AutoWEEEdakt II – Automatisk AI baserat system för detektion av konsumentelektronikavfall

I AutoWEEEdakt II projektet använder vi artificiell intelligens för att förbättra sortering och öka återvinningens effektivitet av elektronikavfallet.

Under 2020 så återvanns i EU ca 4 700 000 ton elektronikavfall (WEEE). Insamlingsprocent av WEEE i EU är beräknad till att vara ca 46% vilket innebär att den siffran egentligen borde vara mer än det dubbla. Sveriges andel WEEE avfall var ca 150 000 ton.

Inom återvinning i allmänhet, men särskilt vid återvinning av WEEE finns det många steg av manuellt arbete, speciellt i form av försortering. Försök att automatisera detta ineffektiva och smutsiga arbete har varit svårt på grund av den stora variationen av WEEE som måste hanteras. Vidare, eftersom nyare elektroniska produkter ständigt släpps ut på marknaden skulle alla utvecklade system snabbt bli föråldrade om de inte uppdaterades och underhålls ständigt.

I det tidigare PiiA-finansierat projekt AutoWEEEdakt föreslog och utvecklade vi nya innovativa metoder för att skapa artificiella intelligenta (AI)-drivna datorseendemetoder som kunde lära sig kategoriseringen av WEEE genom att observera det manuella sorteringsarbete som görs.

I detta projekt kommer vi fortsätta att öka mängden märkt bilddata, vilket skulle minska några av de klassobalanser vi såg i insamlade data men också förbättra de utvecklade algoritmerna så att felmärkning sker i mindre frekvens. Vidare vill vi vidareutveckla metoder som genom webscrapping och tillverkning av syntetisk bilddata förbättrar balansen mellan de olika klasserna och gör våra AI modeller mer robusta. Med dessa förbättringar kan mycket större noggrannhet för de tränade AI-modellerna uppnås och de utvecklade AI-modellerna kommer att generalisera bättre. Med de innovationer som utvecklats i projektet har Sverige möjligheten att stärka sin position som en pionjär inom återvinningssektorn och visa landets förmåga att hänga med i den globala utvecklingen av tillämpade AI-lösningar.

Fakta
Projektet finansieras av Vinnova, Energimyndigheten och Formas genom SIP PiiA.
Projektpart: Chalmers Industriteknik, El-Kretsen, NG-Metall, Op Teknik och Trapper Data.