Как искусственный интеллект помогает перерабатывать отходы
Инновации и «зеленая» экономика неразрывно связаны. Одна из перспективных сфер экологичной автоматизации — «умная» сортировка мусора, и в России уже есть немало подобных бизнес-моделей
Фото: NeuroRecycle

«Зеленая» экономика, как любая другая прогрессивная отрасль, развивает не только традиционную инфраструктуру, но и активно экспериментирует с передовыми технологиями — например, искусственным интеллектом (ИИ). Самый очевидный сценарий применения ИИ в отрасли — «умная» сортировка мусора, способная повысить эффективность переработки отходов. РБК поговорил с энтузиастами из России, мечтающими построить бизнес в перспективной нише.

Планетарий и роботы

33-летний уроженец Санкт-Петербурга Евгений Гудов долгое время работал в консалтинге, а в последние годы запускает в родном городе необычные бизнес-проекты. В 2015-м он организовывал мультимедийные выставки (например «Айвазовский и маринисты»), а в 2017-м вместе с партнерами открыл крупнейший в мире планетарий в здании бывшего газгольдера на Обводном канале. На реставрацию купола рекордным диаметром 37 м и покупку современного оборудования потратили 400 млн руб. Столь масштабный проект потребовал квалифицированной команды разработчиков и технологичного инвентаря. Все это пригодилось в новом стартапе Гудова — NeuroRecycle. Робототехнический проект вырос на базе некоммерческого коворкинга YotaLab, который предприниматель создал в альянсе с мобильным оператором Yota. Всего пространством пользуются более 60 специалистов, большинство — сотрудники планетария. Из них десять трудятся над NeuroRecycle.

NeuroRecycle — это сортировочный робот-трипод и нейросеть. Робот выглядит как перевернутый штатив, к которому прикреплена роборука. Она двигается по трем осям и, пользуясь технологиями искусственного интеллекта, сортирует мусор по фракциям. Нейро­сеть — это математическая модель, имитирующая деятельность человеческого мозга. Для сортировки разработчики «обучают» ее различать изображения отходов. Сеть сначала «съедает» базу готовых картинок, анализирует их и позднее уже сама понимает, к какой группе относятся новые данные. Затем она дает команду роботу, который осуществляет механическую сортировку.

Эта процедура напоминает традиционную оптическую сортировку мусора с применением инфракрасного излучения, отражение которого от материалов позволяет конвейеру определять тип мусора на сортировочной ленте. Однако стоимость нейросетей ниже: если оптические машины на вторичном рынке не приобрести дешевле €50 тыс., то большая часть софта для разработки и обучения ИИ — в открытом доступе. В случае NeuroRecycle, к примеру, используются готовые решения YOLO и TensorFlow.

Ими же пользуются зарубежные аналоги — например, канадская Waste Robotics и финская ZenRobotics. Главным отличием российского проекта от конкурентов Евгений Гудов называет работу «не только со строительным мусором, но и с бытовыми отходами», А также более дешевую разработку. Экономия в четыре-пять раз достигается за счет материалов и комплектующих (робот — собственной сборки), объясняет предприниматель. Как и в других подобных проектах, основная проблема NeuroRecycle — в наборе визуальных данных для нейросети. Поскольку универсальной базы нет, разработчикам самим приходится искать и фотографировать мусор, а затем обрабатывать изображения для загрузки в собственную базу.

Текущий процент сортируемых «умным» роботом отходов Гудов не раскрывает. Цель — разбор не менее 70% изучаемого мусора, остальные 30% все так же отправятся на полигон или мусоросжигательный завод.

NeuroRecycle пока на стадии прототипа: выставочная версия робота будет готова к лету, а «воспитание» нейросети завершится в конце 2019-го. Инвестиции в проект уже достигли 25 млн руб. Готовый продукт Гудов планирует продавать или развивать совместно с другими компаниями. Недостатка в покупателях не будет, уверен он: «Ориентируемся на заказчиков со стороны государства, технология будет им интересна». Миссией NeuroRecycle предприниматель называет снижение стоимости сортировки за счет исключения из процесса человека. «Мы хотим сделать эту сферу привлекательной и выгодной», — заключает Гудов.

