Метод ИИ сократил время обработки изображений электронных отходов примерно в шесть раз

Исследователи Университета Монаша разработали метод адаптации моделей компьютерного зрения для распознавания электронных отходов. На специально подобранном наборе изображений он сократил время сквозной обработки примерно в шесть раз по сравнению с протестированным методом параметрически эффективной тонкой настройки, сохранив высокую точность сегментации. Результаты работы опубликованы в журнале Scientific Reports.

Распознавание электронных отходов — сложная задача для автоматизированных систем. Устройства и компоненты могут перекрывать друг друга, быть поврежденными или частично скрытыми. Обучение моделей для работы с такими изображениями требует вычислительных ресурсов и специализированных размеченных данных.

Как работает метод

Предложенный подход использует тонкую настройку во время тестирования: предварительно обученная модель адаптируется непосредственно при обработке новых изображений. Это снижает потребность в длительном предварительном переобучении под конкретную задачу.

Для адаптации система выбирает небольшую группу релевантных эталонных изображений. Сначала она находит визуально похожие примеры, затем отбирает те, которые дают дополнительную информацию, исключая избыточные повторы. Такой отбор помогает сократить объем данных, необходимых для настройки.

Метод предназначен для сегментации — выделения отдельных объектов или областей на изображении. В переработке электроники эта функция может стать частью систем автоматической сортировки и разборки, которым необходимо различать компоненты в неоднородном потоке отходов.

Что это может дать переработчикам

Для предприятий потенциальная ценность разработки заключается в снижении затрат на адаптацию компьютерного зрения к разным видам электронных отходов. Менее ресурсоемкая обработка изображений и меньшая потребность в специализированных обучающих данных могут упростить разработку таких систем.

Однако шестикратное сокращение времени обработки изображений не означает такого же ускорения переработки. Исследование не подтверждает роста производительности сортировочной линии, увеличения извлечения материалов или снижения эксплуатационных расходов предприятия.

Испытания проводили на наборе изображений, а не на действующей промышленной линии. Следующий шаг — проверка в реальных условиях и интеграция с сортировочным оборудованием. Только после этого можно будет оценить, насколько выигрыш в вычислениях влияет на экономику переработки электронных отходов.