Cara AI memilah sampah daur ulang, mengenali dan mengukur sampah makanan, memantau penggunaan air dan mendeteksi kebocoran

1. Perusahaan solusi pengelolaan sampah asal Louisville, AS, 'AMP Robotics'

• Perusahaan ini menghadirkan teknologi yang secara otomatis mengenali dan memilah barang daur ulang di antara sampah dengan teknologi robotika, visi komputer, dan deep learning, serta menyediakan teknologi tersebut ke fasilitas pemilahan barang daur ulang
• 'AMP Cortex High-Speed Robotics System' dan 'AMP Neuron AI Platform' menjadi inti
• AMP Cortex High-Speed Robotics System mengotomatiskan pekerjaan mengidentifikasi dan memilah barang daur ulang di antara sampah dengan robot; sistem ini memungkinkan robot menemukan barang daur ulang di dalam sampah lalu memisahkannya
• AMP Neuron AI Platform terus belajar sendiri dengan mengenali warna, tekstur, bentuk, ukuran, pola, dan label merek pada sampah untuk memeriksa jenis sampah dan kemungkinan didaur ulang; ini memandu robot agar mengambil barang daur ulang dan menaruhnya di tempat lain
• Proses pemilahan barang daur ulang:
  → Saat sampah lewat di atas ban berjalan di fasilitas pemilahan barang daur ulang, kamera akan merekamnya
  → AMP Neuron AI Platform mengenali ciri khas barang daur ulang tertentu di antaranya dengan teknologi visi komputer
  → Ini mengenali polimer plastik, bentuk kertas, wadah logam, kotak kemasan berlapis, dan lain-lain
  → Menandai ciri barang daur ulang dan sampah yang harus dipilah lewat proses lain
  → AMP Neuron AI Platform memandu robot untuk memilah barang daur ulang
  → Robot mengambil barang daur ulang dari antara sampah dan meletakkannya di tempat lain
• Sistem ini dapat mengambil hingga 80 benda sampah per menit dan sekitar dua kali lebih cepat daripada manusia
• Akurasi pemilahan: hingga 99%

2. Perusahaan solusi pengelolaan sampah asal Longmont, AS, 'Clean Robotics'

• Perusahaan ini mengembangkan tempat sampah pintar 'TrashBot' yang secara otomatis mengenali dan memilah sampah landfill dan barang daur ulang dengan teknologi robotika, visi komputer, dan machine learning
• TrashBot dipasang di fasilitas yang banyak dikunjungi orang seperti bandara, rumah sakit, dan stadion
• Proses pemilahan barang daur ulang:
  → Saat orang membuang sampah ke TrashBot, kamera akan merekamnya
  → Dengan teknologi visi komputer dan machine learning, sistem memeriksa apakah sampah itu termasuk sampah landfill atau barang daur ulang
  → Dengan teknologi otomasi robotik, barang daur ulang dipilah ke tempat sampah daur ulang, sedangkan sampah yang terkontaminasi dipilah ke tempat sampah landfill
• Akurasi pemilahan: 95%; ini memilah sampah 300% lebih akurat daripada manusia
• Namun, saat membuang sampah ke TrashBot, sampah harus dibuang satu per satu

3. Perusahaan solusi pengelolaan sampah makanan asal London, Inggris, 'Winnow'

• Perusahaan ini menghadirkan teknologi yang secara otomatis mengenali dan mengukur sampah makanan dengan teknologi visi komputer, machine learning, dan timbangan digital, serta menyediakan teknologi ini untuk dapur hotel, restoran, kasino, kapal pesiar, dan lain-lain
• Solusi bernama 'Winnow Vision System' menjadi inti dalam mengenali dan mengukur sampah makanan dengan AI
• Untuk ini dibutuhkan kamera pendeteksi gerak, tablet, dan timbangan digital; Winnow menyediakan perangkat-perangkat ini ke dapur
• Timbangan digital diletakkan di lantai, tablet dipasang di dinding di atasnya, dan kamera pendeteksi gerak dipasang di bawah tablet
• Cara mengenali dan mengukur sampah makanan:
  → Saat sampah makanan dibuang ke wadah yang diletakkan di atas timbangan digital, kamera akan merekamnya
  → Pada saat itu, citra sampah makanan dikenali dengan teknologi visi komputer
  → Beratnya juga diukur dengan timbangan
  → Data tersebut dikirim ke tablet
  → Di tablet, dapat dilihat informasi seperti jenis makanan yang dibuang sebagai sampah dan beratnya
• Sebelum mengenali sampah makanan dengan Winnow Vision System, diperlukan pelatihan awal
• Data sampah makanan yang disediakan Winnow Vision System: citra sampah makanan, berat, biaya selama seminggu jika sampah tersebut dibuang setiap hari, biaya selama setahun, dan biaya lingkungan selama setahun (emisi karbon dioksida)
• Akurasi pengenalan makanan: 80%

4. Perusahaan solusi pengelolaan air asal Tel Aviv, Israel, 'WINT'

• Perusahaan ini mengembangkan teknologi untuk memantau status penggunaan air di dalam bangunan dan mendeteksi kebocoran dengan teknologi machine learning dan IoT, serta menyediakan teknologi ini untuk fasilitas komersial, lokasi konstruksi, produsen, dan lain-lain
• WINT menyediakan meteran air pintar dan perangkat pemutus aliran air
• Kedua perangkat ini harus dihubungkan dengan sistem pipa air bangunan agar penggunaan air dapat dipantau dan kebocoran dapat dideteksi
• Selain itu, pasokan air dapat diputus sebelum terjadi kerusakan besar
• Meteran mempelajari dan menganalisis pola aliran air normal bangunan dengan machine learning; ini memerlukan waktu 3~4 minggu
• Setelah pola aliran air normal dipahami seperti ini, pola yang tidak normal seperti kebocoran juga dapat dideteksi di kemudian hari
• Meteran berkomunikasi dengan cloud melalui jaringan komunikasi nirkabel
• Jika mendeteksi masalah, sistem mengirim notifikasi real-time ke penanggung jawab melalui aplikasi, dan pada saat itu menunjukkan lokasi pasti terjadinya kebocoran
• Pola aliran air normal yang dianalisis meteran: 'jumlah air yang biasanya digunakan untuk mengisi kolam renang', 'jumlah air yang biasanya digunakan di dapur dan kamar mandi', 'waktu penggunaan air'
• Pola aliran air tidak normal yang dianalisis meteran secara real-time: dengan menerapkan AI dan deep learning, sistem mengetahui apakah 'kolam renang tidak terisi dengan benar' dan apakah 'penggunaan air tiba-tiba meningkat tajam dari sumber yang tidak terduga', dan sebagainya
• Jika situasi darurat terdeteksi, perangkat WINT dapat diprogram untuk secara otomatis memutus pasokan air; situasi darurat mencakup kebocoran parah atau pipa air pecah