CN110154272B - 人工智能废品塑料瓶分拣方法 - Google Patents
人工智能废品塑料瓶分拣方法 Download PDFInfo
- Publication number
- CN110154272B CN110154272B CN201910421311.8A CN201910421311A CN110154272B CN 110154272 B CN110154272 B CN 110154272B CN 201910421311 A CN201910421311 A CN 201910421311A CN 110154272 B CN110154272 B CN 110154272B
- Authority
- CN
- China
- Prior art keywords
- waste plastic
- data
- sorting
- unit
- plastic bottles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004033 plastic Substances 0.000 title claims abstract description 83
- 229920003023 plastic Polymers 0.000 title claims abstract description 83
- 239000002699 waste material Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 239000000463 material Substances 0.000 claims abstract description 61
- 230000000007 visual effect Effects 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 11
- 238000011084 recovery Methods 0.000 description 5
- 238000004064 recycling Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000013502 plastic waste Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/02—Separating plastics from other materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/02—Separating plastics from other materials
- B29B2017/0213—Specific separating techniques
- B29B2017/0279—Optical identification, e.g. cameras or spectroscopy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/62—Plastics recycling; Rubber recycling
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Sorting Of Articles (AREA)
- Separation, Recovery Or Treatment Of Waste Materials Containing Plastics (AREA)
Abstract
人工智能废品塑料瓶分拣方法，1S.将经过预处理的瓶子平铺在输送单元上送入检测单元；2S.检测单元中的视觉检测模块通过相机成像对检测单元上的废品塑料瓶进行视觉拍照，采集初步的位置信息、形状信息、颜色信息；通过数据处理，视觉检测模块把最终废品塑料瓶的颜色数据、形状数据、位置坐标数据发送至系统控制单元；3S.检测单元中的材质检测模块基于红外在线检测方法对不同位置坐标的废品塑料瓶进行材质判定，并将材质数据、形状数据、位置坐标数据输送至系统控制单元；优点是，通过神经网络深度学习对采集的数据进行分析，有效避免塑料瓶因形状问题导致的参数变化影响分拣系统的正常运作，提高分拣准确率。
