• 912 202 800
  • info@centrosdeexcelencia.com

Atria Innovation, Premio QIA 2021 en la categoría Innovación en empresas (pymes)

  • Atria Innovation, Premio QIA 2021 en la categoría Innovación en empresas (pymes)

    Atria Innovation, Premio QIA 2021 en la categoría Innovación en empresas (pymes)

     

    TÍTULO DE LA INNOVACIÓN 
    SIARA: Sistema de IA para identificación y clasificación de residuos a través de Visión Artificial

    DESCRIPCIÓN CORTA DE LA INNOVACIÓN

    SIARA mejora la eficiencia de los procesos de plantas de selección de residuos de envases de plástico, latas y briks a través de un sistema de Visión Artificial basado en Deep Learning para la detección y retirada de residuos voluminosos no deseados
    DESCRIPCIÓN DE LA INNOVACIÓN (Explica cuál es la esencia de esta innovación, cuál fue el punto de partida, pasos dados, recursos empleados (personas y recursos económicos) y una descripción de cómo la innovación ha supuesto una diferencia a nivel económico o medioambiental. (aprox. 2.000 caracteres)

    Esta innovación tiene su esencia en el sistema de Visión Artificial con Deep Learning (redes neuronales), en el que se utilizan cámaras con diferentes sensores e Inteligencia Artificial, para detectar los residuos que pueden entorpecer el proceso de tratamiento de las plantas de selección de residuos de envases de plástico, latas y briks. El corazón de la innovación es el algoritmo desarrollado específicamente para esta tarea.

    El punto de partida fue la necesidad de las plantas de selección de envases de plástico, latas y briks de separar los residuos voluminosos para poder mejorar la eficiencia en su separación. Estos residuos, que llegan en el contenedor amarillo procedentes de la recogida, han de ser retirados dado que, bien por su tamaño, o bien por su peso, pueden provocar atascos y averías en la línea de tratamiento.

    El primer paso del proyecto fue la selección y diseño de la plataforma de adquisición de datos. Esto implica tanto la selección de cámaras y sensores que se utilizaron, iluminaciones y PC para la captura y el procesado de los datos, así como el diseño de la estructura sobre la que se instalaron los componentes.

    Una vez la plataforma de adquisición fue diseñada e instalada, se comenzó con la adquisición de datos: imágenes del proceso real que formarán parte del dataset. Se tomaron datos durante 1 año para que el sistema tuviera mayor robustez al poder contar con casuísticas de residuos muy diferentes. Todos los sensores funcionan de forma sincronizada para realizar una captura de datos simultánea. Esta sincronización es controlada por el ordenador incluido en el sistema.

    El segundo paso fue el etiquetado de los datos, indispensable para que el sistema de Inteligencia Artificial aprendiera. Este etiquetado fue realizado por personal experto en data analytics tras recibir la formación necesaria de los expertos de la planta de selección para identificar y clasificar correctamente los residuos.

    Una vez conformado el dataset se comenzó a trabajar en el desarrollo del algoritmo de visión artificial que se encarga de la detección y clasificación de los residuos. El primer paso de este proceso es el diseño de un pre-procesado de las imágenes que unifique su apariencia y simplifique la tarea de detección y clasificación.
    Tras este pre-procesado se procedió al diseño, entrenamiento y evaluación del algoritmo de Inteligencia Artificial encargado de la detección y clasificación. En este algoritmo se han utilizado Redes Neuronales, las cuales son modelos de Inteligencia Artificial que emulan el comportamiento del cerebro humano. Estas Redes Neuronales fueron entrenadas para extraer características relevantes de las imágenes, con las que la Red es capaz de detectar y clasificar los distintos tipos de residuos. El siguiente paso fue la validación con imágenes reales de la planta. Durante este proceso se realimentó el sistema de entrenamiento para mejorar sus resultados en base a los resultados reales.

