Binalar tikilərkən, yenilənərkən və ya sökülərkən böyük miqdarda tikinti və söküntü tullantısı yaranır. Beton, metal, ağac, plastik, kərpic və alçıpan kimi materiallar bu tullantıların mühüm hissəsini təşkil edir.

Bu materialların bir hissəsi təkrar emal edilə bilər. Ancaq təkrar emalda əsas problem materialın yalnız “nə olduğu” deyil. Materialın nə qədər təmiz olduğu, başqa maddələrlə qarışıb-qarışmadığı və yenidən istifadə üçün uyğun olub-olmadığı da ən az material növü qədər vacibdir.

Bu vəziyyət xüsusilə alçıpan tullantıları üçün keçərlidir.

Alçıpan daxili divarlarda və arakəsmələrdə geniş istifadə olunan tikinti materialıdır. Əsasən alçı nüvədən və kağız səthdən ibarətdir. Təmiz alçıpan tullantıları yeni alçıpan istehsalında, sement istehsalında və ya bəzi kənd təsərrüfatı tətbiqlərində dəyərləndirilə bilər. Lakin söküntüdən çıxan alçıpan parçaları çox vaxt boya, mismar, vint, ağac, izolyasiya materialı, toz, nəm və ya kif kimi çirkləndiricilər daşıya bilər.

Bu səbəbdən təkrar emal müəssisələri üçün kritik sual budur:

Bu parça təkrar emal üçün uyğundurmu, əlavə ayrıştırma lazımdırmı, yoxsa ayrıca işlənməlidirmi?

Yulin Chen, Shenzhou Dai və Dana Cupkova tərəfindən hazırlanmış çalışma bu suala süni intellekt və görüntü emalı üzərindən cavab axtarır.

Alçıpanı Sadəcə “Alçıpan” Kimi Tanımaq Yetmir

Ənənəvi süni intellekt çalışmalarında tikinti tullantıları adətən geniş siniflərə ayrılır: beton, kərpic, ağac, metal, plastik, alçıpan kimi.

Bu yanaşma ilk baxışda faydalıdır. Lakin təkrar emal tətbiqi baxımından kifayət deyil. Çünki eyni material sinfinə aid iki alçıpan parçası çirklənmə səviyyəsinə görə tamamilə fərqli əməliyyat tələb edə bilər.

Məsələn:

• Təmiz bir alçıpan parçası birbaşa təkrar emal prosesinə qəbul edilə bilər.
• Boya və ya səth örtüyü olan bir parça əlavə qiymətləndirmə tələb edə bilər.
• Üzərində metal, ağac və ya başqa tikinti qalıqları olan parça əvvəlcə ayrıştırılmalıdır.
• Kiflənmiş və ya bioloji olaraq zədələnmiş alçıpan isə birbaşa təkrar emal üçün riskli ola bilər.

Buna görə çalışma alçıpan tullantılarını yalnız material növünə görə deyil, təkrar emal qərarına görə təsnif etməyi hədəfləyir.

Araşdırmada Dörd Alçıpan Sinfi İstifadə Edildi

Çalışmada ümumilikdə 930 görüntüdən ibarət alçıpan tullantısı məlumat dəsti yaradıldı. Görüntülər sahə fotoşəkilləri və veb mənşəli nümunələrdən toplanmışdır. Araşdırmaçılar alçıpan tullantılarını dörd sinfə ayırdı.

C0 — Təmiz Alçıpan  
Görünən çirklənmə və ya yad material daşımayan, standart və ya yanğına davamlı alçıpan parçalarını əhatə edir. Bu qrup ən aşağı riskli kateqoriya kimi qiymətləndirilir.

C1 — Səth İşlənmiş Alçıpan  
Boya, örtük, nəmə davamlı səth, kif əleyhinə işləmə və ya buna bənzər səth xüsusiyyətləri daşıyan alçıpanları əhatə edir. Bu parçalar tamamilə tullantı deyil; lakin təkrar emaldan əvvəl əlavə qiymətləndirmə tələb edə bilər.

C2 — Tikinti Qalıqları ilə Qarışmış Alçıpan  
Ağac, metal birləşdirici elementlər, lent, izolyasiya, beton, torpaq və ya başqa söküntü qalıqları ilə qarışmış alçıpan parçalarını əhatə edir. Bu qrup ayrıştırma tələb edən kateqoriya kimi düşünülür.

