Kako AI sortiranje otpada radi u reciklažnim postrojenjima
Autor Tommy Jonsson, CEO, Byte Motion · Ažurirano 2026-10-29
AI sortiranje otpada koristi industrijske kamere i AI modele detekcije za prepoznavanje vreća i materijala na transporteru ili u zoni istovara, a zatim vodi robote da ih preuzmu, otvore ili razvrstaju. Modeli trenirani na slikama stvarnog toka otpada ostaju pouzdani tamo gdje fiksna pravila zakažu — pri brzini linije, na materijalu koji nikad ne izgleda isto dva puta.
Zašto tokovi otpada slamaju tradicionalnu viziju
Tradicionalna vizija temeljena na pravilima radi tako da fiksira ono što očekuje: ujednačenu rasvjetu, jednolične dijelove, predvidivu prezentaciju, pragove podešene jednom pri puštanju u rad. Proizvodne linije to ponekad mogu ponuditi. Linija za otpad ne može. Oblik vreće, orijentacija, popunjenost i kontaminacija stalno se mijenjaju; isti nominalni proizvod — vreća kućnog otpada — stiže poderana ili čitava, mlitava ili prepunjena, sama ili zakopana u hrpi, prekrivena prašinom i folijom koja mijenja izgled svake površine. Nijedno fiksno pravilo ne opisuje takav ulaz, pa sustavi temeljeni na pravilima koji prođu prijemne testove na čistim uzorcima u proizvodnji brzo degradiraju.
AI vision problemu prilazi iz suprotnog smjera. Umjesto kodiranja pravila, modeli detekcije treniraju se na slikama stvarnog toka — mnoštvo primjera kako vreće i materijali u tom postrojenju zapravo izgledaju. Model varijaciju uči, a ne bori se protiv nje, zbog čega AI sortiranje ostaje stabilno kad je ulaz nedosljedan. Praktična posljedica: zadaci dugo smatrani neizvedivim s tradicionalnom vizijom — lociranje deformabilnih vreća, razlikovanje vizualno sličnih tipova vreća — postaju rutinski inženjerski posao.
Detekcija vreća i robotsko otvaranje u Nordic Recyclingu
Najjasniji primjer iz prakse je ćelija za otvaranje vreća koju je Byte Motion isporučio Nordic Recyclingu, lideru u reciklažnim operacijama koji obrađuje velike količine otpadnog materijala. Otvaranje vreća stoji na početku postrojenja: sve što slijedi — prosijavanje, razdvajanje frakcija, oporaba — ovisi o stabilnom protoku otvorenog materijala, pa kad je otvaranje ručno, cijelo postrojenje nasljeđuje tu nedosljednost.
Izazov. Otpad u postrojenje stiže u zatvorenim vrećama na transportnoj traci. Operateri su svaku vreću morali ručno locirati, rezati i otvoriti prije nego što se njezin sadržaj mogao sortirati i obraditi — spor, radno intenzivan i nedosljedan posao koji je stvarao uska grla u toku recikliranja i ograničavao ukupnu učinkovitost postrojenja.
Rješenje. Kamere iznad transportera napajaju AI vision sustav koji svaku vreću detektira u stvarnom vremenu. Iz oblika, pozicije i orijentacije vreće sustav izračunava optimalan način hvatanja i rezanja, a tu uputu šalje izravno povezanom industrijskom robotu, koji rez izvodi i vreću otvara uz dosljednu preciznost.
Rezultati. Brzina obrade sada ostaje stabilna neovisno o obliku, orijentaciji ili popunjenosti vreće — varijabilnost koja je uzrokovala ručna uska grla nestala je. Ručni rad u fazi otvaranja vreća smanjen je, čime su radnici oslobođeni za vrjednije zadatke sortiranja, a ukupna protočnost postrojenja porasla je jer materijal ulazi u proces sortiranja bez prekida.
Cijela instalacija dokumentirana je u case studyju o Nordic Recyclingu. Vrijedi primijetiti što je ovo zapravo omogućilo: nije pametniji rezač, nego detekcija dovoljno pouzdana da robot uvijek zna gdje i kako rezati.
Robotsko sortiranje vreća u komunalnim razmjerima
Prije samog otvaranja, sortiranje cijelih vreća zaseban je zadatak: izdvajanje ciljanih vreća iz rasutog otpada i njihovo usmjeravanje u pravu frakciju. Dvije norveške implementacije iz naše stranice o automatizaciji recikliranja pokazuju kako to izgleda u praksi.
