Majengo yanapojengwa, kukarabatiwa au kubomolewa, hutokea kiasi kikubwa cha taka za ujenzi na ubomoaji. Saruji, metali, mbao, plastiki, matofali na drywall ni sehemu muhimu ya taka hizi.

Baadhi ya nyenzo hizi zinaweza kurejelewa. Hata hivyo, tatizo kuu katika urejelezaji si tu nyenzo hiyo “ni nini”. Jambo la usafi wake, ikiwa imechanganyika na vitu vingine au la, na kama inafaa kutumika tena ni muhimu kama aina ya nyenzo yenyewe.

Hali hii ni muhimu hasa kwa taka za drywall.

Drywall ni nyenzo ya ujenzi inayotumika sana katika kuta za ndani na sehemu za kugawa vyumba. Kimsingi huundwa na jasi na uso wa karatasi. Taka safi za drywall zinaweza kutumika katika uzalishaji wa drywall mpya, katika uzalishaji wa saruji au katika baadhi ya matumizi ya kilimo. Lakini vipande vya drywall vinavyotokana na ubomoaji mara nyingi vinaweza kuwa na vichafuzi kama rangi, misumari, skrubu, mbao, nyenzo za insulation, vumbi, unyevu au ukungu.

Kwa hiyo, swali muhimu kwa vituo vya urejelezaji ni hili:

Je, kipande hiki kinafaa kurejelewa, kinahitaji utenganishaji wa ziada, au kinapaswa kushughulikiwa kando?

Utafiti ulioandaliwa na Yulin Chen, Shenzhou Dai na Dana Cupkova unatafuta jibu la swali hili kupitia akili bandia na uchakataji wa picha.

Haitoshi kuitambua drywall kama “drywall” tu

Katika tafiti za jadi za akili bandia, taka za ujenzi kwa kawaida hugawanywa katika makundi mapana: saruji, matofali, mbao, metali, plastiki, drywall na kadhalika.

Mtazamo huu ni muhimu kwa mtazamo wa kwanza. Lakini hautoshi kwa matumizi ya urejelezaji. Kwa sababu vipande viwili vya drywall vilivyo katika kundi moja la nyenzo vinaweza kuhitaji michakato tofauti kabisa kulingana na kiwango cha uchafuzi.

Kwa mfano:

• Kipande safi cha drywall kinaweza kuingizwa moja kwa moja katika mchakato wa urejelezaji.
• Kipande chenye rangi au mipako ya uso kinaweza kuhitaji tathmini ya ziada.
• Kipande chenye metali, mbao au mabaki mengine ya ujenzi juu yake kinapaswa kutenganishwa kwanza.
• Drywall yenye ukungu au iliyoharibiwa kibaiolojia inaweza kuwa hatari kwa urejelezaji wa moja kwa moja.

Kwa hiyo utafiti unalenga kuainisha taka za drywall si tu kulingana na aina ya nyenzo, bali pia kulingana na uamuzi wa urejelezaji.

Utafiti Ulitumia Madarasa Manne ya Drywall

Katika utafiti huu, seti ya data ya taka za drywall yenye jumla ya picha 930 iliundwa. Picha zilikusanywa kutoka picha za eneo la kazi na mifano iliyopatikana mtandaoni. Watafiti waliigawa taka ya drywall katika madarasa manne.

C0 — Drywall Safi  
Inajumuisha vipande vya drywall vya kawaida au vinavyostahimili moto ambavyo havina uchafu unaoonekana au nyenzo ya kigeni. Kundi hili linachukuliwa kuwa lenye hatari ya chini zaidi.

C1 — Drywall Iliyofanyiwa Matibabu ya Uso  
Inajumuisha drywall yenye rangi, mipako, uso unaostahimili unyevu, matibabu ya kuzuia ukungu au sifa nyingine zinazofanana za uso. Vipande hivi si taka isiyofaa kabisa; lakini vinaweza kuhitaji tathmini ya ziada kabla ya urejelezaji.

C2 — Drywall Iliyochanganyika na Mabaki ya Ujenzi  
Inajumuisha vipande vya drywall vilivyochanganyika na mbao, viungio vya metali, tepu, insulation, saruji, udongo au mabaki mengine ya ubomoaji. Kundi hili linaonekana kama jamii inayohitaji utenganishaji.

