למידת עומק לזיהוי פסולת בניין באמצעות ConvNeXt V2 EMA attention ואיבוד WIoU v3

מדוע מיון חכם יותר של פסולת בנייה חשוב

כל בניין חדש, שיפוץ או הריסה מייצרים ערמות של חומרי הרס—בטון שבור, לבנים, רעפים, עץ, קצף ועוד. חלק גדול מהחומרים האלה ניתן למחזור, אך לעתים קרובות הם מגיעים למזבלות כי מיון ידני איטי, יקר וחשוף לשגיאות. המחקר הזה בוחן כיצד צורה מתקדמת של בינה מלאכותית יכולה לזהות ולמיין אוטומטית סוגים שונים של פסולת בנייה מתוך תמונות, ולסייע לערים לצמצם זיהום, לחסוך בחומרי גלם ולהתקרב לשימוש מעגלי אמיתי במשאבי בניין.

הריסות, משאבים ובעיה עולמית מתפתחת

פסולת בנייה והרס היא כיום אחת זרמי הפסולת הצומחים במהירות הגדולה ביותר בעולם, עם כאלף מיליון טון שמייצרים בכל שנה. ערמות ההריסות האלה תופסות קרקע, מסכנות זיהום הקרקע והמים ומבזבזות חומרים שהפיקו והיו כרוכים בהם אנרגיה ופליטות. כיום הטיפול עדיין נשען במידה רבה על הטמנה והצברה. מערכות ראייה אוטומטיות שיכולות במהירות להבחין בין בטון ולבנים, רעפים ועץ או קצף ולוח גבס עשויות לשפר במידה דרמטית את שיעורי המיחזור. עם זאת, אתרי בנייה במציאות אמיתית הם כאוטיים: חפצים חופפים, מכוסים באבק ויש להם צבעים ומרקמים דומים, מה שהופך זיהוי אוטומטי אמין לאתגר קשה.

"עין" דיגיטלית חדשה לפסולת על מסוע

המחברים מציעים מערכת זיהוי עצמים מותאמת בשם YOLO‑CEW, שבנויה על משפחת המודלים בזמן‑אמת הפופולרית YOLO. הם מאמנים אותה על מאגר נתונים ייעודי של 1,774 תמונות שנלקחו במתקן מיחזור בקפריסין, הכולל יותר מ‑11,000 פריטים מתויגים של פסולת בנייה והרס בשישה קטגוריות נפוצות: בטון, לבנים, רעפים, לוח גבס, עץ וקצף. התמונות מחולקות לערכות אימון, ולידציה ומבחן כדי למנוע התאמה יתר, והמודל מופעל מספר פעמים עם אתחולים אקראיים שונים כדי להבטיח שהתוצאות יציבות. המטרה היא לשמור על מהירות מספיק גבוהה לשימוש על מסועים נעים תוך שיפור ניכר בדיוק בזיהוי ובתיוג כל חתיכת פירורה.

כיצד ה‑AI המשודרג מסתכל מקרוב ולומד מטעויות

YOLO‑CEW משפר את דגם ה‑YOLOv8 הבסיסי בשלושה אופנים מרכזיים. ראשית, הוא מחליף את עמוד השדרה החילוצי בתכונות בראיות נקודות מסוימות ב‑ConvNeXt V2, שהוא טוב יותר בלכידת הבדלים חזותיים עדינים—כמו דפוסים עדינים שמבדילים רעפים מבטון—בלי להאט את המערכת יותר מדי. שנית, הוא מוסיף מודול Efficient Multi‑scale Attention (EMA) שמלמד את הרשת להתמקד באזורים המעניינים ביותר ברמות גודל שונות, מה שמגבירה את היכולת למצוא גם לוחות גדולים וגם פרגמנטים קטנים וחלקית מוסתרים תוך התעלמות מרעש רקע מסיח. שלישית, הוא מציג פונקציית איבוד מעודכנת, WIoU v3, שמפחיתה משקל לניחושים גרועים מאוד של תיבות גבול ומתמקדת בלמידה על דוגמאות מבטיחות יותר, ובכך מסייעת למודל לכווץ טוב יותר את התיבות סביב עצמים אמיתיים במקום להטעות על ידי דגימות קולניות.

