهترین مسیر برای رسیدن به آنها استفاده کنند. عملکرد چنین سیستم مدیریت زباله باعث صرفه جویی قابل توجهی در بودجه می شود. به این ترتیب، WasteOS به مقامات اجازه می دهد تا هزینه های جمع آوری زباله را تا 40٪ کاهش دهند.

سیستم مدیریت زباله مشابه به طور گسترده در فنلاند استفاده می شود. شرکت فنلاندی Enevo این تحقیق را انجام داد و ادعا کرد که کامیون‌های حمل زباله تنها 30 تا 60 درصد به سمت کانتینرهایی می‌روند که پر شده‌اند. مقامات محلی مجبور شدند تشخیص دهند که رویکرد فعلی جمع‌آوری زباله، همان‌قدر که به نظر طعنه‌آمیز به نظر می‌رسد، هدر دادن پول است. Enevo مشکل را حل کرده است: زباله‌دان‌های هوشمند آن‌ها داده‌های مربوط به پر بودن ظروف را جمع‌آوری می‌کنند و آنها را به ابر ارسال می‌کنند. این سیستم همچنین نکاتی در مورد برخی از روش های موثر جمع آوری زباله ارائه می دهد، تعداد کامیون های موجود را گزارش می دهد و ترافیک را تجزیه و تحلیل می کند. علاوه بر این، به کاهش تعداد کامیون های حمل زباله در خیابان ها و در نتیجه انتشار دی اکسید کربن کمک می کند.

اسپانیا، بریتانیا و لهستان نیز سیستم های هوشمند مدیریت زباله را معرفی می کنند. مهندسان لهستانی زباله دان هوشمند خود را Bin-e می نامند. با دیگر سطل های زباله از این نوع متفاوت است. Bin-e نه تنها به نظارت بر پر بودن ظروف کمک می کند، بلکه به تفکیک زباله نیز کمک می کند. این سیستم بارکد را در صورت وجود بر روی یک مورد دور ریخته شده اسکن می کند، نوع زباله را شناسایی می کند و آن را به بخش مناسب منتقل می کند. متأسفانه، سیستم نمی تواند زباله هایی را که بارکد ندارند مرتب کند. ظروف لهستانی همچنین برای صرفه جویی در فضا، زباله ها را فشار می دهند تا بتوانند زباله های بیشتری را در خود جای دهند.

آیا شبکه های عصبی مصنوعی می توانند به تسریع روند تفکیک زباله کمک کنند؟

شبکه‌های عصبی مصنوعی در سال‌های اخیر به یک روند تبدیل شده‌اند، اما گزینه‌های آنها هنوز محدود است. این یک واقعیت ثابت شده است که این فناوری برای پردازش تصاویر گرفته شده توسط گوشی های هوشمند عالی است، اما هنوز نمی توان از آن در برخی از حوزه هایی که به ایمنی بالاتر و دقت 100 درصد نیاز دارند استفاده کرد. از امروز، Al را می توان به طور گسترده در زمینه هایی به کار برد که در آن به دقت بالایی نیاز نیست، به عنوان مثال، برای شناسایی مواد قابل بازیافت در کارخانه ها. مواردی وجود دارد که ثابت می کند استفاده از NN مصنوعی برای تفکیک زباله پروژه خوبی برای سرمایه گذاری است.

یک شرکت فنلاندی ZenRobotics برای اولین بار در سال 2011 ربات هایی را برای مرتب سازی مواد قابل بازیافت ایجاد کرد. ترکیب برنده هوش مصنوعی و فلسفه سبز به فنلاندی ها کمک کرد تا یک راه حل هوشمند توسعه دهند. ربات آنها قادر است زباله ها را از تسمه نقاله جمع کند و آنها را بر اساس نوع دسته بندی کند. Al نه تنها به سیستم ZenRobotics اجازه می دهد تا مواد ارزشمند قابل بازیافت را شناسایی کند، بلکه بازوهای رباتیک را نیز کنترل می کند. حرکت آنها با یک موقعیت سازگار است. همچنین جای نگرانی در مورد سرعت کار اینگونه ماشین ها وجود ندارد. جدیدترین ربات ZenRobotics قادر است 4000 پیک در ساعت انجام دهد.

طبقه بندی پلاستیک بر اساس نوع آنها

تفکیک خودکار زباله یک کار واقع بینانه با کمک Al. چالش‌های دیگری نیز وجود دارد که مدیریت زباله با آن‌ها مواجه است و Al آماده است تا با آن‌ها مقابله کند، به عنوان مثال، شناسایی و دسته‌بندی انواع پلاستیک‌ها. آزمایش‌هایی در رابطه با این موضوع وجود دارد، اما هنوز راه‌حل‌های مؤثری وجود ندارد که به طور گسترده در مقیاس صنعتی مورد استفاده قرار گیرد.

آلودگی پلاستیکی خطرناک ترین آلودگی است. مردم سالانه حدود 275 میلیون تن پلاستیک را تخلیه می کنند و تنها 5 درصد از این مقدار مورد استفاده مجدد قرار می گیرد. بطری های پلاستیکی، ظروف و غیره از انواع مختلفی از پلیمرها ساخته می شوند که تنها به صورت جداگانه قابل بازیافت هستند. این پلیمرها معمولاً به صورت دستی در کارخانه دسته بندی می شوند.

این موضوع را می توان با ترکیبی از طیف سنجی و تجزیه و تحلیل داده های شبکه عصبی حل کرد. اثربخشی روش برای مرتب‌سازی چندین نوع پلاستیک ثابت شده است و به لطف انعطاف‌پذیری NN می‌توان تعداد این پلیمرها را افزایش داد.

نتیجه گیری

ترکیب فناوری های هوشمند و فلسفه سبز برای بشریت سودمند است. راه حل های مدیریت پسماند ذکر شده در این مقاله امکان کاهش هزینه های جمع آوری زباله را تقریباً به نصف می دهد. کاهش دود اگزوز به دلیل تردد کمتر کامیون های زباله در شهرها یکی دیگر از مزایای آن است. دسته بندی موثر زباله ها روند بازیافت را تسهیل و تسریع می کند. در نتیجه، زباله های بازیافتی عمر دومی پیدا می کنند و به خوبی مورد استفاده قرار می گیرند. تکیه بر روندهای فناوری در مسائل زیست محیطی کمک می کند تا دنیای ما به مکانی بهتر تبدیل شود.

لینک منبع : https://www.scnsoft.com/blog/ai-technologies-environmental-issues