C3 — Bioloji və ya Kiflənmiş Alçıpan  
Kif, nəm zədəsi, rəng dəyişikliyi, yumşalma, qabarmalar və ya bioloji pozulma əlamətləri göstərən alçıpanları əhatə edir. Bu qrup yüksək riskli qəbul edilir və birbaşa təkrar emala alınmamalıdır.

Məqalədəki vizual nümunələrdə də bu dörd sinif açıq şəkildə göstərilir: təmiz alçıpan, səth işlənmiş alçıpan, qarışıq tikinti tullantısı daşıyan alçıpan və kiflənmiş/bioloji zədələnmiş alçıpan.

Süni İntellekt Modelləri Necə Test Edildi?

Çalışmada beş fərqli dərin öyrənmə modeli müqayisə edildi:

• ResNet50
• ConvNeXt
• EfficientNet-B1
• Vision Transformer
• Swin Transformer

Bu modellər görüntüləri araşdıraraq alçıpanın hansı kateqoriyaya aid olduğunu təxmin etməyə çalışdı. Məqsəd yalnız yüksək dəqiqlik əldə etmək deyil; təkrar emal baxımından kritik sinifləri düzgün ayıra bilmək idi.

Nəticələrə görə ən yaxşı performansı Vision Transformer modeli göstərdi. ImageNet-1K üzərində öncədən öyrədilmiş bu model testlərdə təxminən %97,16 dəqiqlik və %97,20 makro F1 skoru əldə etdi.

Bu göstəricilər süni intellektin vizual ipuclarına əsaslanaraq alçıpanın çirklənmə vəziyyətini olduqca uğurlu şəkildə ayıra biləcəyini göstərir.

Niyə Vision Transformer Daha Uğurlu Olmuş Ola Bilər?

Vision Transformer görüntünü kiçik hissələrə ayıraraq bu hissələr arasındakı əlaqələri öyrənən süni intellekt arxitekturasıdır. Bu tip modellər yalnız tək bir bölgədəki toxumaya deyil, görüntünün ümumi quruluşuna da baxa bilir.

Alçıpan təsnifatında bu vacib ola bilər. Çünki çirklənmə hər zaman tək kiçik nöqtədə görünmür. Bəzən səth rəngi, kənar quruluşu, bağlı materiallar, nəm izi və ya kif yayılması birlikdə qiymətləndirilməlidir.

Bu səbəbdən Vision Transformer modelinin daha geniş vizual əlaqələri tuta bilməsi, alçıpan tullantılarındakı fərqli çirklənmə növlərini ayırmaqda üstünlük vermiş ola bilər.

Hər Böyük Süni İntellekt Daha Yaxşı Nəticə Vermir

Çalışmanın diqqətçəkən daha bir nəticəsi var.

Araşdırmaçılar fərqli ön təlim strategiyalarını da müqayisə etdilər. Daha böyük verilərlə və ya görüntü-mətn uyğunlaşdırması ilə öyrədilmiş bəzi modellərin bu xüsusi tapşırıqda daha yaxşı performans göstərmədiyi görüldü.

Bu, mühüm bir dərs verir:

Süni intellektdə daha böyük model və ya daha böyük təlim mənbəyi hər zaman daha yaxşı nəticə demək deyil.

Xüsusilə təkrar emal, tullantı ayrıştırması və material tanıma kimi sahələrdə tapşırıq çox spesifikdir. Modelin uğuru yalnız ümumi vizual bilikdən deyil; hədəf materialın səth toxumasını, rəng fərqini, çirklənmə tipini və praktik təkrar emal qərarlarıyla bağlı xüsusiyyətləri öyrənə bilməsindən asılıdır.

Təkrar Emal Üçün Niyə Vacibdir?

Tikinti və söküntü tullantılarının təkrar emalında ən böyük problemlərdən biri qarışıq və çirkli tullantıların ayrıştırılmasıdır. Ənənəvi ayrıştırma çox vaxt insan əməyinə dayanır. Bu proses həm bahalıdır, həm də işçilər üçün toz, iti parçalar, ağır materiallar və çirkləndiricilər səbəbindən risk yarada bilər.

Görüntü emalı və süni intellekt dəstəkli sistemlər bu prosesi daha təhlükəsiz, daha sürətli və daha tutarlı hala gətirə bilər.

