Apprendimento profondo per il rilevamento dei rifiuti edili usando ConvNeXt V2, attenzione EMA e loss WIoU v3

Perché la selezione più intelligente delle macerie edili è importante

Ogni nuova costruzione, ristrutturazione o demolizione produce montagne di detriti—calcestruzzo rotto, mattoni, piastrelle, legno, schiuma e altro. Gran parte di questi materiali potrebbe essere riciclata, eppure spesso finisce interrata in discarica perché la separazione manuale è lenta, costosa e soggetta a errori. Questo studio esplora come una forma avanzata di intelligenza artificiale possa riconoscere automaticamente e classificare diversi tipi di rifiuti da costruzione a partire dalle immagini, aiutando le città a ridurre l’inquinamento, risparmiare materie prime e avvicinarsi a un reale uso circolare delle risorse edilizie.

Detriti, risorse e un problema globale in crescita

I rifiuti da costruzione e demolizione sono oggi uno dei flussi di rifiuti a più rapida crescita al mondo, con circa un miliardo di tonnellate generate ogni anno. Queste cataste di detriti consumano suolo, rischiano di inquinare il terreno e le acque e sprecano materiali la cui produzione ha richiesto energia e emissioni. Oggi il trattamento si basa ancora in gran parte su discarica e stoccaggio. Sistemi di visione automatica che possano distinguere rapidamente il calcestruzzo dal mattone, la piastrella dal legno o la schiuma dal cartongesso potrebbero migliorare drasticamente i tassi di riciclo. Tuttavia, i cantieri reali sono caotici: gli oggetti si sovrappongono, sono coperti di polvere e condividono colori e texture simili, rendendo l’identificazione automatica affidabile una sfida difficile.

Un nuovo “occhio” digitale per i rifiuti sul nastro trasportatore

Gli autori presentano un sistema di rilevamento oggetti su misura chiamato YOLO‑CEW, costruito sulla popolare famiglia di modelli YOLO per visione in tempo reale. Lo addestrano su un dataset specializzato di 1.774 immagini scattate in un impianto di riciclaggio a Cipro, contenenti oltre 11.000 pezzi etichettati di rifiuti da costruzione e demolizione in sei categorie comuni: calcestruzzo, mattone, piastrella, cartongesso, legno e schiuma. Le immagini sono suddivise in insiemi separati per addestramento, validazione e test per evitare l’overfitting, e il modello viene eseguito più volte con differenti inizializzazioni casuali per garantire la robustezza dei risultati. L’obiettivo è mantenere il sistema sufficientemente veloce per l’uso su nastri trasportatori in movimento, migliorando al contempo la precisione con cui individua ed etichetta ogni singolo pezzo di detrito.

Come l’intelligenza artificiale migliorata guarda più da vicino e impara dai propri errori

YOLO‑CEW migliora il modello di base YOLOv8 in tre modi chiave. Primo, sostituisce il backbone estrattore di feature con un più recente ConvNeXt V2 in fasi selezionate, capace di catturare differenze visive sottili—come i motivi fini che distinguono le piastrelle dal calcestruzzo—senza rallentare troppo il sistema. Secondo, aggiunge un modulo di Efficient Multi‑scale Attention (EMA) che insegna alla rete a concentrarsi sulle regioni più informative a diverse scale, potenziando la capacità di trovare sia grandi lastre sia piccoli frammenti parzialmente nascosti ignorando il rumore di sfondo. Terzo, introduce una funzione di loss aggiornata, WIoU v3, che riduce il peso degli errori di box molto scadenti e concentra l’apprendimento sugli esempi più promettenti, aiutando il modello a stringere meglio le scatole attorno agli oggetti reali invece di essere fuorviato da campioni rumorosi.

Mettere il modello alla prova in condizioni realistiche

Sul dataset di rifiuti da costruzione, YOLO‑CEW raggiunge una precisione del 96,84%, un richiamo (recall) del 95,95% e un punteggio complessivo di rilevamento (mAP@50) del 98,13%, tutti valori superiori rispetto al baseline originale YOLOv8. In termini pratici, questo significa che perde meno oggetti e genera meno falsi allarmi. Il modello è particolarmente efficace nel distinguere classi difficili come piastrelle e schiuma, sebbene permanga qualche confusione tra mattone e calcestruzzo quando la polvere sfuma i confini. Importante è che il sistema mantiene una velocità di circa 128 frame al secondo—molto oltre quanto necessario per il monitoraggio in tempo reale—quindi è adatto all’uso nelle linee di riciclaggio attive. Test statistici basati su procedure bootstrap confermano che questi miglioramenti non sono dovuti al caso. Confronti con varie altre varianti di YOLO mostrano che YOLO‑CEW guida in modo consistente l’accuratezza mantenendo un buon equilibrio tra velocità e prestazioni.

Oltre un impianto: adattarsi ad altri flussi di rifiuti

Per verificare la generalizzabilità, i ricercatori testano anche YOLO‑CEW su un dataset pubblico separato per il rilevamento dei rifiuti domestici che copre materiali comuni come plastica, vetro e cartone. Anche senza essere progettato specificamente per questo nuovo contesto, il modello supera comunque lo standard YOLOv8 in precisione, recall e qualità complessiva del rilevamento. Ciò suggerisce che i miglioramenti architetturali—migliore estrazione delle feature, attenzione più intelligente e gestione più accurata degli esempi di addestramento poveri—potrebbero essere riutilizzati in altri compiti di riciclaggio e monitoraggio ambientale, dalla selezione dei rifiuti domestici al rilevamento di rifiuti tramite droni.

Cosa significa per città più pulite e intelligenti

Per i non specialisti, la conclusione è che YOLO‑CEW funziona come un sistema di telecamere molto più accurato e dalla visione più netta per i detriti da costruzione. Può osservare un flusso in movimento di macerie, individuare ogni oggetto e indicarne il materiale con elevata affidabilità e rapidità. Questo rende molto più semplice progettare linee automatizzate in cui le macchine separano e instradano i materiali per il riutilizzo invece che per l’interramento. Pur restando sfide—come la gestione di ingombri estremi, polvere e materiali raramente osservati—lo studio dimostra che modelli di deep learning accuratamente tarati possono trasformare le odierne cataste di “rifiuti” in futuri flussi di risorse, supportando pratiche edilizie più verdi e città più intelligenti.

Citazione: 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

Parole chiave: rifiuti da costruzione, riciclaggio AI, rilevamento oggetti, città intelligenti, apprendimento profondo