C3 — Drywall ya Kibiolojia au Yenye Ukungu  
Inajumuisha drywall yenye dalili za ukungu, uharibifu wa unyevu, kubadilika kwa rangi, kulainika, kuvimba au kuharibika kibaiolojia. Kundi hili linachukuliwa kuwa la hatari kubwa na halipaswi kuingizwa moja kwa moja katika urejelezaji.

Katika mifano ya picha ya makala, madarasa haya manne yanaonyeshwa wazi: drywall safi, drywall iliyotibiwa uso, drywall yenye taka za ujenzi zilizochanganyika na drywall yenye ukungu/iliyoharibiwa kibaiolojia.

Mifano ya Akili Bandia Ilijaribiwaje?

Utafiti ulilinganisha mifano mitano tofauti ya deep learning:

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

Mifano hii ilichunguza picha na kujaribu kutabiri drywall iko katika jamii gani. Lengo halikuwa kupata usahihi wa juu tu; lilikuwa kutenganisha kwa usahihi madarasa muhimu kwa urejelezaji.

Kwa mujibu wa matokeo, utendaji bora zaidi ulionyeshwa na Vision Transformer. Mfano huu uliokuwa umefunzwa awali kwenye ImageNet-1K ulipata takribani usahihi wa %97,16 na alama ya macro F1 ya %97,20 katika majaribio.

Viwango hivi vinaonyesha kuwa akili bandia inaweza kutofautisha hali ya uchafuzi wa drywall kwa mafanikio makubwa ikitegemea vidokezo vya kuona.

Kwa Nini Vision Transformer Huenda Ilifanikiwa Zaidi?

Vision Transformer ni usanifu wa akili bandia unaogawanya picha katika vipande vidogo na kujifunza uhusiano kati ya vipande hivyo. Mifano ya aina hii inaweza kuangalia si tu muundo wa eneo moja dogo, bali pia mpangilio wa jumla wa picha.

Hili linaweza kuwa muhimu katika uainishaji wa drywall. Kwa sababu uchafuzi hauonekani kila mara katika nukta moja ndogo. Wakati mwingine rangi ya uso, muundo wa kingo, nyenzo zilizoambatana, alama za unyevu au usambazaji wa ukungu lazima vitathminiwe kwa pamoja.

Kwa hiyo uwezo wa Vision Transformer kunasa mahusiano mapana ya kuona unaweza kuwa uliipa faida katika kutofautisha aina tofauti za uchafuzi katika taka za drywall.

Si Kila Akili Bandia Kubwa Hutoa Matokeo Bora

Utafiti una matokeo mengine ya kuvutia.

Watafiti pia walilinganisha mikakati tofauti ya mafunzo ya awali. Ilionekana kuwa baadhi ya mifano iliyofunzwa kwa data kubwa zaidi au kwa ulinganishaji wa picha na maandishi haikufanya vizuri zaidi katika jukumu hili maalumu.

Hili linatoa somo muhimu:

Katika akili bandia, mfano mkubwa zaidi au chanzo kikubwa zaidi cha mafunzo hakimaanishi kila wakati matokeo bora zaidi.

Hasa katika maeneo kama urejelezaji, utenganishaji wa taka na utambuzi wa nyenzo, jukumu huwa maalumu sana. Mafanikio ya mfano hayategemei tu maarifa ya jumla ya kuona; yanategemea uwezo wake wa kujifunza muundo wa uso wa nyenzo lengwa, tofauti za rangi, aina ya uchafuzi na sifa zinazohusiana na maamuzi ya vitendo ya urejelezaji.

Kwa Nini Ni Muhimu kwa Urejelezaji?

Moja ya matatizo makubwa katika urejelezaji wa taka za ujenzi na ubomoaji ni kutenganisha taka zilizochanganyika na zilizochafuliwa. Utenganishaji wa jadi mara nyingi hutegemea kazi ya binadamu. Mchakato huu ni wa gharama na unaweza kuleta hatari kwa wafanyakazi kutokana na vumbi, vipande vyenye ncha kali, nyenzo nzito na vichafuzi.

Mifumo inayotegemea uchakataji wa picha na akili bandia inaweza kuufanya mchakato huu kuwa salama zaidi, wa haraka zaidi na thabiti zaidi.

