ResSeMo: دمج شبكة عصبية تلافيفية عميقة لتصنيف النفايات بدقة عالية ومعالجة فعالة

لماذا يهم فرز النفايات بذكاء

يوميًا تكافح المدن في جميع أنحاء العالم جبالًا من القمامة المختلطة. عندما تنتهي الزجاجات والعلب وبقايا الطعام والبطاريات في نفس الحاوية، يصبح إعادة تدويرها بأمان أصعب وأكثر تكلفة. تقدم هذه الورقة ResSeMo، نظام رؤية حاسوبية جديد يعلّم الآلات التعرّف على أنواع النفايات بسرعة وموثوقية، حتى في مشاهد الشارع الحقيقية، مما يساعد على الاقتراب من أحياء أنظف وإعادة تدوير أكثر كفاءة.

تكدّس النفايات الحضرية المتزايد

أدى التوسع الحضري إلى زيادة حادة في كمية النفايات التي يولّدها الناس. تعتمد طرق الفرز التقليدية على العمال والآلات البسيطة التي غالبًا ما تسجّل أخطاء تصنيف بأكثر من ربع النفايات التي تتعامل معها. هذا يعني أن المواد القيِّمة تُدفن أو تُحرق بدل إعادة استخدامها، وتفلت مواد خطرة مثل البطاريات. لجأ الباحثون إلى تقنيات التعرف على الصور الحديثة، حيث تفحص الكاميرات والخوارزميات صور النفايات وتقرر ما إن كان العنصر زجاجًا أو بلاستيكًا أو ورقًا أو معدنًا أو شيئًا آخر. ومع ذلك، فإن العديد من الأنظمة الحالية بطيئة وثقيلة، أو تعمل جيدًا فقط في ظروف مختبرية نظيفة ومسيطر عليها، وليس على الأرصفة المزدحمة أو داخل سلات قمامة ممتلئة.

دماغ ثلاثي الأجزاء جديد للنفايات

يتصدّى ResSeMo لهذه المشكلة بدمج ثلاثة أنواع من وحدات الشبكات العصبية في «دماغ» منسق واحد. الجزء الأول يتخصص في التقاط تفاصيل بصرية غنية على مقاييس متعددة، مثل النسيج والحواف واللمعان، ليُميّز زجاجة من بلاستيكية. الجزء الثاني يعمل ككشاف ضوئي، يعزّز أهم المؤشرات البصرية، مثل آثار التآكل على المعدن أو نماذج البطاريات المميزة، مع تقليل تأثير الخلفيات المشتتة. الجزء الأخير يركّز على تحقيق كل ذلك بحسابات أقل بكثير، مما يسمح للنظام بالعمل على أجهزة صغيرة مثل الحاويات الذكية أو الحساسات منخفضة الطاقة دون استهلاك كبير للذاكرة أو الطاقة. تشكل هذه الأجزاء معًا خط أنابيب خطوة بخطوة يحوّل الصور الفوضوية إلى قرارات فئوية واثقة.

التدريب على نفايات العالم الحقيقي

لاختبار ResSeMo، استخدم المؤلفون مجموعتين رئيسيتين من الصور. الأولى، TrashNet، تحتوي على بضعة آلاف من الصور الملتقطة في إعدادات بسيطة حيث يكون كل كائن واضحًا ومتمركزًا. الثانية، TACO، أكبر بكثير وأكثر قربًا من الواقع، ومليئة بالنفايات المتناثرة على الشوارع والحدائق والزوايا الداخلية، وغالبًا ما تكون صغيرة جزئيًا مخفية أو مضاءة بشكل سيئ. أعدّ الفريق هذه البيانات بعناية: وزّقوا ملصقات الفئات بين المصدرين، وزادوا عدد العينات بحيل قياسية مثل الدوران وتغيير السطوع، وكبروا مناطق الصورة حول العناصر الصغيرة جدًا مثل أغطية الزجاجات لتسهيل رؤيتها على النموذج. أضافوا أيضًا ملصقات إضافية تصف مدى اتساخ وحجم كل عنصر لدعم تحليل لاحق حول كيف قد تؤثر خيارات الفرز على سلسلة التعامل مع النفايات.

وضع النموذج على المحك

قورن ResSeMo بعشر شبكات معروفة، بما في ذلك نماذج قوية تُستخدم كثيرًا في الأبحاث ونماذج أخف مصممة للهواتف. في صور TrashNet الأبسط، صنّف النظام الجديد بشكل صحيح أكثر من تسعة عناصر من كل عشرة مستخدمًا خطوات حسابية أقل بكثير من أقوى المنافسين. في صور TACO الأكثر تحديًا، ظل يعترف بما يقرب من 87% من العناصر بشكل صحيح مع الحفاظ على أزمنة معالجة قصيرة. تحمل النموذج جيدًا أيضًا في ظروف صعبة: عندما أضاف الباحثون ضوضاء أو ضبابية أو ظلامًا أو وهجًا أو محاكاة طقس سيء، انخفضت دقة ResSeMo بدرجة طفيفة وبقيت أعلى من النماذج المنافسة. أظهرت اختبارات إضافية على لوحات صغيرة مثل NVIDIA Jetson Nano وRaspberry Pi أن نسخة مضغوطة يمكن أن تعمل بطاقة وذاكرة منخفضتين، مما يجعلها مناسبة للأجهزة المضمنة في الميدان.

ماذا يعني هذا للحياة اليومية

بعبارات بسيطة، يبيّن ResSeMo أنه يمكن بناء نظام فرز نفايات يجمع بين الرؤية الحادة والعملية. من خلال مزج قدرات التعرف القوية مع تصميم ملائم للأجهزة الصغيرة منخفضة الطاقة، يساعد النهج على تجسير الفجوة بين الأبحاث والحاويات الحقيقية في الشوارع الحقيقية. بينما لا يزال هناك عمل للتعامل مع أنواع النفايات النادرة أو الظروف القصوى، تبيّن هذه الدراسة مسارًا واعدًا للمدن التي ترغب في أتمتة الفرز المبدئي، واسترداد المزيد من المواد، وإبقاء العناصر الضارة بعيدة عن المدافن والمحارق.

الاستشهاد: Liu, T., Li, B. & Wang, Z. ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing. Sci Rep 16, 15167 (2026). https://doi.org/10.1038/s41598-026-45814-5

الكلمات المفتاحية: تصنيف النفايات, التعلّم العميق, إعادة التدوير الذكية, ذكاء الحافة, الصرف الصحي الحضري