Məsələn, bir təkrar emal müəssisəsində kamera sistemi lentdən keçən alçıpan parçalarını skan edə bilər. Süni intellekt modeli bu parçaları təmiz, işlənmiş, qarışıq və ya kiflənmiş kimi təsnif edə bilər. Daha sonra robotik sistem və ya operator bu məlumata görə parçanı fərqli xəttə yönləndirə bilər.

Bu sayədə:

• Təmiz alçıpanlar daha asan geri qazanıla bilər.
• Çirkli parçalar əlavə ayrıştırmaya göndərilə bilər.
• Kiflənmiş və ya riskli parçalar ayrıca işlənə bilər.
• Təkrar emal edilmiş materialın keyfiyyəti arta bilər.
• Poliqona gedən tullantı miqdarı azala bilər.

Bu, dövri iqtisadiyyat baxımından mühüm addımdır. Çünki tullantının həqiqətən yenidən resursa çevrilməsi üçün düzgün təsnif edilməsi lazımdır.

Çalışmanın Sərhədləri

Bu araşdırma mühüm başlanğıc olsa da bəzi sərhədləri var.

Birincisi, məlumat dəsti 930 görüntüdən ibarətdir. Bu say bir araşdırma prototipi üçün dəyərli olsa da, real sənaye istifadəsi üçün daha böyük və daha müxtəlif məlumat dəstlərinə ehtiyac var.

İkincisi, çalışma yalnız RGB görüntülərlə aparılmışdır. Yəni model yalnız kameranın gördüyü səth məlumatına əsaslanır. Halbuki bəzi çirkləndiricilər, kimyəvi əlavələr və ya gizli nəm zədəsi çılpaq gözlə görünməyə bilər.

Üçüncüsü, real təkrar emal müəssisələrində tullantılar üst-üstə yığılmış, tozlu, hərəkətli lent üzərində, müxtəlif işıq şəraitində və qarışıq halda ola bilər. Buna görə modelin real sahə mühitində də test edilməsi lazımdır.

Dördüncüsü, çalışma görüntü səviyyəsində təsnifata fokuslanır. Real müəssisələrdə yalnız “bu görüntü hansı sinifdir?” sualı deyil, “görüntüdəki çirklənmiş sahə dəqiq haradadır?” sualı da vacibdir. Bunun üçün gələcəkdə obyekt aşkarlanması və seqmentasiya modelləri lazım ola bilər.

Nəticə

Bu çalışma süni intellektin tikinti və söküntü tullantılarının təkrar emalında yalnız materialı tanımaqla kifayətlənməyib, materialın təkrar emala uyğunluq vəziyyətini də qiymətləndirməyə kömək edə biləcəyini göstərir.

Alçıpan kimi geniş istifadə edilən bir tikinti materialı üçün çirklənmə səviyyəsinin düzgün müəyyən edilməsi təkrar emal keyfiyyətini artıra və poliqona gedən tullantı miqdarını azalda bilər.

Çalışmada hazırlanmış dörd sinifli alçıpan məlumat dəsti və model müqayisəsi gələcəkdə daha ağıllı təkrar emal müəssisələri üçün mühüm əsas yaradır.

Gələcəyin tullantı ayrıştırma sistemləri yalnız “bu betonmu, ağacdırmı, alçıpanmı?” deyə soruşmayacaq. Eyni zamanda bunu da soruşacaq:

Bu material nə qədər təmizdir, necə işlənməlidir və təkrar emal üçün doğru xəttə yönləndirilməlidirmi?

Süni intellektin təkrar emaldakı əsas dəyəri də burada ortaya çıxır.

Mənbə və Metod Qeydi

Bu məzmun Yulin Chen, Shenzhou Dai və Dana Cupkova tərəfindən hazırlanmış “Deep Learning–Enabled Drywall Classification for C&D Waste: A Recycling-Oriented Dataset” başlıqlı akademik çalışmadan yararlanılaraq Verianla redaksiya formatında özgün olaraq hazırlanmışdır.

Qeyd: Bu yazı məlumatlandırma və təhsil məqsədi ilə hazırlanmışdır. Tikinti tullantılarının idarə edilməsi, ətraf mühit qanunvericiliyi, əməyin təhlükəsizliyi, təkrar emal investisiyası və ya peşəkar mühəndislik məsləhətini əvəz etmir. Alçıpan tullantılarının işlənməsi yerli qanunvericilik, müəssisə şəraiti və ekspert qiymətləndirməsi nəzərə alınaraq aparılmalıdır.