Description
技术领域
本发明涉及废品回收技术领域，具体为一种人工智能废品塑料瓶分拣方法。
背景技术
随着工业的发展，塑料制品的应用已经遍及工农业以及日常生活的各个领域，全世界每天产生的废旧塑料垃圾无法进行估量，但其对环境造成的具大压力是显而易见的，为了处理这些塑料垃圾，现行的方法一般是填埋，焚烧等。但是由于普通的塑料垃圾的自然降解时间很长，一般要经过百年才能降解，而且降解过程中还会产生大量的甲烷等有害物质，因此填埋法已经得到很多专家的诟病；而焚烧法产生的有害气体，烟尘等直接对环境造成影响。同时由于塑料作为石化产品，其生产的主要原料是石油，它是一种不可再生资源，目前全球石油争夺越来越激烈，原油成本越来越高，因此对于塑料产品回收利用是目前解决塑料垃圾问题的最好办法。它有效的解决了塑料产品对环境的威胁，同时也可以促进资源再生利用。
瓶装矿泉水等便携式饮品由于其方便携带，干净卫生等特点越来越受到人们的欢迎，随之而来是生产了大量的废弃塑料瓶。对于循环利用这些废弃塑料瓶，需要对其进行破碎，清洗，分离杂质等，传统的回收工艺及回收设备技术含量不高，回收成本大，回收所附加的性价比并不理想。由于废弃的塑料瓶存在各种颜色，其粉碎之后各种颜色混合在一起无法区分出来，而传统工艺中利用这些原料进行加工都是用多种颜色的混合料，这样容易造成成品质量不高，颜色不一致。
专利文献CN206854143U公开的一种塑料瓶颜色分拣回收装置，其相机成像技术对塑料瓶颜色进行识别后随之进行分拣，但由于瓶子在进入回收分拣之前，经历过各种不同的自然环境，并且都断经过压缩瓶砖之后，其物理形状发生了十分大的变化，所以在进入输送带以后，经过检测设备的瓶子其状态千奇百怪，视觉系统读取到的信息也是不断变化，因此造成颜色识别的偏差导致分拣系统出错，从而使现阶段的分拣系统实用性不强。
发明内容
本发明的目的是克服上述现有技术的缺点，提供一种可通过颜色与材质的识别后经过人造感知神经元深度学习，从而精确输出分拣指令的人工智能废品塑料瓶分拣方法。
本发明是通过以下技术方案来实现的：
人工智能废品塑料瓶分拣方法，包括实现该方法的废品塑料瓶分拣系统，包括检测单元，系统控制单元，机械分拣单元，输送单元，所述的输送单元将废品塑料瓶依次送入检测单元，机械分拣单元，所述的系统控制单元分别与检测单元，机械分拣单元，输送单元连接；所述的检测单元包括视觉检测模块，材质检测模块，光源；所述的视觉检测模块基于相机摄像原理，对输送单元上的废品塑料瓶进行颜色信息，形状信息，位置信息进行信息采集；所述的材质检测模块基于红外在线检测方法，对输送单元上的废品塑料瓶进行材质分析并采集材质信息；所述的系统控制单元通过接收视觉检测模块，材质检测模块的颜色信息，形状信息，位置信息，材质信息根据设定参数产生分拣目标及其动态位置数据；所述的机械分拣单元根据系统控制单元的分拣目标及其动态位置数据对输送单元上的废品塑料瓶进行精确分拣。
分拣方法具体步骤如下：
1S.将经过预处理的瓶子平铺在输送单元上送入检测单元；
2S.检测单元中的视觉检测模块通过相机成像对检测单元上的废品塑料瓶进行视觉拍照，采集初步的位置信息，形状信息，颜色信息；通过数据处理，视觉检测模块把最终废品塑料瓶的颜色数据，形状数据，位置坐标数据发送至系统控制单元；
3S.检测单元中的材质检测模块基于红外在线检测方法对不同位置坐标的废品塑料瓶进行材质判定，并将材质数据，形状数据，位置坐标数据输送至系统控制单元；
4S.系统控制单元将接收到每个废品塑料瓶的属性数据为视觉检测模块颜色数据，形状数据，位置坐标数据和材质检测模块的材质数据，形状数据，位置坐标数据，多个废品塑料瓶的数据进行叠加对比，定义每个废品塑料瓶的单个属性为X，若干个废品塑料瓶的属性从X1～Xn作为输入向量进入信息向前传播，依次进过输入层，隐含层，输出层；同时进行误差反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，然后由系统控制单元做出对应的判断分析，最终将每个废品塑料瓶的形状数据，位置坐标数据，颜色数据，材质数据进行准确标定，并且将分析结果形成分拣指令传输至机械分拣单元；
5S.机械分拣单元根据接收的分拣指令对输送单元上的废品塑料瓶进行分拣。
作为上述方案的改进，所述的隐含层单个感知单元的处理公式为：
其中wj为权重参数，xj为废品塑料瓶的单个属性参数。
