Una breve historia de la IA en el reciclaje
Una economía totalmente circular depende de que los materiales recuperados sean siempre de alta calidad. Esto aún no es posible con los procesos actuales, por lo que muchos materiales recuperados se siguen degradando.
Para evitarlo, la clasificación debe ser más granular. Y aquí es donde la IA cambia las reglas del juego.
La idea de que la IA es una tendencia reciente es errónea
La distinción entre IA y el deep learning es importante porque existe la idea errónea de que la IA es un fenómeno reciente. De hecho, la IA forma parte de nuestra industria desde hace décadas, ya que responde al concepto más amplio de crear máquinas inteligentes. Se refiere a cualquier técnica que permita a los ordenadores "imitar" la inteligencia humana utilizando la lógica y sus reglas, y el aprendizaje automático.
El aprendizaje automático ha sido una de las principales características de nuestras máquinas AUTOSORT® durante décadas. Nuestras primeras máquinas, que datan de hace unos 30 años, empleaban principios básicos de IA. Ya entonces, eran capaces de tomar decisiones sobre qué materiales expulsar y rechazar. Esta capacidad fundamental de imitar el juicio humano es la esencia de la IA.
Así pues, aunque la IA lleva años utilizándose para el reciclaje global, el deep learning es el avance puntero que está impulsando la IA a nuevas cotas en la actualidad. El deep learning es un enfoque especializado dentro del aprendizaje automático que se centra en un tipo específico de algoritmo denominado “redes neuronales artificiales”. Estas redes neuronales se entrenan con cantidades ingentes de datos brutos para reconocer y almacenar determinados patrones intrincados y aplicarlos después a nuevos datos.
Vea cómo funcionan los algoritmos de IA en el ámbito del reciclaje
Cómo TOMRA ha aprovechado las oportunidades que ofrece el deep learning
El compromiso de TOMRA con el avance tecnológico nos ha impulsado a explorar el potencial del deep learning en los últimos años. Nuestro equipo de expertos en IA alimenta la red con miles o millones de imágenes como material de entrenamiento hasta que esta aprende a distinguir determinadas características visuales de tipos de materiales, como tapones de botellas o formas de envases específicas.
Puede aplicar estos conocimientos a nuevas imágenes procedentes de los sensores del sistema de clasificación, lo que permite resolver algunas de las tareas de clasificación más complejas que actualmente son irrealizables con los equipos de clasificación óptica convencionales. Además, permite a los sistemas de clasificación de TOMRA mejorar continuamente la pureza de la separación, gracias a la integración simultánea de datos en tiempo real procedentes de múltiples tecnologías basadas en sensores.
Estas son solo algunas de las ventajas que nuestros clientes obtienen de nuestras soluciones basadas en el deep learning:
- Flexibilidad: la composición de los residuos es cambiante, por lo que los sistemas de clasificación deben ser lo suficientemente ágiles como para aprender y adaptarse de forma continua a los nuevos requisitos del mercado. En lugar de sustituir componentes de hardware o incluso máquinas, las modernas tecnologías de deep learning pueden adaptarse mediante actualizaciones de software en cuanto han sido entrenadas por nuestros expertos. Esto nos permite responder más rápidamente a las necesidades de los clientes.
- Creación de nuevos flujos de materiales: el deep learning impulsado por IA permite a los operadores no solo mejorar la granularidad de la clasificación, sino crear nuevos flujos de materiales y mercados con productos de mayor valor.
- Mejora de la clasificación: mediante la combinación de los sistemas de clasificación óptica existentes, que se basan, por ejemplo, en sensores de infrarrojo cercano (NIR) y de información visual (VIS), con tecnologías de deep learning, podemos lograr la mayor granularidad de clasificación disponible actualmente. Esto nos permite ordenar por tipo de material y color y ahora, gracias al deep learning, también por forma, tamaño, dimensiones u otros detalles.
- Automatización avanzada de plantas: el valor del deep learning reside en el reconocimiento de los objetos mediante cámaras a todo color. En otras palabras, sistemas como nuestro GAINnext™ ven lo mismo que el ojo humano. Podemos automatizar tareas de clasificación que antes tenían que realizarse manualmente, lo que nos permite procesar mayores cantidades de materiales reciclables de forma rápida y eficaz.
- Optimización de los procesos: los sistemas de clasificación basados en IA generan enormes cantidades de datos sobre la composición de los materiales, la eficacia de la clasificación y el rendimiento de los equipos. Mediante el análisis de estos datos, los operarios de la planta pueden identificar oportunidades de optimización, racionalizar las operaciones y tomar decisiones bien fundamentadas para mejorar los procesos generales de reciclaje. Además, las posibilidades van más allá de los sistemas de clasificación. Las cámaras basadas en deep learning pueden colocarse en puntos clave del circuito de clasificación para vigilar todo el proceso y el flujo de materiales. El análisis del flujo de residuos basado en IA permite a los operarios de la planta supervisar continuamente la calidad de los flujos clasificados, la pérdida de material e incluso garantizar el cumplimiento de la normativa sobre reciclaje de alimentos.
- Resolución de tareas de clasificación hasta ahora irrealizables: el deep learning resuelve tareas antes irrealizables, como veremos en breve.
Cronología de la aplicación pionera del deep learning en TOMRA
2019: Introducción del primer sistema de clasificación del sector basado en deep learning GAIN (actualmente: GAINnext™)
-Eliminación de cartuchos de silicona de PE de flujos de polietileno (PE).
2022: Primera aplicación de deep learning en el mercado de la madera
-Separación de madera natural de madera procesada.
2023: Expansión del ecosistema de deep learning de TOMRA
-Aplicación de limpieza de papel para destintado, logrando flujos de papel más limpios.
-Aplicación de limpieza de PET para obtener flujos de botellas de PET de mayor pureza.
-Eliminación de MDF.
2024: Lanzamiento de diversas aplicaciones innovadoras, incluida la primera solución del sector para clasificar envases plásticos de uso alimentario y no alimentario; cambio de nombre a GAINnext™
-PET alimentario vs. PET no alimentario
-PP alimentario vs. PP no alimentario
-PEAD alimentario vs. PEAD no alimentario
-Latas de bebidas usadas de aluminio (UBC)
2025: ¡Más aplicaciones nuevas próximamente!
IA: un catalizador para la transición ecológica
La IA está preparada para revolucionar la recuperación de recursos, lo que la convierte en una herramienta crucial en la transición ecológica. A medida que las normativas se endurecen y las expectativas de los consumidores evolucionan, nuestro sector se encuentra en una coyuntura crítica. El deep learning ofrece una potente solución para impulsar la economía circular.
En TOMRA, también esperamos que las tecnologías avanzadas de IA y en la nube se utilicen cada vez más para el análisis de los residuos, mejorando la transparencia no solo en lo pertinente a los equipos de clasificación en sí, sino también a lo largo de todo el proceso de clasificación. Por eso desarrollamos constantemente herramientas basadas en la nube como TOMRA Insight que nos ofrece información para supervisar lo que está ocurriendo e invertimos en PolyPerception con sus plataformas de análisis de residuos basadas en IA .
Mediante la liberación del potencial de la IA, podemos crear nuevos mercados para productos de mayor valor y seguir estimulando el crecimiento y la sostenibilidad.
