Cómo la IA Ayuda a los Recicladores a Convertir Residuos Mixtos en Material Reutilizable

La IA de visión y la robótica identifican lo que vale la pena recuperar de cintas transportadoras de ropa usada, botellas y materiales reciclables mixtos, desviando miles de toneladas de materiales de los rellenos sanitarios.
por

A medida que los líderes mundiales se reúnen en la COP31 en Türkiye con énfasis en residuo cero, un desafío práctico cobra relevancia: mantener los productos y materiales en uso por más tiempo. A nivel global, menos del 7% de los materiales que entran a la economía provienen de fuentes recicladas o reutilizadas. La generación de residuos sólidos municipales representa más de 2 mil millones de toneladas de basura al año, una cifra que podría casi duplicarse para 2050.

La IA y la robótica están ayudando a cambiar esta trayectoria, a medida que innovadores de todo el mundo mejoran la clasificación para recuperar recursos que de otro modo terminarían en rellenos sanitarios.

«Una economía más circular depende de hacer mejor uso de lo que ya tenemos», dijo Josh Parker, jefe de sostenibilidad de NVIDIA. «La IA puede ayudarnos a entender qué hay en un flujo de residuos, identificar qué se puede recuperar y automatizar el trabajo de clasificación. Estamos dando a los innovadores las herramientas de cómputo para hacer esos procesos más efectivos y llevarlos a más lugares.»

Conozca cómo cuatro miembros del programa NVIDIA Inception para startups aplican la IA para mantener los materiales valiosos en circulación.

AIRECO Da Nueva Vida al Plástico

Sistema de visión IA de AIRECO para clasificación de plásticos

El plástico reciclado solo se usa si su costo y calidad pueden competir con el material nuevo. Con demasiada frecuencia no puede: los residuos entrantes tienen calidad inconsistente, la clasificación depende de mano de obra difícil de encontrar y la chatarra mixta termina siendo degradada a productos de bajo nivel.

Los fundadores de AIRECO, una startup de Taiwán, creen que la clasificación con IA puede reducir el costo y mejorar la calidad del reciclaje para hacer estos materiales más útiles comercialmente. La empresa usa IA de visión para clasificar los plásticos con mayor precisión, permitiendo que los materiales sean extraídos de pilas de chatarra mixta para el reciclaje en bucle cerrado, donde los artículos usados se reprocesarán en nuevas versiones del mismo producto.

«Cuanto más fino clasifica, más puede reciclar», dijo Chun-Feng Liu, fundador y CEO de AIRECO. «Con material finamente clasificado, es más probable que un artículo permanezca en el bucle: una botella de plástico reciclada de vuelta en una botella una y otra vez, en lugar de terminar en otros productos que son difíciles de reciclar.»

La empresa utiliza módulos NVIDIA Jetson Orin NX para ejecutar inferencia en su línea piloto en una planta de reciclaje en Tainan, incluyendo para accionar brazos robóticos que seleccionan objetivos de una cinta transportadora. La precisión de reconocimiento en la línea de prueba supera el 95%. En una línea de producción completa planeada para el próximo año, el equipo apunta a casi triplicar la capacidad anual de procesamiento de residuos de 18,000 a 48,000 toneladas, reduciendo los costos operativos en un 85%.

EverestLabs AI Pone la Robótica en la Línea de Reciclaje

Robot de EverestLabs AI en línea de reciclaje

En las instalaciones de recuperación de materiales, las plantas que separan los reciclables domésticos, la clasificación debe hacerse en tiempo real en cintas transportadoras de movimiento rápido, requiriendo análisis rápido para identificar y separar artículos.

EverestLabs AI, una startup de EE.UU., despliega robots guiados por visión por computadora en esas líneas de clasificación. Alrededor de 150 robots están actualmente desplegados en instalaciones en América del Norte y Australia.

«Otros robots tienen tiempo infinito para terminar sus tareas», dijo R. Paul Singh, CEO de EverestLabs AI. «Nosotros no tenemos ese lujo porque nuestras cintas transportadoras vienen a cierta velocidad y tenemos que actuar rápidamente antes de que el material se mueva. Es un juego en tiempo real.»

