![](https://framerusercontent.com/images/uBiWTgYPt5SRSr1VZz0RxtNqTBs.webp)
Stichting OPEN
De door AI aangedreven Mercury scanner van SevenLab herkent kwik in afval voor veiligere scheiding en bevordert daarmee milieubewust handelen.
Klant
OPEN Foundation
Datum
10 okt. 2023
Product
Applicatie
Industrie
Afvalbeheer
De Korte Samenvatting
De OPEN Foundation werkt samen met Nederlandse afvalverwerkers om de e-waste sector meer circulair te maken. Bij het scheiden van verschillende soorten monitoren kan een onjuiste scheiding van een LCD-monitor leiden tot veiligheidsrisico's voor medewerkers vanwege de aanwezigheid van het gevaarlijke kwik (Hg). Bovendien is dit scheidingproces tijdrovend en sterk afhankelijk van de kennis en ervaring van elke individuele medewerker.
SevenLab heeft de taak gekregen een scan-app te ontwikkelen die aangeeft of een monitor kwik bevat. Deze scanner gebruikt machine learning om labels op monitoren te herkennen en te identificeren welk type monitor het is.
De uitdaging
In de praktijk kan een ervaren werknemer snel het soort monitor herkennen en het juist scheiden. Dit is dankzij subtiele verschillen zoals de dikte of kleur van de monitor. Hierdoor kunnen sommige medewerkers enkele monitorsoorten herkennen van een afstand, zelfs zonder een etiket gezien te hebben.
Echter, dit proces vereist de opleiding van verschillende medewerkers die, in veel gevallen, slechts kort in dienst zijn bij een afvalverwerker. Daarom is het huidige proces tijdrovend en foutgevoelig met onervaren werknemers. En dus was er behoefte aan een digitale oplossing in de vorm van een kwikscanner.
Om het gebruik van de applicatie zo effectief en gebruiksvriendelijk mogelijk te maken, was het noodzakelijk om met een op-maat-gemaakte oplossing te komen.
Kunstmatige intelligentie voor het herkennen van een label
Alle monitoren bevatten verplichte labels aan de achterzijde die verschillende kenmerken bevatten voor het identificeren van kwik. Deze kenmerken worden uitgedrukt als logo's of codes. We hebben 'optical character recognition' (OCR) ingezet om ons model te trainen in het herkennen van specifieke woorden of lettercombinaties. Naast OCR hebben we ook een model ontwikkeld dat gebruikmaakt van objectherkenning om verschillende iconen te identificeren. Door deze twee technieken te combineren, kan de app het type scherm in de monitor herkennen vanaf het label en vervolgens deze informatie aan de gebruiker tonen.
Deze informatie stelt de gebruiker vervolgens in staat om de monitor in de juiste afvalstroom te plaatsen.
Een snelle scanner
Om de wachttijd tussen het scannen en het weergeven van een resultaat te minimaliseren, hebben we zorgvuldig nagedacht over de keuze van geschikte software en hardware, en hoe we het machine learning-model zouden trainen. In sommige gevallen duurde dit proces enkele seconden langer, wat leidde tot extra wachttijd voor de werknemer. Dit is niet wenselijk, aangezien bij een afvalverwerker dagelijks tot honderden monitoren worden verwerkt.
![](https://framerusercontent.com/images/ChiaqSPDkKbUqa6llo6LYaoHmX0.webp)
Een gebruiksvriendelijke interface die aansluit bij de werkomgeving
Bij het ontwerpen van de interface was ons doel het aantal acties dat gebruikers moeten uitvoeren om een scan uit te voeren tot een minimum te beperken. Dit was belangrijk om te waarborgen dat het gebruik van de applicatie weinig tijd kost en niet interfereert met het werk van de werknemer. We hebben een interface gecreëerd met slechts twee pagina's, die bediend kunnen worden met een enkele fysieke knop om de scanner te activeren. Na het scannen wordt het resultaat weergegeven; deze pagina sluit automatisch na een ingestelde tijd, zodat de gebruiker meteen een nieuwe scan kan starten.
Gebruikers
Bij het ontwikkelen van onze software, houden we altijd rekening met de eindgebruiker. Voor deze toepassing waren er verschillende interessante vereisten waar we specifiek aandacht aan moesten schenken.
Navigatie en handschoenen
Omdat afvalverwerking plaatsvindt in een omgeving met veel scherpe voorwerpen, dragen werknemers dikke handschoenen. Deze handschoenen belemmeren het gebruik van digitale knoppen op het scherm, omdat de vinger niet herkend wordt door de dikte van de handschoen. Om dit probleem te omzeilen, hebben we twee mogelijke oplossingen overwogen.
De eerste oplossing hield een knoploze scanner in, waarbij de fotocamera continu probeert labels te herkennen zonder gebruikersactie. We hebben deze optie niet gekozen omdat de techniek te veel data verbruikt.
De tweede oplossing, die onze voorkeur had, gebruikt de fysieke (volume)knoppen aan de zijkant van de smartphone. Deze knoppen kunnen door werknemers met handschoenen worden ingedrukt, wat betekent dat we geen gebruik hoeven te maken van datagebruikende technieken.
Door de scanner via de volumeknoppen te activeren, kunnen gebruikers de applicatie bedienen zelfs met handschoenen aan, zonder elke keer voor een scan hun handschoenen uit te hoeven doen.
![](https://framerusercontent.com/images/k4NUBHR9O0P65wOmQ6474zuKVH4.webp)
Beheersing van de Nederlandse taal
Werknemers komen vaak uit verschillende achtergronden; bijvoorbeeld, er zijn immigranten die de Nederlandse taal niet spreken. Om hier rekening mee te houden, was het essentieel dat de applicatie begrijpelijk was zonder tekstuele ondersteuning en om herkenbare woorden zoals 'LED' en 'LCD' zoveel mogelijk te gebruiken.
Werkbezoek
Om deze inzichten te verwerven, hebben we meerdere afvalverwerkers bezocht om te observeren hoe werknemers hun werk momenteel verrichten en te beoordelen hoe de applicatie hun werkmethoden kan aanvullen. Tijdens het bezoek hebben we extra aandacht besteed aan verschillende werkomstandigheden, zoals: wie werkt er, is het gebruik van handschoenen verplicht, kunnen we audio gebruiken of is er veel luidruchtig, is er genoeg licht beschikbaar voor het uitvoeren van een scan en hoe waarschijnlijk is het dat de smartphone beschadigd raakt op de werkvloer.
Bekijk wat we onlangs hebben gemaakt
Klaar om je project met ons te bespreken?
Maak kennis met het SevenLab-team en oprichters