إدارة نفايات ذكية وفعّالة عبر التعلم العميق المدعوم بشبكات إنترنت الأشياء اللاسلكية

لماذا يهم فرز النفايات بالتقنيات المتقدمة

نحن كثيراً ما نرمي قمامتنا في سلة وننساها، لكن ما يحدث بعد ذلك يشكّل بيئتنا وصحتنا وحتى ميزانيات مدننا. في أنحاء العالم، تتزايد أكوام القمامة المختلطة ما يجعل إعادة التدوير أصعب والمطامر أكثر امتلاءً. تستعرض هذه الورقة كيف يمكن للكاميرات وأجهزة الاستشعار اللاسلكية ونوع من الذكاء الاصطناعي أن تتعاون للكشف عن نوع النفايات التي نتخلص منها وإرسالها تلقائياً إلى المكان المناسب، مما يجعل رحلة القمامة أكثر ذكاءً وأمناً.

التحدي المتصاعد للنفايات اليومية

تنتج المدن الآن مليارات الأطنان من النفايات الصلبة سنوياً، ومن المتوقع أن يرتفع هذا الرقم بشكل حاد بحلول منتصف القرن. في كثير من المناطق، لا يزال العمال يفرزون النفايات يدوياً، وهي مهمة بطيئة ومكلفة وخطرة تعرضهم لأجسام حادة، وأبخرة، وأمراض. حاولت أدوات الحوسبة الحالية المساعدة، لكن العديد منها يواجه صعوبة أمام المظهر الفوضوي والمتنوّع للنفايات الواقعية. قد تفترض أن البيانات تتصرف بأساليب بسيطة ومنظمة، أو تكون ثقيلة وبطيئة جداً للعمل في أنظمة عملية موضوعة في الحاويات أو الشاحنات أو محطات الفرز.

عيون ذكية وآلات متصلة

تقترح الدراسة إعداداً متكاملاً لفرز النفايات يجمع بين ثلاثة مكوّنات رئيسية: كاميرات متصلة بشبكة، حاسوب مركزي، وخط فرز ميكانيكي. تلتقط كاميرات عالية الدقة موضوعة قرب نقاط التجميع صوراً لكل قطعة تتحرك على الناقلة. يقوم متحكم دقيق مجاور بتنقية هذه الصور وإرسالها لاسلكياً إلى حاسوب أقوى. هناك، ينظر نموذج تعرف على الصور إلى كل صورة ويقرر ما إذا كانت تظهر كرتوناً أو زجاجاً أو معدنًا أو ورقًا أو بلاستيكًا أو نفايات عامة. بناءً على هذا القرار، تحرّك إشارات التحكم فتحات أو نواقل أو أذرع روبوتية حتى تسقط كل قطعة في الحاوية الصحيحة، كل ذلك في الوقت الفعلي وبدون تعامل بشري.

كيف يرى محرك التعلم قمامتك

في قلب النظام محرك طبقي لاكتشاف الأنماط مستوحى من كيفية عمل الرؤية في الحيوانات. تركز الطبقات المبكرة في هذا المحرك على ميزات بسيطة مثل الحواف والقوام، بينما تجمع الطبقات العميقة هذه إلى أشكال أكثر تعقيداً تطابق الزجاجات والعبوات والصناديق. درّب الباحثون هذا المحرك على مجموعة عامة تضم أكثر من 2400 صورة معنونة تظهر الأنواع الستة من النفايات بأشكال وأحجام وظروف إضاءة متنوعة. أثناء التدريب عرضوا عليه هذه الأمثلة مراراً مع تغييرات طفيفة مثل التدوير والتكبير والانعكاس حتى لا يخدعها اختلاف زاوية الرؤية الصغيرة. كما استخدموا حيل تنظيمية تطفئ أجزاء من النموذج عشوائياً أثناء التدريب لمنعه من حفظ مجموعة البيانات ومساعدته على التعامل مع صور جديدة وغير مرئية من قبل.

ما نجح جيداً وما يزال يربكه

عند اختباره على صور منفصلة، صنّف النظام بشكل صحيح قليلاً أكثر من نصف العناصر بشكل إجمالي — نسبة متواضعة للوهلة الأولى، لكنها خطوة واضحة إلى الأمام مقارنة بالأساليب الأقدم المبنية على قواعد أو نماذج أبسط. كان قويًا بشكل خاص في رصد قطع الكرتون والورق، حيث اكتشف معظمها ونادراً ما أعطى إنذارات كاذبة. وجد النظام المعادن والزجاج والنفايات المختلطة بشكل معقول، لكنه واجه صعوبة أكبر مع البلاستيك، حيث كان يخلط غالبًا بين القطع ومواد لامعة أو مجعدة أخرى. أظهر تحليل أنماط الأخطاء أن الأشياء التي تبدو متشابهة للعين البشرية — مثل علب المعادن وزجاجات الزجاج، أو أنواع البلاستيك المختلفة — صعبة أيضاً على النموذج للتفريق بينها اعتماداً فقط على صور ألوان عادية.

نظرة مستقبلية نحو مدن أنظف وأكثر ذكاءً

بعبارات بسيطة، تُظهر هذه الدراسة أن خط فرز معتمد على الكاميرات ومتصّل لاسلكياً ومدفوع ببرمجيات حديثة للتعرف على الأنماط يمكنه بالفعل أن يتولى الكثير من العمل القذر لفصل النفايات المنزلية. وعلى الرغم من أن النسخة الحالية ليست مثالية، لا سيما بالنسبة للبلاستيك المعقد، إلا أنها تثبت أن مثل هذه الأنظمة يمكن أن تعمل باستمرار، وأنها قابلة للتوسع مع تدفقات نفايات كبيرة، ويمكن تعديلها لتتأقلم مع ظروف جديدة. مع بيانات تدريب أغنى، وتصاميم نموذج محسنة، وربما طرق استشعار إضافية، يمكن للإصدارات المستقبلية أن تفرز بدقة وموثوقية أكبر. وسيعني ذلك تلوثاً أقل لإعادة التدوير، ومخاطر أقل على العمال، ومساراً أكثر استدامة لأكياس القمامة العادية التي نخرجها كل يوم.

الاستشهاد: Latha, P., Benni, N.S., Asuti, M.G. et al. Smart and efficient waste management through wireless IoT-enabled deep learning. Sci Rep 16, 11118 (2026). https://doi.org/10.1038/s41598-026-43827-8

الكلمات المفتاحية: إدارة نفايات ذكية, إنترنت الأشياء, التعلم العميق, إعادة التدوير الآلي, فرز النفايات بالاعتماد على الصور