Deep learning: il nuovo volto del riciclo del legno
Panels and Furniture Asia ha parlato con Jose Matas, direttore del comparto legno di TOMRA Recycling, per scoprire di più su come l'azienda stia guidando il cambiamento nel settore e su come questo continuerà ad evolversi.
A che punto è il deep learning nel settore del riciclo? Come si è evoluto nel corso degli anni?
In TOMRA, crediamo che il deep learning guiderà la circolarità dei materiali. Altri sistemi di separazione distinguono i materiali per tipo, colore o densità. Il nostro sistema di deep learning utilizza il riconoscimento degli oggetti tramite telecamere RGB. I nostri esperti addestrano il sistema con migliaia o milioni di immagini fino a quando non è in grado di distinguere caratteristiche visive, come la forma di un materiale o una caratteristica specifica come un tappo di bottiglia.
Nel 2019, quando abbiamo lanciato la prima tecnologia di deep learning dell'industria, ora conosciuta come GAINnext™, poteva eseguire solo una singola applicazione: la purificazione dei flussi di PE rimuovendo le cartucce di silicone. Nel corso degli anni, i nostri esperti l'hanno addestrata per affrontare compiti di selezione sempre più complessi—compiti che solitamente richiedono l'intelligenza umana. Abbiamo applicato questa soluzione in diverse aree, tra cui la separazione della carta, degli imballaggi in alluminio e del legno.
Quali sono i vantaggi dell’utilizzo del deep learning nella selezione? Come ha rivoluzionato la selezione il sistema GAINnext™ di TOMRA?
Tecnologie avanzate come queste migliorano significativamente la selezione e la classificazione dei materiali riciclabili, contribuendo ad aumentare l'efficienza e l'automazione degli impianti. Queste tecnologie sono destinate ad aumentare la granularità della separazione, elemento indispensabile per una vera economia circolare. Inoltre, stanno consentendo di affrontare applicazioni completamente nuove, prima impossibili.
Prendiamo come esempio le applicazioni di selezione del legno: nel 2022, GAINnext™ è stata la prima soluzione sul mercato a consentire la separazione del legno naturale (legno A) dal legno lavorato (legno B). Oggi, è anche in grado di recuperare l'MDF e possiamo pulire e separare il legno proveniente da rifiuti da costruzione e demolizione. Questi sono compiti molto complessi a causa della somiglianza tra i materiali e, in passato, erano considerati impossibili.
La tecnologia di deep learning è particolarmente potente quando viene combinata con altri sensori. Combinandola, ad esempio, con i sistemi NIR o aggiungendo una fase di separazione tramite deep learning a una fase di selezione tramite raggi X, otteniamo una maggiore precisione ed efficienza nella separazione, migliorando ulteriormente le capacità dei nostri processi.
TOMRA intende ampliare le capacità di GAINnext™ nel prossimo anno?
Continueremo ad espandere l'ecosistema GAINnext™ in futuro, permettendogli di risolvere compiti di separazione ancora più complessi in diverse aree. Oltre 100 delle nostre soluzioni sono già state installate in tutto il mondo, e stiamo assistendo a un numero crescente di clienti che implementano la nostra soluzione di deep learning in processi su larga scala. Grazie a questa esperienza interna, siamo in una posizione molto favorevole per espandere rapidamente GAINnext™; GAINnext™ è stato sviluppato internamente ed interamente dai nostri team di R&D ed esperti in intelligenza artificiale. Questa expertise interna è la nostra forza.
Il regolamento imballaggi (PPWR) influenzerà le innovazioni nelle tecnologie di riciclo? Come?
Il Regolamento Europeo sui Rifiuti di Imballaggio e Imballaggi (PPWR) sarà un tema critico nel 2025, a causa del suo impatto significativo sull'industria. Il PPWR include disposizioni relative al riciclo del legno, fissando obiettivi specifici di riciclo per gli imballaggi in legno: il 25% entro il 2025 e il 30% entro il 2030. Inoltre, il PPWR sottolinea l'importanza della riciclabilità e della riutilizzabilità, incentivando l'uso di materiali sostenibili come il legno.
Ci aspettiamo che questi obiettivi spingano verso innovazioni nell'eco-design e nelle tecnologie di riciclo, compreso il riciclo meccanico avanzato, poiché per raggiungere questi obiettivi è necessario ottenere materiali recuperati di qualità costantemente elevata. La separazione è un passaggio cruciale in questo processo; è fondamentale per reintrodurre il maggior numero possibile di materiali nel ciclo. Abbiamo bisogno di soluzioni sofisticate come GAINnext™ per aiutarci a raggiungere la massima granularità nella separazione, e dobbiamo agire con urgenza per raggiungere gli obiettivi fissati dal regolamento.
Cosa potrebbe impedire alle aziende di adottare l'uso di queste tecnologie di deep learning? Quali sono le preoccupazioni o le considerazioni più urgenti e come possono essere affrontate?
L'adozione delle tecnologie di deep learning nell'industria del riciclo del legno offre un potenziale significativo, ma comporta anche delle sfide che potrebbero impedire alle aziende di abbracciare pienamente queste soluzioni. Una delle principali preoccupazioni riguarda la complessità nello sviluppo e nella distribuzione dei modelli di deep learning, che richiedono competenze specializzate e un'infrastruttura robusta. Sviluppare reti neurali affidabili in grado di distinguere i materiali in tempo reale non è affatto un processo semplice. Richiede formazione continua, raccolta di dati e convalida da parte di professionisti altamente qualificati in campi come l'intelligenza artificiale, la scienza dei dati e il riconoscimento dei materiali.
Per la maggior parte delle aziende che operano nel settore del riciclo, costruire questa competenza internamente non è né fattibile né conveniente dal punto di vista economico, motivo per cui la partnership con fornitori di soluzioni globali come TOMRA rappresenta un approccio più pratico. Abbiamo investito molto nelle soluzioni basate sull'intelligenza artificiale negli ultimi decenni, abbiamo una vasta esperienza in questo campo e utilizziamo queste conoscenze non solo per consigliare la tecnologia più adatta, ma anche per offrire un processo su misura che si adatti esattamente alle esigenze dei nostri clienti.