EverestLabs ejecuta inferencia de IA en GPUs NVIDIA RTX en el borde y entrena sus modelos en GPUs NVIDIA para centros de datos, optimizados usando NVIDIA CUDA. La empresa estima que sus sistemas desplegados han identificado hasta ahora alrededor de 40 mil millones de objetos, reciclado aproximadamente 25,000 toneladas de material y evitado alrededor de 30,000 toneladas métricas de emisiones de dióxido de carbono.

El equipo trabaja constantemente para mejorar sus modelos, clasificando y seleccionando correctamente cada tipo de objeto mientras captura metadatos sobre el tipo de material, la marca y el empaque de cada uno. También están lanzando herramientas de IA agéntica para proporcionar datos accionables al personal de las instalaciones de reciclaje, desde gerentes de planta hasta ejecutivos responsables de múltiples instalaciones, y buscan extender esa capacidad a industrias adyacentes.

Greyparrot Da a los Recicladores una Visión Clara del Flujo de Residuos

Unidad Greyparrot Analyzer montada sobre cinta de reciclaje

Las plantas de reciclaje pueden procesar decenas de miles de toneladas de residuos al día, pero los operadores han juzgado lo que hay en la cinta muestreando manualmente menos del 1% de ella.

La startup británica Greyparrot construyó su plataforma Analyzer para cambiar eso. Montada sobre cintas transportadoras, usa visión por computadora para identificar cada objeto que pasa por material y marca, incluso en entornos polvorientos o con mala iluminación en cintas que se mueven a hasta 4 metros por segundo.

«Los residuos cambian todo el tiempo. Cambian por hora, por temporada, por proveedor», dijo Ambarish Mitra, cofundador de Greyparrot. «Antes, los operadores adivinaban con base en una pequeña muestra. Ahora pueden ver exactamente lo que hay en la cinta.»

Greyparrot usa GPUs NVIDIA para entrenar modelos de IA en miles de millones de objetos, mientras los módulos NVIDIA Jetson ejecutan detección rápida en el borde. Más de 300 sistemas Analyzer, operando en más de 20 países, han realizado más de un billón de detecciones de bounding box hasta la fecha, reduciendo el tiempo necesario para verificar 15 toneladas de residuos de 375 horas a solo seis.

Las instalaciones que usan los datos en tiempo real de Analyzer reportan ganancias de eficiencia del 10% al 30%. En la empresa global de envases Amcor, la solución ayudó a aumentar el rendimiento de plásticos de grado alimenticio en un 12%. Marcas como Coca-Cola, Colgate-Palmolive y Kenvue también usan la tecnología de Greyparrot para medir cómo sus envases se reciclan en plantas de clasificación reales.

reverse.fashion Da una Segunda Oportunidad a las Prendas Descartadas

Línea de clasificación de reverse.fashion con visión por computadora

Europa genera casi 7 millones de toneladas de textiles usados al año. Alrededor de un cuarto se recoge por separado y se clasifica manualmente en cientos de categorías, destinadas a usos que van desde la reventa vintage hasta el degradado como relleno de muebles o trapos de limpieza. El trabajo es lento, costoso y difícil de contratar.

reverse.fashion, una startup de Berlín, está ayudando a automatizar el trabajo con visión por computadora de alta resolución. Su sistema identifica tipo de producto, defectos, color, talla, marca, construcción del tejido, temporada y estilo, y asigna cada prenda a su categoría de mayor valor.

«Comparado con la clasificación clásica de residuos, nuestros modelos de IA tienen que ejecutarse con muy alta resolución porque los humanos son exigentes con los textiles», dijo Karsten Pufahl, cofundador y CTO de reverse.fashion. «El pipeline de visión por computadora necesita detectar pequeños defectos para determinar la calidad y el valor potencial de cada prenda.»

Mientras pasa por una cinta transportadora a 3 metros por segundo, cada textil analizado por reverse.fashion pasa por más de una docena de modelos de IA optimizados con el software NVIDIA TensorRT y ejecutándose en módulos NVIDIA Jetson en el borde. Los modelos se entrenan en GPUs NVIDIA en workstations y en la nube. El sistema clasifica en una hora lo que antes habría tardado una semana, estima Pufahl, y actualmente se está desplegando en instalaciones de Europa.

Explore más aplicaciones de sostenibilidad impulsadas por NVIDIA.