炎炎夏日，當白領們坐在寫字樓里敲鍵盤時，可能不會想到，中國成百上千家垃圾處理廠里，許多分揀員正在垃圾山里“攀巖”，承受著身體和精神上的雙重壓力進行分類分揀工作。與此同時，工業(yè)化、城鎮(zhèn)化的興起和人口增加，加劇了全球范圍內(nèi)的資源短缺和環(huán)境污染，垃圾分類回收成為人類的“必修課”。好在人工智能、深度學習技術的介入，正在改變這一現(xiàn)狀。
5月20日，由深度學習技術及應用國家工程實驗室與百度聯(lián)合主辦的“WAVE SUMMIT”2020深度學習開發(fā)者峰會召開，除了技術升級與產(chǎn)品更新之外，百度深度學習平臺飛槳還展示了各行業(yè)的典型落地案例，其中，金漉科技的案例最接地氣，也與時下社會民生關注的某個熱門話題有關——“垃圾分類”。
據(jù)現(xiàn)場介紹，引入飛槳深度學習算法后，針對垃圾材質(zhì)進行篩選的準確率可以達到97%以上，與人工相差無幾，垃圾分類工終于迎來了從這種不健康工作中解放的契機，而且深度學習還帶來了進一步進行垃圾精細化操作的可能性。
可能是最不人道的工種之一：垃圾分揀員
有個很形象的比喻，如果說小區(qū)里日常的垃圾分類是“C端”，那垃圾填埋場就是“B端”的工作——城市每天都在不斷地產(chǎn)生大量垃圾，它們必須經(jīng)過回收到垃圾處理廠進行集中處理，為節(jié)約填埋用地、保護環(huán)境、充分利用再生資源，這些垃圾需要進行分類分揀。
目前，垃圾分類工作由人工和機器共同完成，但在機器分類之前，必須要先經(jīng)過工人的手：先挑選出大塊的垃圾，然后借助重力、風力、磁力等手段進行大致分類，然后金屬被回收利用，可燃物被焚燒，有機物被送去堆肥，其他垃圾會被送去填埋。
但這份工作并不好做，過去幾年，金漉科技CEO張志文在垃圾填埋場見過了幾百張來去匆匆的面孔，一批又一批的人重復著機械的工作，還要承擔人們想象不到的健康風險：被玻璃、刀片、銳物劃傷已經(jīng)是“物理輕傷”，垃圾填埋場的有害氣體、霉變物品隨時可能攝入，更別說肉眼不可見的各種細菌和病毒在這片“樂土”安家，手套也擋不住有害物質(zhì)的入侵，不少工人都得了不知名的皮膚病……甚至有一次，工人還找到了一顆廢棄的炸彈。
每天在這樣的環(huán)境中工作7個多小時，注定了垃圾分類工人這一行沒法干長久。“在垃圾填埋場，工人的平均工齡是2-3年，時間長了就會有各種‘職業(yè)病’。”被同行稱為”阿牛哥”的張志文是一個在機器視覺領域奮斗了十幾年的老兵，他說自己了解到垃圾分類工人的現(xiàn)狀后，就開始思考如何運用AI技術來解決這一問題。
傳統(tǒng)算法的門堵死了 AI算法的窗敞開著
其實，機器視覺技術在外國早已用于一些垃圾場，尤其在是發(fā)達國家，機器視覺傳統(tǒng)算法已經(jīng)體現(xiàn)出成本低廉、架設簡單、操作簡便等優(yōu)點，在高效工作的同時實現(xiàn)去人工化。
但是，包括阿牛哥在內(nèi)的業(yè)內(nèi)人士心里清楚，把那套方案平移到中國百分之百會“水土不服”，對新國家的垃圾內(nèi)容兼容性差、對檢測品質(zhì)持續(xù)改善能力不足是一方面，最關鍵的是識別不了沒有清洗過的垃圾，“外國對垃圾分類的初步處理比較完善，舉例來說日本人會把飲料瓶清洗干凈再丟棄，現(xiàn)階段你不可能要求每個中國人都這么做，不現(xiàn)實。”阿牛哥解釋。
行業(yè)里，之前也有人把機器視覺傳統(tǒng)算法引入到垃圾處理上，由于識別準確率一直無法提升，導致最后很多設備都空置著，垃圾依然需要人工分揀處理。于是，阿牛哥把目光投向了人工智能深度學習，這個領域目前在國內(nèi)屬于“風口”，可是阿牛哥他們找了很多家都不太合適，不是沒法滿足定制化需求，就是上手門檻太高。最后，基于成本、技術等因素綜合考慮，金漉科技選擇了百度智能云，他們決定通過百度智能云的服務在百度飛槳深度學習平臺上搭建自己的人工智能算法。當時，飛槳已經(jīng)被中國企業(yè)廣泛使用，并且擁有活躍的開發(fā)者社區(qū)生態(tài)可以群策群力，更重要的是上手快、門檻低。
