Tekoäly oppi penkomaan suomalaista jätevuorta, mutta ihmisen roolia lajittelussa se ei pysty vielä poistamaan

Tekoäly on oppinut tunnistamaan suomalaisten jätteitä, jotta ne voitaisiin ohjata nykyistä tehokkaammin oikeisiin käsittelypaikkoihin.

Turun yliopiston palkkaamat projektiavustajat kävivät läpi ja luokittelivat käsin tuhansia kuvia suomalaisista jätteistä ja syöttivät ne tekoälylle.

Suomalaisille jätteille tarvittiin oma datapaketti, koska maailmalta löytyvä aineisto ei sovi riittävän hyvin kotimaisten jätteiden tunnistukseen. Esimerkiksi suomalainen maitotölkki eroaa ulkonäöltään amerikkalaisesta niin paljon, ettei ulkomainen tekoäly tunnista sitä.

– Tästä syntyi globaalisti merkittävä opetusaineisto, joka on tarkoitus julkaista lähiaikoina, kertoo projektipäällikkö Sami Nykter ammattikorkeakoulu Haaga-Heliasta.

Turun yliopiston ja Haaga-Helian lisäksi osin EU-rahoitteisessa Ekoälyä-hankkeessa on mukana mustasaarelainen jäteyhtiö Westenergy. Haaga-Heliassa hankkeen aikana on esimerkiksi syntynyt opinnäytetyönä mobiilisovellus, joka tunnistaa jätteen kuvasta ja ehdottaa miten se tulisi lajitella.

Ihmissilmin ehditään tarkastaa vain yhden päivän kuorma

Mustasaaressa jäte-energialaitoksen porteista rullaa sisään päivittäin 40 täysperävaunullista sekajätettä. Vuodessa laitos polttaa energiaksi 190 000 tonnia jätettä 70 kunnan alueelta.

Ihmissilmin valtavasta jätevirrasta ehditään tarkistaa pistokokein koko vuoden aikana vain noin yhden päivän jätemäärä.

Loput päätyvät uuniin poltettavaksi ilman tarkistusta.

Nyt jätehallin kattoon asennettu valvontakamera ja minitietokone analysoivat hallin lattialle kipattujen jätteiden testieriä satojen kuvien sekuntivauhdilla.

– Haluamme nähdä paremmin, mitä meille tulee, ja saada väärät materiaalit pysäytettyä ennen kuin ne päätyvät uuniin. Jos kuormassa on epäkuranttia tavaraa, havainto voidaan yhdistää suoraan kyseisen kuorman toimittajaan, Westenergyn liiketoimintatietopäällikkö Juha Ripatti kertoo.

Kun jätteiden koostumus tiedetään tarkasti, laitoksen polttoprosessia ja savukaasujen puhdistuskemikaaleja pystytään säätämään ennakkoon. Samalla tonneittain kierrätyskelpoista materiaalia, kuten muovia, voidaan pelastaa poltolta kiertotalouteen.

Pilottivaiheessa tekoälylle on opetettu pariakymmentä valikoitua jätelajia. Yhden lajin luotettava tunnistaminen vaatii pohjalle noin tuhat käsin tarkastettua opetuskuvaa.

– Tekniikka toimii lupaavasti, jos jäte vain on kameran nähtävissä. Sekalainen yhdyskuntajäte on kuitenkin ehkä vaikein mahdollinen kohde tällaiselle järjestelmälle, Ripatti sanoo.

Huonosti lajiteltu jäte voidaan palauttaa sen toimittajalle uudelleen lajiteltavaksi. Juha Ripatti toivoisi, että tekoälyn avulla löydettäisiin jätteen alkulähteelle asti.

Kamera ei näe kasan tai pussin sisälle

Koska vain pieni osa sekajätteestä voidaan tarkistaa ennen polttoa, on ihmisen rooli lajittelijana edelleen merkittävä. Turun yliopiston tutkijatohtori Pouya Jafarzadeh muistuttaakin, että laitteisto on riippuvainen ihmisen tekemästä pohjatyöstä:

– Mitä enemmän jätettä on esilajiteltu jo kotona tai työmaalla, sitä helpompi tekoälyjärjestelmän on tehdä loppulajittelu.

Jafarzadeh huomauttaa, että tekoälyllä on rajansa. Koneen on esimerkiksi vaikea erottaa puuta ja pahvia toisistaan, varsinkin silloin, kun jätteet ovat päällekkäin tai toistensa peitossa.

Tekoäly ja kameransilmä eivät yllä myöskään esimerkiksi roskapussien sisälle. Westenergy ei riko tai availe pusseja hallin lattialla, koska tavoitteena on nopea massatunnistus eikä käsityötä haluta lisätä.

Juha Ripatti on samaa mieltä Jafarzadehin kanssa siitä, ettei ihminen pääse vastuusta. Yritys tai kansalainen on tärkein osa lajittelua.

– Kun ihminen tekee vaikkapa keittiössä ruokaa laittaessaan lajittelupäätöksen, että laitanpa muovipakkauksen muoviastiaan, niin se on kustannustehokkain tapa lajitella.

Jätteestä halutaan hinnoiteltavaa kauppatavaraa

Haaga-Helian Sami Nykterin mukaan data voi auttaa tulevaisuudessa vastaamaan EU:n kiertotaloustavoitteisiin ja käymään rajat ylittävää kiertotalouskauppaa.

– Kun tiedetään tarkasti etukäteen, mitä esimerkiksi toisesta EU-maasta saapuvassa jätekuormassa on, materiaaleilla on huomattavasti helpompi käydä kauppaa.

Ulkomailta tuodaan jätteitä muun muassa Suomen energiantuotannon tarpeiden vuoksi.

– Nyt jätekuormat viedään usein sinne, missä niiden hävittäminen on halvinta. Kun materiaalit on lajiteltu ja tunnistettu tarkasti, kuorma voidaan hinnoitella paremmin ja löytää asiakas, joka todella hyödyntää sitä raaka-aineena, Nykter jatkaa.

Westenergyn jätteidenkäsittelyhallin lisäksi hankkeen pilottilaitteet on asennettu myös Loimi-Hämeen Jätehuollon lajittelupihalle.

Katse kääntyy purkutyömaille

Kymmeniä tuhansia kuvia jätteestä sisältävä datapaketti on Turun yliopiston omaisuutta, mutta se on tarkoitettu myös jatkokäyttöön. Data julkaistaan opetus- ja kulttuuriministeriön alaisessa portaalissa, josta se voidaan tarjota jatkotutkimukseen.

Turun yliopisto aikoo hyödyntää hankkeen oppeja seuraavassa projektissaan rakennustyömailla. Siinä tavoitteena on rakentaa laitteisto purkukohteisiin ja selvittää, miten purkumateriaalit saadaan automaattisesti tunnistettua ja mitattua.

Westenergy haluaisi tulevaisuudessa skannata kaikki jätekuormat jo niiden saapuessa laitokselle. Samalla huonosti lajitelluista kuormista halutaan tekoälyn antavan suoraa palautetta jätteen lähettäjille jopa satojen kilometrien päähän.