בדיקת המודל בתנאים ריאליסטיים

במאגר הנתונים של פסולת בנייה, YOLO‑CEW משיג דיוק של 96.84%, זיהוי (recall) של 95.95% וציון זיהוי כולל (mAP@50) של 98.13%, כולם גבוהים מהקו הבסיסי של YOLOv8 המקורי. במונחים מעשיים, זה אומר שהוא מפספס פחות עצמים ומייצר פחות אזעקות שווא. המודל חזק במיוחד בהבחנה בין קטגוריות מאתגרות כמו רעפים וקצף, אף שיש עדיין בלבול מסוים בין לבנים ובטון כאשר האבק מטשטש גבולות. חשובה העובדה שהמערכת עדיין רצה בכ‑128 פריימים לשנייה—הרבה מעל הדרוש למעקב בזמן אמת—ולכן מתאימה לשימוש בקווי מיחזור פעילים. בדיקות סטטיסטיות באמצעות פרוצדורת bootstrap מאשרות שהשיפורים אינם תוצאה של מקריות. השוואות מול גרסאות YOLO שונות מראות ש‑YOLO‑CEW מובילה בעקביות בדיוק תוך שמירה על איזון נוח בין מהירות וביצועים.

מעבר למפעל יחיד: התאמה לזרמי פסולת אחרים

כדי לבדוק אם הגישה שלהם כללית, החוקרים גם בודקים את YOLO‑CEW על מאגר נתונים פומבי נפרד לזיהוי אשפה המכסה חומרים ביתיים נפוצים כגון פלסטיק, זכוכית וקרטון. אפילו מבלי להיות מעוצב במיוחד לסביבה החדשה הזו, המודל עדיין גובר על YOLOv8 הסטנדרטי בדיוק, בזיהוי ובאיכות הזיהוי הכוללת. הדבר מצביע על כך שהשיפורים הארכיטקטוניים—חילוץ תכונות משופר, תשומת לב חכמה יותר וטיפול זהיר יותר בדוגמאות אימון גרועות—ניתנים לשימוש חוזר במשימות מיחזור וניטור סביבתי אחרות, ממיון פסולת ביתית ועד זיהוי פסולת על ידי רחפנים.

מה זה אומר עבור ערים חכמות ונקיות יותר

לא מומחים, המסקנה היא ש‑YOLO‑CEW פועל כמו מערכת מצלמה חדה ומדויקת בהרבה לזיהוי פסולת בנייה. הוא יכול לעקוב אחרי זרם נייד של הריסות, למצוא כל חפץ ולתייג מאיזה חומר הוא עשוי במהימנות ובמהירות גבוהות. זה מקל על תכנון קווי מיון אוטומטיים שבהם מכונות מעבדות ומכוונות חומרים לשימוש חוזר במקום להטמנה. למרות שעדיין נשארו אתגרים—כגון התמודדות עם צפיפות קיצונית, אבק וחומרים נדירים—המחקר מראה שמודלים של למידת עומק מכוונים בקפידה יכולים להפוך את ערמות ה"פסולת" של היום לזרמי משאבים שלמחרת, לתמוך בפרקטיקות בנייה ירוקות ובערים חכמות יותר.

ציטוט: Han, D., Ma, M., Li, X. et al. Deep learning for construction waste detection using ConvNeXt V2 EMA attention and WIoU v3 loss. Sci Rep 16, 6441 (2026). https://doi.org/10.1038/s41598-026-37473-3

מילות מפתח: פסולת בניין, מיחזור AI, זיהוי עצמים, ערים חכמות, למידת עומק