Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

ResSeMo: שילוב רשת נוירונים קונבולוציונית עמוקה לסיווג אשפה בדיוק גבוה ולעיבוד יעיל

· חזרה לאינדקס

מדוע חשוב למיין אשפה עם בינה

בכל יום ערים ברחבי העולם נאבקות עם ערימות של אשפה מעורבת. כאשר בקבוקים, פחיות, שאריות מזון וסוללות מסתיימים באותו פח, קשה ויקר יותר למחזר אותם בצורה בטוחה. מאמר זה מציג את ResSeMo, מערכת ראייה ממוחשבת חדשה שלומדת למכונות לזהות סוגי אשפה במהירות ובאמינות, גם בסצנות רחוב אמיתיות, ומסייעת להתקרב לשכונות נקיות יותר ולמיחזור יעיל יותר.

Figure 1. מערכת ראייה חכמה הופכת פסולת עירונית מעורבת לזרמים ממוקדים למיחזור ולעיבוד בטוח יותר.
Figure 1. מערכת ראייה חכמה הופכת פסולת עירונית מעורבת לזרמים ממוקדים למיחזור ולעיבוד בטוח יותר.

הערימה העירונית ההולכת וגדלה

התהליך של עיור הגדיל בצורה חדה את כמות הפסולת שאנשים מייצרים. שיטות המיון המסורתיות מסתמכות על עובדים ומכונות פשוטות שלעתים מסווגות בצורה שגויה יותר מרבע מהפסולת. משמעות הדבר היא שחומרים בעלי ערך נקברים או נשרפים במקום להיות ממוחזרים, ופריטים מסוכנים כמו סוללות חומקים מהמערכת. חוקרים פנו לזיהוי תמונה מודרני, שבו מצלמות ואלגוריתמים בוחנים תמונות של אשפה ומחליטים האם פריט הוא זכוכית, פלסטיק, נייר, מתכת או משהו אחר. עם זאת, מערכות רבות קיימות הן איטיות וכבדות, או עובדות היטב רק בתנאי מעבדה נקיים ומבוקרים, ולא על מדרכות מבולגנות או בתוך פחים מלאים.

מוח חדש בת שלושה חלקים לפסולת

ResSeMo מתמודד עם הבעיה על ידי שילוב של שלושה סוגי מודולים ברשת נוירונים ל"מוח" מתואם אחד. החלק הראשון מתמחה בזיהוי פרטים חזותיים עשירים בקני מידה מרובים, כגון מרקם, קווי המתאר וברק, כדי להפריד למשל בין בקבוק זכוכית לבקבוק פלסטיק. החלק השני פועל כמו זרקור, ומגביר את הרמזים החזותיים החשובים ביותר — למשל סימני קורוזיה על מתכת או תבניות אופייניות לסוללות — תוך הוסתרת רקעים מסיחי דעת. החלק האחרון מתמקד בביצוע כל זה עם חישובים מועטים בהרבה, מה שמאפשר למערכת לפעול על מכשירים קטנים כמו פחים חכמים או חיישנים בצריכת זיכרון ואנרגיה נמוכה. יחד הם יוצרים צינור שלב‑אחר‑שלב שהופך תמונות מבולגנות להחלטות קטגוריות בטוחות.

אימון על אשפה מהעולם האמיתי

כדי לבחון את ResSeMo, המחברים השתמשו בשתי מאגרי תמונות מרכזיים. הראשון, TrashNet, מכיל אלפי תמונות שצולמו בסביבות פשוטות שבהן כל אובייקט ברור וממוקם במרכז. השני, TACO, גדול יותר וקרוב למציאות — מלא בפסולת מפוזרת ברחובות, פארקים ופינות פנימיות, לעיתים זעירה, חלקית מוסתרת או בתאורה ירודה. הצוות הכין את הנתונים בקפידה: התאימו תוויות קטגוריה בין שתי המקורות, הגדילו את מספר הדוגמאות בעזרת טריקים סטנדרטיים כמו סיבוב ושינוי בהירות, והרחיבו אזורי תמונה סביב עצמים זעירים כגון פקקי בקבוקים כדי להקל על זיהויים. הם גם הוסיפו תוויות נוספות שמתארות כמה פריט מלוכלך וכמה מגושם, כדי לתמוך בניתוח מאוחר של האופן שבו בחירות מיון עשויות להשפיע על שרשרת הטיפול בפסולת.

Figure 2. מבט שלב‑אחר‑שלב על אופן שבו בינה קומפקטית מסננת תמונות אשפה כדי להפריד סוגי פסולת שונים בדיוק רב.
Figure 2. מבט שלב‑אחר‑שלב על אופן שבו בינה קומפקטית מסננת תמונות אשפה כדי להפריד סוגי פסולת שונים בדיוק רב.

המודל במבחן

השוו את ResSeMo עם עשר רשתות ידועות, כולל כבדות המשמשות לעיתים קרובות במחקר וכאלו קלות המיועדות לטלפונים. בתמונות הפשוטות של TrashNet, המערכת החדשה סיווגה נכון קצת יותר מתשעה מתוך עשרה פריטים בעוד שהשתמשה בהרבה פחות צעדי חישוב לעומת המתחרים החזקים ביותר. בתמונות המאתגרות יותר של TACO היא עדיין זיהתה כמעט 87 אחוזים מהפריטים נכון ושמרה על זמני עיבוד קצרים. המודל גם החזיק מעמד בתנאים קשים: כאשר החוקרים הוסיפו רעש, טשטוש, חושך, זוהר או סימולציה של מזג אוויר גרוע, הדיוק של ResSeMo ירד במידה מתונה והישאר גבוה יותר ממודלים מתחרים. בדיקות נוספות על לוחיות קטנות כמו NVIDIA Jetson Nano ו‑Raspberry Pi הראו שגרסה דחוסה יכולה לפעול בצריכת חשמל וזיכרון נמוכים, מה שהופך אותה מתאימה למכשירים מוטמעים בשטח.

מה זה אומר לחיי היום‑יום

במילים פשוטות, ResSeMo מראה שאפשר לבנות מערכת למיון אשפה שהיא גם חדה בעין וגם פרקטית. על ידי שילוב זיהוי דפוסים חזק עם עיצוב שמתאים לחומרה קטנה וחסכונית באנרגיה, הגישה מסייעת לגשר על הפער בין מחקר לפחים אמיתיים ברחובות אמיתיים. אמנם נדרש עוד עבודה לטיפול בסוגי אשפה נדירים או בתנאים קיצוניים, המחקר מראה דרך מבטיחה לעיריות שמעוניינות לאוטומט קידמת הקו של המיון, לשחזר יותר חומרים, ולשמור פריטים מזיקים מחוץ למזבלות ומשרפות.

ציטוט: 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

מילות מפתח: סיווג אשפה, למידה עמוקה, מיחזור חכם, בינה בקצה, תברואה עירונית