Un sistema avanzato di monitoraggio qualità per certificare la purezza dei materiali negli impianti di smistamento rifiuti attraverso tecnologie di Machine Learning, Deep Learning e Intelligenza Artificiale. È questa la sfida vinta da iWAMO, acronimo di “Intelligent Waste Monitoring”: un progetto di ricerca industriale e sviluppo sperimentale che ha impegnato l’azienda padovana IT+Robotics.

Il progetto, finanziato nell’ambito del Bando IRISS promosso da Smact Competence Center, è stato sviluppato in collaborazione con l’Università degli Studi di Padova (parte dell’ecosistema SMACT) e l’Intelligent Autonomous System Laboratory, che ha fornito supporto nello sviluppo degli algoritmi di visione artificiale

iWAMO: automazione del controllo qualità grazie al Deep Learning

Il controllo della qualità delle frazioni riciclabili, solitamente, avviene a campione e a livello manuale, limitando così la possibilità di monitorare in tempo reale le performance.

È in questo scenario che si inserisce iWAMO, nato con lo scopo di creare un sistema innovativo per:

• automatizzare il controllo qualità su tutta la produzione dell’impianto
• fornire dati dettagliati e in tempo reale sulla qualità delle frazioni differenziate e sulle performance operative
• ottimizzare i parametri di funzionamento dell’impianto
• certificare il livello di contaminazione di ogni materiale selezionato per il riciclo.

Nell’ambito del progetto iWAMO è stato sviluppato un sistema basato su analisi di immagini e dati 3D con tecniche avanzate di Deep Learning, in grado di identificare e quantificare la presenza di contaminanti nelle frazioni differenziate, migliorando così la purezza dei materiali destinati al riciclo.

I risultati raggiunti dal prototipo del sistema confermano il successo del progetto iWAMO: i modelli di stima della massa e di riconoscimento raggiungono un’accuratezza media del 90%.

“Gli obiettivi prefissati a inizio progetto sono stati raggiunti e superati. Il progetto ci ha permesso di arricchire le nostre competenze interne e di aprire nuove prospettive di innovazione”, commenta Alberto Gottardi, R&D Project Manager di IT+Robotics.

Le fasi del progetto

Per la realizzazione del progetto si sono susseguite tre fasi: la prima ha visto la raccolta dei requisiti funzionali del sistema e quella dei dati.

Nella seconda fase, invece, sono stati allenati due diversi modelli di Deep Learning per riconoscere i singoli oggetti e classificare il materiale di cui sono composti tra tre categorie: plastica, carta e cartone.

Nella terza e ultima fase, è stato sviluppato il prototipo finale con la stima della massa degli oggetti in movimento su un nastro trasportatore.

Il nuovo dataset di iWAMO: un patrimonio per l’innovazione nello smistamento dei rifiuti

Il progetto è stato un elemento importante nel percorso di innovazione intrapreso dall’azienda, non solo dal punto di vista tecnologico, ma anche in termini ambientali: attraverso iWAMO, infatti, IT+Robotics ha migliorato i processi di smistamento e dato nuova vita alla materia prima seconda – ovvero quei materiali che possono essere reintrodotti nei cicli produttivi come alternativa alle materie prime vergini – trasformando così i rifiuti in una risorsa.

Inoltre, iWAMO ha portato alla creazione di un nuovo dataset pensato esclusivamente per il riciclo e lo smistamento dei rifiuti. Questo archivio raccoglie migliaia di immagini annotate con estrema precisione, in cui ogni oggetto è identificato e misurato, includendo anche informazioni sul suo peso reale.

Una risorsa inedita, non disponibile in nessun archivio pubblico, che rappresenta un punto di riferimento per sviluppare e testare sistemi di intelligenza artificiale dedicati al waste sorting, ovvero alla separazione dei rifiuti in base al tipo o al materiale.

Grazie a questo patrimonio di dati, sono stati migliorati i modelli di riconoscimento delle immagini, rendendoli capaci non solo di identificare la tipologia di rifiuto, ma anche di distinguere i singoli oggetti all’interno della stessa categoria.

Il sistema, infatti, non si limita a riconoscere “oggetti di plastica”, ma riesce a separare e contare ogni singola istanza.