    Para la realización de este proyecto, han intervenido 6 personas a tiempo parcial, durante 2 años. Este proyecto se llevó a cabo en colaboración con Ecoembes, y las pruebas se realizaron en la planta de selección de Urnieta, titulada por la Mancomunidad de San Marcos y operada por Trienekens. También colabora The Circular Lab “primer laboratorio europeo de economía circular” de Ecoembes y comunidad a la que ATRIA pertenece. El proyecto se ha realizado bajo el modelo de innovación abierta y colaboración público-privada, siendo cofinanciado por el Ministerio de Industria gracias a las ayudas Tecnologías Habilitadoras Digitales con un importe de 150.000 €.

    Con el desarrollo de SIARA se ha conseguido aumentar la efectividad de selección y recuperación de envases y un ahorro de materias primas y recursos naturales promoviendo así la economía circular lo cual supone una diferenciación a nivel medioambiental. También se ha disminuido el tiempo de duración del proceso de selección de residuos, lo que se traduce en una reducción de los costes de la planta. Además, este proyecto tiene triple impacto positivo ya que supone la creación de empleo de mayor valor y cualificación.

    Mediante el conocimiento que aportan estos residuos, concretamente los impropios que se encuentran en los contenedores amarillos, se podrán realizar campañas dirigidas a los ciudadanos para concienciar y enseñar qué residuos deben ir en dicho contenedor.

     

    INNOVACIÓN

    Hasta ahora no existe ningún método de carácter productivo que detecte los residuos voluminosos antes de que un operario los divise y los retire de forma manual. Mediante este desarrollo se conseguirá automatizar la labor de clasificación, realizando muchas de las tareas intermedias, necesarias para la gestión y clasificación, de forma automática. Dicha innovación supone cubrir una necesidad que existe tanto para la sociedad y para el medio ambiente ya que se conseguiría reducir las operaciones manuales en una planta de tratamiento de residuos pudiendo el personal realizar tareas relacionadas con el control de calidad y de mayor valor, aumentar la eficiencia en los procesos y la reducción de envío de materiales a vertedero y se conseguiría ahorro de los costes económicos relativos a la operación y el mantenimiento de las plantas de selección. Esta tecnología es escalable a un total de 97 plantas a nivel nacional y también tiene gran flexibilidad para implementarse a sectores similares tanto a nivel nacional e internacional.

    Este proyecto también persigue el incremento de la efectividad de selección y recuperación de materiales lo que contribuye al ahorro de materias primas y de recursos naturales promoviendo la economía circular y la sostenibilidad

     

    EVALUACIÓN DE UTILIDAD

    El desarrollo llevado a cabo en este proyecto está actualmente instalado en la planta de selección de Urnieta, titulada por la Mancomunidad de San Marcos y operada por Trienekens y en pleno funcionamiento. Mediante el sistema instalado, se determinan los impropios voluminosos. El plan de implementación de la tecnología consiste en tres fases.

    Como se comentaba, esta operación es llevada a cabo por una persona. El desarrollo de este algoritmo es la primera fase para automatizar este proceso por completo. La segunda fase del plan de implementación es la combinación de tecnologías hiperespectrales y la instalación de un brazo robótico que, combinado con el algoritmo desarrollado en la primera fase, sea capaz, de manera independiente, de retirar los residuos que el algoritmo de visión señale como impropio.

    Actualmente esta innovación es utilizable pero solo con algunos de los tipos de residuos existentes, debido, principalmente, al número de muestras conseguidas para el entrenamiento, siendo estos elementos, los que más muestras tenían. La tercera fase del plan es la inclusión de más variantes de voluminosos. Sin embargo, los residuos con los que se pudo realizar un correcto entrenamiento llegaron a superar el 80 % de precisión en detección y clasificación, lo cual es un resultado muy óptimo para el uso en entornos reales de un sistema de detección de objetos.

