מודלים עמוקים שאריתיים והיברידיים של רשתות CNN למיון אשפה אמיתי־עולם עם מודעות לביטחון לקבלת ניהול פסולת בר־קיימא

מדוע מיון חכם יותר של פסולת חשוב

החיים המודרניים מייצרים ערמות של פסולת, ורובה מסתיים במקומות הלא נכונים. כאשר חומרים למיחזור נקברים במטמנות או שאריות מזון מעורבות עם מתכות ופלסטיק, אנו מאבדים משאבים יקרי ערך ויוצרים זיהום וגזי חממה. מחקר זה בוחן כיצד בינה מלאכותית מתקדמת מבוססת תמונה יכולה לזהות באופן אוטומטי סוגים שונים של פסולת בתנאים המוברקים של מטמנה אמיתית, במטרה להפוך את המיחזור למהיר, בטוח ומהימן הרבה יותר מאשר מיון ידני בלבד.

מתוך מטמנות אמיתיות, לא מתמונות נקיות במעבדה

רוב המחקרים הקודמים על מיון אוטומטי של פסולת הסתמכו על תמונות נקיות ומסודרות: בקבוק אחד במרכז על רקע חלק, או ערימות נייר וזכוכית מסודרות. לעומת זאת, המחקר משתמש במאגר RealWaste, אוסף של אלפי תמונות צבע שצולמו במתקן פסולת ומיחזור אמיתי באוסטרליה. כל תמונה עשויה להכיל פריטים מעוותים, חופפים או מלוכלכים השוכבים על בטון מחוספס: גלילי קרטון, שאריות מזון, זכוכית שבורה, נייר מקומט, חתיכות מתכת, מכלי פלסטיק וחתיכות טקסטיל. התמונות מקובצות לתשע קטגוריות רחבות שמתאימות לאופן בו מתקנים מסווגים פסולת בשלב הראשון, כמו נייר, פלסטיק, מתכת, חומרי מזון אורגניים וצמחייה. הדגש על סצינות אותנטיות הופך את המערכת לתכליתית יותר לתפעול בעולם האמיתי.

ניקוי התמונה לפני קבלת ההחלטה

מכיוון שהתמונות הגולמיות כל כך עמוסות, הצוות קודם כל "מנקה" אותן באמצעות שילוב של טכניקות סגמנטציה של תמונה. במקום להסתמך על שיטה אחת, הם מיישמים ארבע גישות שונות להפרדת אובייקטים קדמיים מהרקע, כל אחת מותאמת לזהות רמזים חזותיים שונים כמו ניגוד, תאורה או קבוצות צבעים. התוצאות משולבות כך שרק האזורים שמוסכמים על ידי מספר שיטות נשמרים כאזורי פסולת סבירים. שלב נוסף מפריד פריטים שנוגעים זה בזה או מונחים בערימות. זה מייצר מסכה מעודנת המדגישה רק את הפסולת ומרככת את המרקמים המבלבלים של הרצפה והסביבה. לאחר מכן מסננים את התמונה המקורית באמצעות מסכה זו כך שהרשתות הנוירוניות יראו בעיקר את הפסולת עצמה, ולא את הרעש סביבה.

רשתות עמוקות ומודלים היברידיים לומדים לראות פסולת

על גבי עיבוד מקדים זה, החוקרים משרים כוונון עדין על מגוון רחב של רשתות מודרניות לזיהוי תמונה, הנקראות רשתות קונבולוציה (CNN). אלה כוללות עיצובים פופולריים כמו Inception, DenseNet, VGG, EfficientNet, MobileNet וכמה גרסאות של ResNet. בולטת במיוחד רשת עמוקה מאוד בשם ResNet101, שהגיעה לדייקנות של כמעט 99% ולציון F1 גבוה באופן דומה על נתוני RealWaste. כדי לדחוף את הביצועים עוד יותר, המחברים בונים מודלים "היברידיים" הממזגים את מפות התכונות הפנימיות של שתי רשתות שונות — למשל, שילוב בין היכולת החזקה של ResNet101 לטפל בטקסטורה ומבנה לבין היכולת של InceptionV3 לבחון אובייקטים בסקאלות שונות. ההיברידים האלה מוכחים כמועילים במיוחד לקטגוריות מסובכות כמו טקסטיל ופסולת מעורבת, שבהן פריטים יכולים להיות מקומטים, קרועים או מוסווים חלקית.

בודקים לא רק מה המודל מנבא, אלא עד כמה הוא בטוח

מעבר לדייקנות הגולמית, המחקר שואל שאלה מרכזית לכל מערכת שעשויה לפעול במפעל או במרכז מיון עירוני: עד כמה המודל בטוח בכל החלטה? עבור כל חיזוי, הרשת מפיקה דירוג ביטחון בין 0 ל־1, המציין עד כמה היא מאמינה בחוזקה שהפריט שייך למחלקה מסוימת. המחברים מנתחים את התפלגות הציונים הללו על פני אלפי תמונות מבחן. הם מגלים שלקטגוריות בעלות ייחוד חזותי ברור כמו צמחייה, מכלי פלסטיק וחומרי מזון אורגניים, גם המודל היחיד הטוב וגם המודל ההיברידי הטוב בדרך כלל מנבאים בביטחון גבוה מאוד, לעתים מעל 0.95. קטגוריות מבלבלות יותר מציגות טווח רחב יותר של ציונים, מה שמצביע על מקומות שבהם ייתכן שנדרש בדיקה ידנית נוספת או שיפור בנתוני האימון. הם גם מראים כי הוספת שלב הסגמנטציה לפני הסיווג משפרת באופן מדיד את כל מדדי הביצועים המרכזיים, מהדיוק ועד לציון F1.

לקראת מערכות פסולת אמינות ובר־קיימא יותר

במילים פשוטות, המאמר מראה כי שילוב מתוכנן בקפידה של ניקוי תמונה, למידת מכונה עמוקה ועיצוב מודלים היברידיים יכול לזהות פסולת בעולם האמיתי באמינות מרשימה, גם כאשר הפריטים מלוכלכים, חופפים או מעוותים. ResNet101 בולט כעמוד שדרה חזק, בעוד שמודלים היברידיים מוסיפים חוזק נוסף לחומרים הקשים לזיהוי. על ידי הצמדת ציוני ביטחון משמעותיים לכל החלטה, המערכת לא רק ממיינת פסולת אלא גם מצביעה מתי היא עלולה להיות לא בטוחה, ומדגישה את האפשרות לאוטומציה בטוחה יותר. למרות שדורש עבודה נוספת לכיווץ מודלים להתקנים קטנים ולבדוק אותם במתקנים בזמן אמת בקנה מידה מלא, המחקר מניח יסוד מבוסס למיון פסול חכם שיכול לעזור לערים למחזר יותר, לשלוח פחות למטמנות ולהפחית את העומס הסביבתי של הפסולת היומיומית שלנו.

ציטוט: 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

מילות מפתח: מיון אשפה, למידה עמוקה, ראייה ממוחשבת, מערכות מיחזור, ניהול פסולת בר־קיימא