نماذج شبكات عصبية تلافيفية عميقة متبقية وهجينة لتصنيف النفايات الواقعية مع وعي بالثقة لإدارة نفايات مستدامة

لماذا يهم فرز القمامة بذكاء أكبر

تنتج الحياة العصرية جبالاً من النفايات، وغالباً ما ينتهي الكثير منها في الأماكن الخاطئة. عندما تُدفن المواد القابلة لإعادة التدوير في المدافن أو تخلط مخلفات الطعام مع المعادن والبلاستيك، نفقد موارد ثمينة ونزيد التلوث وانبعاثات الغازات الدفيئة. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي المتقدم المبني على الصور أن يتعرف تلقائياً على أنواع النفايات المختلفة في ظروف مزبلة حقيقية فوضوية، بهدف جعل إعادة التدوير أسرع وأكثر أماناً وأكثر موثوقية بكثير من الفرز اليدوي وحده.

من مدافن حقيقية، لا صور مخبرية نظيفة

اعتمدت معظم الأبحاث السابقة في الفرز الآلي للنفايات على صور نظيفة ومعدّة بعناية: زجاجة واحدة في المنتصف على خلفية بسيطة، أو أكواماً مرتبة من الورق والزجاج. بالمقابل، يعمل الباحثون هنا على مجموعة RealWaste، مجموعة من آلاف الصور الملونة الملتقطة في منشأة نفايات وإعادة تدوير فعلية في أستراليا. قد تحتوي كل صورة على عناصر مشوهة أو متداخلة أو متسخة على أرض خرسانية خشنة: أنابيب كرتونية، مخلفات طعام، زجاج مكسور، ورق مجعد، قطع معدنية، حاويات بلاستيكية، وقطع نسيج. تُجمع هذه الصور في تسع فئات واسعة تتوافق مع كيفية فرز المنشآت فعلياً في المرحلة الأولى، مثل الورق، البلاستيك، المعادن، المخلفات العضوية، والغطاء النباتي. يضفي هذا التركيز على المشاهد الحقيقية صلة أكبر بالنظم العملية في العالم الحقيقي.

تنقية الصورة قبل اتخاذ القرار

نظراً لأن الصور الخام مزدحمة للغاية، يقوم الفريق أولاً بـ"تنقيتها" باستخدام مزيج من تقنيات تقسيم الصور. بدلاً من الاعتماد على طريقة واحدة، يطبقون أربع طرق مختلفة لفصل الأجسام الأمامية عن الخلفية، كل منها مضبوطة لاكتشاف دلائل بصرية مختلفة مثل التباين والإضاءة أو تجمُّعات الألوان. تُدمج النتائج بحيث تُحتفظ فقط بالمناطق التي اتفقت عليها عدة طرق كونها عناصر نفايات مرجحة. ثم تفصل خطوة إضافية بين الأجسام التي تلامس أو مكدسة فوق بعضها. ينتج عن ذلك قناع مصفّى يبرز النفايات فقط بينما يخفت نسيج الأرضية والمحيط المربك. تُصفى الصورة الأصلية عبر هذا القناع حتى ترى الشبكات العصبية غالباً النفايات نفسها بدلاً من الضوضاء المحيطة.

الشبكات العميقة والنماذج الهجينة تتعلم رؤية النفايات

فوق هذا المعالجة المسبقة، يعدِّل الباحثون نطاقاً واسعاً من شبكات التعرف على الصور الحديثة، المعروفة بالشبكات العصبية التلافيفية. تشمل هذه تصميمات شائعة مثل Inception وDenseNet وVGG وEfficientNet وMobileNet وعدة إصدارات من ResNet. يبرز من بينها نموذج عميق جداً يسمى ResNet101، حيث يصل إلى دقة تقارب 99% ودرجة F1 مرتفعة مماثلة على بيانات RealWaste. لدفع الأداء أكثر، يبني المؤلفون نماذج "هجينة" تدمج خرائط الميزات الداخلية لشبكتين مختلفتين — على سبيل المثال، دمج قدرة ResNet101 على التعامل مع النسيج والبنية مع قدرة InceptionV3 على النظر إلى الأشياء بمقاييس متعددة. تبدو هذه النماذج الهجينة مفيدة بشكل خاص للفئات الصعبة مثل المنسوجات والنفايات المتفرقة، حيث قد تكون العناصر مجعدة أو ممزقة أو مخفية جزئياً.

التحقق ليس فقط مما يتنبأ به النموذج، بل ومدى ثقته

بعيداً عن الدقة الخام، تطرح الدراسة سؤالاً حاسماً لأي نظام قد يعمل في مصنع أو مركز فرز: ما مدى ثقة النموذج بكل قرار؟ لكل تنبؤ، ينتج النموذج درجة ثقة بين 0 و1 تشير إلى مدى اعتقاده بأن العنصر ينتمي إلى فئة معينة. يحلل المؤلفون توزيع هذه الدرجات عبر آلاف الصور الاختبارية. يجدون أن الفئات المميزة بصرياً مثل الغطاء النباتي، الحاويات البلاستيكية، والمخلفات العضوية تتنبأ بها كل من أفضل نموذج مفرد وأفضل نموذج هجين بثقة عالية عادةً، غالباً فوق 0.95. تظهر الفئات الأكثر إرباكاً نطاقاً أوسع من الدرجات، مما يشير إلى أماكن قد تحتاج إلى فحص بشري إضافي أو بيانات تدريب محسّنة. كما يبينون أن إضافة خطوة التقسيم قبل التصنيف تعزز بشكل ملحوظ كل مقاييس الأداء الرئيسية، من الدقة إلى درجة F1.

نحو أنظمة نفايات أكثر موثوقية واستدامة

بعبارات بسيطة، تُظهر الورقة أن تركيبة مصممة بعناية من تنقية الصور والتعلم العميق وتصميم النماذج الهجينة يمكنها التعرف على النفايات الواقعية بموثوقية ملحوظة، حتى عندما تكون العناصر متسخة أو متداخلة أو ذات أشكال غريبة. ينبثق ResNet101 كهيكل قوي، بينما تضيف النماذج الهجينة قوة إضافية للمواد الأصعب رصدها. من خلال إرفاق درجة ثقة ذات مغزى بكل قرار، لا يقتصر النظام على فرز النفايات فحسب، بل يشير أيضاً إلى حالات الشك، مما يمهد الطريق لأتمتة أكثر أماناً. وبينما هناك حاجة لمزيد من العمل لتقليص النماذج لأجهزة صغيرة ولتجربتها في مرافق حقيقية تعمل في الوقت الفعلي وعلى نطاق كامل، تضع هذه الأبحاث أساساً قوياً لفرز ذكي للنفايات يمكن أن يساعد المدن على إعادة تدوير المزيد، وتقليل المرسَل إلى المدافن، وتخفيف العبء البيئي لنفاياتنا اليومية.

الاستشهاد: Kumar, Y., Bhardwaj, P., Malhotra, S. et al. Deep residual and hybrid CNN models for confidence-aware real-world waste classification for sustainable waste management. Sci Rep 16, 10424 (2026). https://doi.org/10.1038/s41598-026-41001-8

الكلمات المفتاحية: تصنيف النفايات, التعلم العميق, رؤية الحاسوب, أنظمة إعادة التدوير, إدارة نفايات مستدامة