U postrojenju za gospodarenje otpadom koje opslužuje općine regije Sør-Hedmark, četiri Lucid Helios2+ 3D kolor kamere montirane su iznad dva kontejnera s kućanskim otpadom. AI model prepoznaje i kategorizira prisutne vrste otpada, a robot ABB IRB 6700 na tračnici kreće se duž kontejnera preuzimajući vreće — do četiri po ciklusu, uz prilagođenu hvataljku za više vreća dizajniranu za bolje vrijeme ciklusa. Dok radi, ćelija u stvarnom vremenu prikuplja statistiku: nadzornici na dashboardu vide broj hvatanja, raspodjelu vrsta otpada i podatke po smjeni — operativni uvid koji prije, dok je posao bio ručan, jednostavno nije postojao. Radnici više ne moraju izravno rukovati vrećama kućnog otpada u ovom koraku primarnog sortiranja.
Za Općinu Halden zadatak je preciznije usmjeren: 3D kolor kamera iznad zone istovara napaja model treniran da prepozna baš one zelene vreće koje sadrže biootpad — i da ih razlikuje od vizualno sličnih zelenih vreća koje se ne smiju sortirati kao biootpad, razlika koju ručni sortirci pod vremenskim pritiskom često pogrešno procijene. Ispravno sortiran biootpad tako stiže do kompostiranja umjesto u opći otpad, čime se poboljšava stopa preusmjeravanja i smanjuju troškovi daljnje obrade.
Isti pipeline detekcije i djelovanja proteže se i na uklanjanje kontaminanata — prepoznavanje opasnih predmeta poput baterija u miješanom toku i njihovo robotsko uklanjanje — kako je opisano na stranici proizvoda AI sortiranje otpada.
Odabir kamere za tok otpada
Prava kamera ovisi o materijalu i odluci koju treba donijeti. U implementacijama iznad: 2D kolor kamere odgovaraju zadacima klasifikacije; 3D kolor kamere koriste se kad su dubina i popunjenost bitne, poput preuzimanja vreća iz rasutih kontejnera; a industrijske kamere visoke rezolucije koriste se kad je male ciljeve potrebno razlučiti pri brzini trake. Optimus platforma neovisna je o kameri, pa se hardver bira po zadatku, a ne diktira softverom — i u svakom slučaju AI modeli treniraju se na slikama stvarnog toka otpada na kojem će raditi, a ne na generičkom skupu podataka. Komunalni kućanski tok ne izgleda kao komercijalni ili građevinski tok, i model tu razliku mora poznavati.
Human-in-the-loop za rubne slučajeve
Nijedan model ne klasificira svaki predmet sa sigurnošću, a u otpadu je rep neobičnih predmeta doista dug. Human Assisted Vision (HAV) taj rep rješava bez odustajanja od automatizacije. Svaka detekcija nosi razinu pouzdanosti. Predmete visoke pouzdanosti robot obrađuje automatski pri brzini stroja; dvojbeni slučajevi prikazuju se operateru na ekranu uz sliku uživo, a njegova se odluka odmah izvršava. Svaka odluka pritom se pohranjuje kao novi trening podatak, pa model s vremenom samostalno obrađuje sve veći udio slučajeva, a udio eskalacija pada. Norveške komunalne implementacije opisane iznad rade upravo na taj način: roboti odrađuju glavninu sortiranja, dok operateri zadržavaju pregled i intervenciju za rubne slučajeve s ekrana, a ne s linije za sortiranje.
Može li se AI sortiranje otpada dodati na postojeću liniju?
Da. Optimus platforma neovisna je o kamerama i robotima te se integrira s postojećim transporterima, signalima i procesnom logikom postrojenja putem standardnih industrijskih protokola, pa ćelija za sortiranje radi kao dio cjelokupnog procesa, a ne kao izdvojeni demo. Hardver se bira po zadatku, a postojeći roboti i transporteri ostaju na mjestu.
Kako se trenira AI sustav za sortiranje otpada?
Modeli detekcije treniraju se na slikama stvarnog toka otpada iz postrojenja, a ne na generičkom skupu podataka. Predstudija fiksnog opsega trenira početne modele na stvarnim slikama s vaše linije i potvrđuje točnost detekcije prije bilo kakve odluke o instalaciji. Uz Human Assisted Vision, odluke operatera o dvojbenim predmetima nastavljaju hraniti modele novim trening podacima i nakon puštanja u rad.
Zamjenjuje li AI sortiranje otpada ručne sortirce?
Ljude uklanja iz najprljavijih i najponavljajućih faza, a ne iz postrojenja. U Nordic Recyclingu automatizacija otvaranja vreća oslobodila je radnike za vrjednije zadatke sortiranja; u norveškom komunalnom postrojenju radnici više ne rukuju izravno vrećama kućnog otpada u koraku primarnog sortiranja. Uz Human Assisted Vision, preostale prosudbe prelaze na ekran.
Sljedeći korak: dokažite to na vlastitom toku otpada
Radi li AI sortiranje na određenoj liniji empirijsko je pitanje, a odgovara se na njega prije instalacije, ne nakon nje: predstudija fiksnog opsega trenira i testira detekciju na slikama vašeg stvarnog toka. Kontaktirajte Byte Motion da je dogovorimo — odgovaramo unutar jednog radnog dana.