Kwa mfano, katika kituo cha urejelezaji, mfumo wa kamera unaweza kuchanganua vipande vya drywall vinavyopita kwenye mkanda. Mfano wa akili bandia unaweza kuviainisha vipande hivi kuwa safi, vilivyotibiwa, vilivyochanganyika au vyenye ukungu. Kisha mfumo wa roboti au operator anaweza kukielekeza kipande kwenye mstari tofauti kulingana na taarifa hiyo.

Kwa njia hii:

• Drywall safi inaweza kurejeshwa kwa urahisi zaidi.
• Vipande vichafu vinaweza kutumwa kwenye utenganishaji wa ziada.
• Vipande vyenye ukungu au hatari vinaweza kushughulikiwa kando.
• Ubora wa nyenzo iliyorejelewa unaweza kuongezeka.
• Kiasi cha taka kinachoenda kwenye dampo kinaweza kupungua.

Hii ni hatua muhimu kwa uchumi duara. Kwa sababu ili taka iweze kweli kurudi kuwa rasilimali, lazima iainishwe kwa usahihi.

Mipaka ya Utafiti

Ingawa utafiti huu ni mwanzo muhimu, una baadhi ya mipaka.

Kwanza, seti ya data ina picha 930. Idadi hii ni ya thamani kwa mfano wa utafiti, lakini matumizi halisi ya viwandani yanahitaji seti kubwa zaidi na zenye utofauti zaidi.

Pili, utafiti ulifanywa kwa picha za RGB pekee. Hiyo ina maana kwamba mfano unategemea taarifa ya uso inayoonekana na kamera tu. Hata hivyo, baadhi ya vichafuzi, viungio vya kemikali au uharibifu wa unyevu uliojificha huenda visiweze kuonekana kwa macho.

Tatu, katika vituo halisi vya urejelezaji, taka zinaweza kuwa juu ya nyingine, zenye vumbi, kwenye mkanda unaosonga, chini ya hali tofauti za mwanga na katika mchanganyiko. Kwa hiyo mfano unapaswa pia kujaribiwa katika mazingira halisi ya kazi.

Nne, utafiti unalenga uainishaji katika kiwango cha picha. Katika vituo halisi, swali si tu “picha hii iko katika darasa gani?” bali pia “eneo lililochafuliwa ndani ya picha liko wapi hasa?” Kwa hili, mifano ya utambuzi wa vitu na segmentation inaweza kuhitajika baadaye.

Hitimisho

Utafiti huu unaonyesha kuwa akili bandia inaweza kusaidia katika urejelezaji wa taka za ujenzi na ubomoaji si kwa kutambua nyenzo tu, bali pia kwa kutathmini hali ya kufaa kwa nyenzo hiyo kurejelewa.

Kwa nyenzo ya ujenzi inayotumika sana kama drywall, kutambua kwa usahihi kiwango cha uchafuzi kunaweza kuongeza ubora wa urejelezaji na kupunguza kiasi cha taka kinachoenda kwenye dampo.

Seti ya data ya drywall yenye madarasa manne na ulinganisho wa mifano uliotengenezwa katika utafiti huu huweka msingi muhimu kwa vituo vya urejelezaji vilivyo mahiri zaidi siku zijazo.

Mifumo ya baadaye ya kutenganisha taka haitauliza tu “hii ni saruji, mbao au drywall?” Pia itauliza:

Nyenzo hii ni safi kiasi gani, inapaswa kushughulikiwa vipi, na inapaswa kuelekezwa kwenye mstari sahihi wa urejelezaji?

Thamani kuu ya akili bandia katika urejelezaji inaonekana hapa.

Dokezo la Chanzo na Mbinu

Maudhui haya yameandaliwa kwa muundo wa uhariri wa Verianla kwa kutumia kazi ya kitaaluma iliyoandaliwa na Yulin Chen, Shenzhou Dai na Dana Cupkova yenye kichwa “Deep Learning–Enabled Drywall Classification for C&D Waste: A Recycling-Oriented Dataset”.

Kumbuka: Makala hii imeandaliwa kwa madhumuni ya taarifa na elimu. Haichukui nafasi ya ushauri wa kitaalamu kuhusu usimamizi wa taka za ujenzi, sheria za mazingira, usalama kazini, uwekezaji wa urejelezaji au uhandisi wa kitaalamu. Uchakataji wa taka za drywall unapaswa kufanywa kwa kuzingatia sheria za eneo, hali ya kituo na tathmini ya wataalamu.