Deep Learning: La nueva cara de la industria del reciclaje de madera
¿En qué fase de desarrollo se encuentra actualmente el deep learning en el ámbito del reciclaje? ¿Cómo ha evolucionado a lo largo de los años?
En TOMRA, creemos que el deep learning será clave para impulsar la circularidad de los materiales. Mientras que otros sistemas de clasificación separan los materiales por tipo, color o densidad, nuestro sistema basado en deep learning utiliza reconocimiento de objetos mediante cámaras RGB. Nuestros expertos entrenan la red neuronal con miles o incluso millones de imágenes hasta que es capaz de identificar características visuales específicas, como la forma de un material o un detalle concreto, como un tapón de botella.
En 2019, cuando lanzamos la primera tecnología basada en deep learning de la industria, ahora conocida como GAINnext™, solo era capaz de resolver una aplicación: la purificación de los flujos de PE eliminando cartuchos de silicona. A lo largo de los años, nuestros expertos han entrenado la tecnología para abordar tareas de clasificación cada vez más complejas, tareas que tradicionalmente requerían inteligencia humana. Hoy en día, hemos aplicado esta solución a diversas áreas, como el papel, los envases de aluminio y la clasificación de madera.
¿Cuáles son los beneficios del deep learning en la clasificación y cómo ha revolucionado GAINnext™ este proceso?
Las tecnologías avanzadas como GAINnext™ mejoran significativamente la clasificación y separación de materiales reciclables. Esto incrementa la eficiencia y automatización de las plantas de reciclaje. Además, estas tecnologías permiten una clasificación mucho más específica y precisa, algo indispensable para lograr una economía circular real. Asimismo, están desbloqueando aplicaciones completamente nuevas que antes eran consideradas imposibles de resolver.
Un ejemplo claro es nuestra aplicación en la clasificación de madera: en 2022, GAINnext™ se convirtió en la primera solución del mercado capaz de diferenciar madera natural (madera A) de madera procesada (madera B). Actualmente, también es capaz de recuperar MDF y clasificar residuos de construcción y demolición. Estas tareas presentan un gran desafío debido a la similitud de los materiales y, hasta ahora, se consideraban imposibles de realizar.
El deep learning se vuelve aún más potente cuando se combina con otros sensores. Por ejemplo, al integrarlo con sistemas NIR (infrarrojo cercano) o al añadir un paso de clasificación basado en deep learning después de una clasificación por rayos X, logramos una precisión y eficiencia aún mayores, ampliando las capacidades de nuestros procesos de clasificación.
¿Cómo planea TOMRA escalar GAINnext™ en el próximo año?
Seguiremos expandiendo nuestro ecosistema GAINnext™ para resolver tareas de clasificación aún más complejas en distintas áreas. Actualmente, ya hemos instalado más de 100 soluciones en todo el mundo, y cada vez más clientes están implementando nuestra solución basada en deep learning en procesos de mayor escala. Gracias a nuestro conocimiento y experiencia, estamos bien posicionados para escalar GAINnext™ con rapidez, ya que ha sido desarrollado completamente dentro de TOMRA, por nuestros equipos de I+D y expertos en IA. Este conocimiento es nuestra gran fortaleza.
¿Cómo influirá la PPWR en la innovación en tecnologías de reciclaje?
La Regulación Europea sobre Envases y Residuos de Envases (PPWR) será un tema clave en 2025 debido a su impacto significativo en la industria. Esta normativa establece objetivos específicos de reciclaje para los envases de madera: 25% para 2025 y el 30% para 2030. Además, la PPWR hace hincapié en la reciclabilidad y reutilización, fomentando el uso de materiales sostenibles como la madera.
Esperamos que estos objetivos impulsen innovaciones en ecodiseño y tecnologías de reciclaje avanzadas, incluyendo el reciclaje mecánico de última generación. Para alcanzarlos, es fundamental recuperar materiales de alta calidad de forma consistente. La clasificación juega un papel clave en este proceso, ya que permite reincorporar la mayor cantidad de materiales posible al ciclo productivo. Soluciones sofisticadas como GAINnext™ serán cruciales para lograr una clasificación de máxima precisión y alcanzar estos objetivos con la urgencia que requieren.
¿Qué podría impedir que las empresas adopten estas tecnologías basadas en deep learning? ¿Cuáles son las principales preocupaciones y cómo pueden resolverse?
Si bien la adopción de tecnologías de deep learning en la industria del reciclaje de madera ofrece un enorme potencial, también presenta ciertos desafíos que pueden dificultar su implementación.
Uno de los principales obstáculos es la complejidad del desarrollo y la implementación de modelos de deep learning que requieren una infraestructura robusta y conocimientos especializados para llevarlos a cabo con propiedad. Construir redes neuronales confiables, capaces de identificar materiales en tiempo real, no es un proceso de "enchufar y listo para usar". Requiere un entrenamiento continuo, una recopilación de datos y posterior validación por parte de profesionales altamente cualificados en IA, ciencia de datos y reconocimiento de materiales.
Para la mayoría de las empresas del sector del reciclaje, desarrollar esta experiencia internamente no es ni viable ni rentable. Por eso, colaborar con proveedores globales de soluciones como TOMRA resulta mucho más práctico. Hemos invertido décadas en el desarrollo de soluciones impulsadas por IA, acumulando una amplia experiencia en este campo. Utilizamos este conocimiento no solo para recomendar la tecnología más adecuada, sino también para diseñar un proceso personalizado que se adapte a las necesidades específicas de cada cliente.
