WASTEGUARD®
WasteGuard AI… direct inzicht in de samenstelling van afvalstromen tijdens het ledigen!
Tijdens het ledigen van mini-containers brengt WasteGuard AI de afvalstromen procentueel in kaart, waarbij de camera de inhoud van iedere lediging analyseert en visueel herkent welk type materiaal aanwezig is, zoals bijvoorbeeld plastic, piepschuim, papier, karton, blik, vuilniszakken, etc.
Een belangrijk kenmerk van WasteGuard AI is de beeldanalyse, die volledig lokaal plaatsvindt op de camera zelf, dus niet in de cloud. Hierdoor is er geen vertraging door dataverkeer en kan direct actie worden ondernomen o.b.v. hetgeen de camera detecteert. De resultaten van de analyse worden real-time weergegeven in het Jama registratiesysteem WSVan4, waardoor per lediging direct inzicht ontstaat in de samenstelling van de afvalstroom. Hierdoor wordt het bijvoorbeeld mogelijk om
- de chauffeur automatisch te notificeren wanneer een specifieke afvalstroom -zoals GFT- dreigt te vervuilen tot een niveau waarbij verbranding noodzakelijk zou worden
- in te grijpen in het proces, zoals bijvoorbeeld het advies om GFT te storten voordat dit als restafval wordt afgevoerd
- de inzamelroute tijdelijk te blokkeren.
WasteGuard AI maakt gebruik maakt van ‘instance segmentation’, een geavanceerde techniek binnen kunstmatige intelligentie (AI) en computervisie, waardoor nauwkeurig kan worden bepaald welke soorten afval in welke hoeveelheden aanwezig zijn tijdens een lediging.
In tegenstelling tot traditionele beeldherkenning, waarbij slechts wordt aangegeven wat er in beeld is, gaat instance segmentation een stap verder: alle afzonderlijke objecten in het beeld worden niet alleen herkend, maar ook precies omkaderd en van elkaar onderscheiden. Of het nu een sinaasappelschil, een plastic bakje of een stuk karton is… elk object wordt individueel geïdentificeerd én gemeten, waardoor het mogelijk is om
- per afvalcategorie het exacte aandeel (in procenten) binnen een containerinhoud te berekenen
- visuele vervuiling (zoals plastic in GFT) objectief en consistent vast te stellen
- de gegevens direct te gebruiken voor real-time beslissingen.
De basis voor het trainen van het AI-model wordt gevormd door het labelen van vele tienduizenden foto’s van containerledigingen, welke Jama -dankzij de huidige WasteGuard-gebruikers- de afgelopen jaren heeft verzameld. Door elk object in al deze foto’s zorgvuldig te labelen, leert het WasteGuard AI systeem steeds nauwkeuriger herkennen wat voor afval en in welke verhouding zich in een container bevindt. Met dit essentiële proces bouwt Jama continue aan een robuust en betrouwbaar model dat in de praktijk het verschil maakt.