Пицца за мусор

19-летний студент Технологического института Карлсруэ Егор Спирин — еще один энтузиаст внедрения технологий ИИ в мусорную сферу. Его «умная» урна SmartBin при помощи нейросети определяет тип мусора и автоматически сортирует его в нужную корзину или предлагает забрать неподходящий мусор, чтобы выбросить в другом месте. Идея появилась у Спирина после путешествий в Европу: «В Германии и Финляндии стало понятно, что в других странах с переработкой мусора все сильно лучше, чем в России».

SmartBin внешне мало отличается от обычной урны — это сбитый из фанеры куб. «Магия» — внутри и в «облаке»: промежуточный отсек оборудован веб-камерой и одноплатными компьютерами Arduino и Raspberry Pi, которые отвечают за движение сортирующей створки и отправку изображения на удаленный сервер для обработки нейросетью. Урна использует нейросеть Inception V3 от Google на архитектуре TensorFlow. Базу изображений сети команда SmartBin расширяет каждую неделю.

Череповец — родной город Спирина: SmartBin он запустил в 2017 году, еще будучи школьником. А единственная рабочая урна стоит в альма-матер изобретателя — лицее АМТЭК.

Пока SmartBin принимает только пластиковые бутылки и алюминиевые банки. После получения идентификатора сырья от нейросети урна либо «проглатывает» бутылку в нужный контейнер, либо оповещает пользователя о том, что этот тип сырья не поддерживается. Егор Спирин также разработал для проекта бонусную программу. Бонусы можно получить за сдачу вторсырья через специальные контейнеры. За это пользователю начисляются баллы в мобильном приложении, которые можно обменять на товары и скидки компаний-партнеров. Так, за 50 пластиковых бутылок или 80 алюминиевых банок можно получить пиццу в одном из ресторанов Череповца.

Череповец — родной город Спирина: SmartBin он запустил в 2017 году, еще будучи школьником. А единственная рабочая урна стоит в альма-матер изобретателя — лицее АМТЭК. «Школьники — подходящая и открытая к новому аудитория, — объясняет Егор. — Особенности учебного процесса также использовали для совершенствования опыта конечного потребителя: идентификация пользователей происходит при помощи RFID-карт лицеистов».

Циклическая экономика Загрязнение Раздельный сбор мусора
Без следа: почему бахилы становятся многоразовыми

В команду SmartBin помимо Егора Спирина входят разработчик Александр Алексеев, сотрудник Дарвинского заповедника Дмитрий Садоков и пять лицеистов АМТЭКа. Также проект консультируют создатели бота Open Recycle AI, который через окно диалога в мобильных мессенджерах определял, как пользователю следует поступить с той или иной фракцией мусора.

SmartBin уже участвовал в профильных конференциях и соревнованиях, например в МГУ и МФТИ. Команда вела переговоры об инвестициях с перерабатывающими компаниями и Фондом развития интернет-инициатив, но ни с одним из потенциальных партнеров не сошлась по условиям. Единственным внешним инвестором проекта является Carlsberg Group — компания предоставила стартапу грант 100 тыс. руб. за победу в конкурсе экологических инициатив. Для полноценного инвестиционного раунда SmartBin пока не созрел, признает Спирин. И дело не в стоимости системы, а в сложности масштабирования на всю страну — «нет инфраструктуры», заключает разработчик.

Нейросети захватывают мир

США:

В 2016 году нейросеть для сортировки мусора разработала команда студентов Стэнфорда. Они собрали более 2,5 тыс. фотографий шести типов отходов для ее обучения, А результат выложили в открытый доступ на сайте GitHub. Несмотря на масштаб работы, у нейросети получалось правильно определять тип мусора только в 25% случаев.

Чехия:

В том же 2016-м группа ученых из Масарикова университета в Брно собрала для нейросети библиотеку из полутора тысяч фотографий на работающем сортировочном предприятии. Процент ошибок ИИ в итоге колебался между 28 и 35%. Исследователи отметили, что существенного повышения эффективности можно достичь, если снизить количество анализируемых фракций мусора, — при работе с тремя типами отходов вместо шести точность выросла до 80%.

Китай:

Команда китайских исследователей из Шэньчжэня и других городов представила результаты разработки своей сортировочной нейросети в 2018-м. На сегодня это самый успешный пример: вероятность ошибки при разборе отходов не превышает 10%, утверждают ученые. Достичь существенного увеличения эффективности удалось тем же способом сокращения фракций: в Китае анализировали лишь два типа мусора.