     

    APRENDIZAJE

    El sistema desarrollado para el reconocimiento de los residuos voluminosos se basa en una nueva idea que combina Visión Artificial y Deep Learning (redes neuronales) para el procesado de imágenes mediante un algoritmo específicamente desarrollado por ATRIA.

    En la actualidad la gran mayoría de sistemas de visión industriales utilizan técnicas de Visión Artificial clásicas para realizar las distintas detecciones o clasificaciones mientras que técnicas más complejas, basadas en el Aprendizaje Automático, no están tan extendidas. El elemento más destacado de este proyecto es que hace uso de técnicas de detección y clasificación en imágenes muy novedosas provenientes de recientes investigaciones científicas. Toda esta combinación de tecnologías hace que sea un desarrollo sistemático ya que está orientado a la transformación del sector de la selección de envases.

    Otro elemento destacado de la innovación, es que en este proyecto se utiliza Transferencia de Aprendizaje, una técnica de desarrollo sistemático. A la hora de entrenar las redes neuronales específicas para este proyecto, se parte de los parámetros aprendidos para resolver un problema similar, pero con un dataset más general y mucho mayor. De este modo el punto de partida del entrenamiento ya sabe qué tipo de características son relevantes a la hora de detectar y clasificar elementos en imágenes y, mediante el entrenamiento específico con el dataset desarrollado para el proyecto, se aprende los parámetros especializados para el problema concreto. El uso de Transferencia de Aprendizaje acelera los tiempos de entrenamiento de las redes neuronales, reduce la cantidad de datos específicos necesarios y puede mejorar los resultados.

     

    CALIDAD

    Actualmente una de las principales necesidades de las plantas de selección es la separación y clasificación de los residuos para poder tratarlos correctamente y sobre todo detectar estos residuos voluminosos para impedir su entrada en la línea de proceso. El sistema desarrollado en el proyecto se centra precisamente en la clasificación automática de dichos residuos a través de visión artificial, por lo que podemos afirmar que abarca la principal necesidad del cliente, incluso de todo el sector. Mediante este sistema se ha conseguido clasificar 3 tipos de residuos con una eficiencia del 80%. Mediante este proyecto se pretende desarrollar la planta piloto en Urnieta y una vez testeado, implantarlo en el resto de plantas de selección de envases del grupo.

    Los requerimientos y expectativas para este proyecto se alcanzaron completamente en su primera fase, siendo capaces de detectar y clasificar los voluminosos propuestos en un porcentaje suficiente para el usuario final. Las fases 2 y 3 explicadas en el apartado de INNOVACIÓN completan el proyecto.

     

    AUTOEVALUACIÓN DE EFECTIVIDAD

    En el pasado, la línea de la planta de separación carecía de automatismos para la clasificación de residuos. Debido a la implantación de SIARA, el rendimiento tecnológico del cliente en esta línea ha mejorado considerablemente, ya que anteriormente era inexistente. Al clasificar los residuos de manera automática, se logra aumentar la eficiencia en la selección y funcionamiento de la planta, lo que afecta directamente a la responsabilidad ecológica. Una mejor clasificación de residuos, aumenta el rendimiento de la planta. Además, contribuye a una mejor eficiencia de la planta ya que impide la entrada de residuos voluminosos, tales como barquillas de fruta, rollos del film, entre otros. Estos residuos, si no se detectan a tiempo, pueden llegar a entrar en la planta, generando su parada debido a un atasco.
    Una parada de esta línea puede suponer económicamente muchas perdidas, tanto económicas como energéticas.

    Uno de los indicadores que se han utilizado en este proyecto es el término rendimiento. Este, incluye en las entradas totales el material no solicitado o impropio que se recoger en el contenedor y llega a la planta por lo que mediante este método de detección se podría aumentar entre un 5 y un 10% la efectividad de la planta.

    SIARA es el comienzo de la digitalización de las plantas de selección.

    VER PDF ANEXOS AQUÍ