其中，飛槳PaddleX對項目的推進落地起到了關鍵作用，這是飛槳推出的開發(fā)、訓練、部署全流程開發(fā)工具，集成了飛槳多元產(chǎn)品矩陣，打通深度學習全流程，幫助開發(fā)者降低AI應用的落地門檻。
阿牛哥他們借助飛槳很快就推出了一套深度契合垃圾分類需求的高性能方案——金漉科技應用飛槳Paddle Detection中的實例分割模型(Mask-RCNN)進行訓練，準確按照顏色輸出塑料瓶種類及塑料瓶中心點位置。模型最終通過Paddle Lite 在Edgeboard實現(xiàn)預測，并輸出信號給產(chǎn)線其他硬件(例如機械臂)，實現(xiàn)對垃圾的分類。
簡單來說就是，首先機器會借助目標檢測模型來判斷垃圾種類，再借助圖像分割模型，找到瓶子等垃圾類型的邊緣，確定瓶子中心點位置，然后將判斷結(jié)果傳遞給機械臂，把垃圾分揀出來，速度也很快，單張圖片識別在500毫秒內(nèi)。
高準確率外的驚喜：AI也有“熟練工”一說
“對PET瓶子的顏色識別，如果是二次清洗過的瓶子，機器視覺傳統(tǒng)算法可以做到95%的正確篩選率，而飛槳的模型則能做到準確率和召回率99%;對于沒有處理的瓶子，也就是國內(nèi)垃圾處理廠隨處可見的飲料罐，機器視覺傳統(tǒng)算法準確率就下降到74%，而飛槳模型依然可以保證97%的正確篩選率。”阿牛哥很直觀地比較出兩種方法的優(yōu)劣。
另外一個驚喜是，阿牛哥他們發(fā)現(xiàn)，傳統(tǒng)算法的正確篩選率一直在60-90%浮動，這主要取決于給到的垃圾質(zhì)量;而深度學習算法則一直在93-99%之間浮動，甚至可以隨著數(shù)據(jù)量的積累自我“學習”垃圾分類，不斷地提升正確篩選率，這也是傳統(tǒng)方案不可能實現(xiàn)的。
金漉科技與一家再生資源公司進行合作，應用了這套系統(tǒng)之后，不僅讓該公司的垃圾分選效率從93%左右提升到97%以上，而且每個垃圾場常駐的4-6工人不必整天和臭烘烘的垃圾作伴，其身心健康也得到了保障。
在阿牛哥看來，深度學習技術的優(yōu)勢一是對產(chǎn)品適應性非常強，不但能檢測品質(zhì)還能通過自我“學習”持續(xù)改善能力;二是有很高的兼容性，這使得該方案具備可復制性。有了人工智能，垃圾分類能從工藝角度修整且節(jié)約大量的設備及人力成本，除了高效，安全，一年還能幫工廠節(jié)約支出30~50萬，銷售利潤提高10%左右，“對于這套系統(tǒng)有需求的企業(yè)不在少數(shù)。”
阿牛哥還認為，用飛槳搭建視覺模型針對顏色進行垃圾識別只是AI的其中一個“人設”，有更多潛力尚待挖掘，不僅垃圾分揀人力可以節(jié)約大概96%，還可以進一步細化現(xiàn)階段難以實現(xiàn)的分揀內(nèi)容，例如大塊的有機物、小塊的金屬等，AI可以自我學習讓這些任務變得更加精細化。同時，掩埋垃圾也不是一個好的處理辦法，人工智能或許在未來能夠給出更多新思路。
百度飛槳在垃圾分類上的“接地氣”應用，僅是人工智能落地產(chǎn)業(yè)的一個縮影，峰會上展示的案例，涵蓋了消費電子、工業(yè)、商業(yè)、服務業(yè)等，從眾多細節(jié)場景推動社會智能化轉(zhuǎn)型。目前，飛槳累計開發(fā)者數(shù)量超過190萬;服務企業(yè)數(shù)量達到8萬4千家;發(fā)布模型數(shù)量超過23萬個，是國內(nèi)最領先、服務開發(fā)者規(guī)模最大、功能最完備的開源開放深度學習平臺，正在為各行各業(yè)、國計民生提供前所未有的智能加速度。