作为上述方案的改进，所述的材质检测模块对材质检测对应的红外光谱波段设置为，材质PE：1210nm,1412nm，1724nm；材质PET：1656nm；材质PVC:1712nm，1765nm；材质PP:1199nm,1394nm,1721nm；材质PS:1677nm。
作为上述方案的改进，所述的机械分拣单元由多个并联机器人并列组成，所述的系统控制单元通过运动路径模拟计算出最合理的优化运动轨迹并将经过模拟计算的运动轨迹及协同任务实时发送给每一台并联机器人且数据实时进行优化更新保证多台并联机器人协同工作，能最达到最高的分拣效率。
作为上述方案的改进，2S中对于形状信息与正常形状参数差异较大的废品塑料瓶，通过视觉算法软件结合光源亮度的增益调节，对获取到的图像进行初步的滤波，通过色值分析与数据对比，判定瓶子的颜色种类及色值，输出最终颜色数据；同时根据废品塑料瓶的图像状态计算出瓶子的轮廓信息以及位置中心坐标点。
本发明具有以下有益效果：
1.通过视觉检测与材质检测结合采集分拣数据，可有效提高数据准确性。
2.通过神经网络深度学习对采集的数据进行分析，有效避免塑料瓶因形状问题导致的参数变化影响分拣系统的正常运作，提高分拣准确率。
3.整体系统设立简单，主要成本在于系统软件开发，一旦神经网络深度学习完成可复制并大范围推广应用，大大降低废品回收的生产成本。
附图说明
图1为本发明中废品塑料瓶分拣系统的剖视图。
图2为本发明中废品塑料瓶分拣系统的内部结构图。
图3为本发明中神经网络的架构示意图。
图4为本发明中单个感知单元处理模式示意图。
附图标记说明：检测单元1，系统控制单元2，机械分拣单元3，输送单元4，安全防护罩5，视觉检测模块6，材质检测模块7，光源8。
具体实施方式
实施例
如图1，图2所示，人工智能废品塑料瓶分拣方法，包括实现该方法的废品塑料瓶分拣系统，包括检测单元1，系统控制单元2，机械分拣单元3，输送单元4，安全防护罩5，所述的输送单元4将废品塑料瓶依次送入检测单元1，机械分拣单元3，所述的系统控制单元2分别与检测单元1，机械分拣单元3，输送单元4连接；所述的检测单元1包括视觉检测模块6，材质检测模块7，光源8；所述的视觉检测模块6基于相机摄像原理，对输送单元4上的废品塑料瓶进行颜色信息，形状信息，位置信息进行信息采集；所述的材质检测模块7基于红外在线检测方法，对输送单元4上的废品塑料瓶进行材质分析并采集材质信息；所述的系统控制单元2通过接收视觉检测模块6，材质检测模块7的颜色信息，形状信息，位置信息，材质信息根据设定参数产生分拣目标及其动态位置数据；所述的机械分拣单元3根据系统控制单元2的分拣目标及其动态位置数据对输送单元4上的废品塑料瓶进行精确分拣。
分拣方法具体步骤如下：
1S.将经过预处理的瓶子平铺在输送单元上送入检测单元；
2S.检测单元中的视觉检测模块通过相机成像对检测单元上的废品塑料瓶进行视觉拍照，采集初步的位置信息，形状信息，颜色信息；通过通过视觉算法软件结合光源亮度的增益调节，对获取到的图像进行初步的滤波，通过色值分析与数据对比，判定瓶子的颜色种类及色值，输出最终颜色数据；同时根据废品塑料瓶的图像状态计算出瓶子的轮廓信息以及位置中心坐标点。视觉检测模块把最终废品塑料瓶的颜色数据，形状数据，位置坐标数据发送至系统控制单元；
3S.检测单元中的材质检测模块基于红外在线检测方法对不同位置坐标的废品塑料瓶进行材质判定，并将材质数据，形状数据，位置坐标数据输送至系统控制单元；所述的材质检测模块对材质检测对应的红外光谱波段设置为，材质PE：1210,1412and1724nm；材质PET：1656nm；材质PVC:1712，1765nm；材质PP:1199,1394,1721nm；材质PS:1677nm。
4S.如图3所示，系统控制单元将接收到每个废品塑料瓶的属性数据为视觉检测模块颜色数据，形状数据，位置坐标数据和材质检测模块的材质数据，形状数据，位置坐标数据，多个废品塑料瓶的数据进行叠加对比，定义每个废品塑料瓶的单个属性为X，若干个废品塑料瓶的属性从X1～Xn作为输入向量进入信息向前传播，依次进过输入层，隐含层，输出层；同时进行误差反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，然后由系统控制单元做出对应的判断分析，最终将每个废品塑料瓶的形状数据，位置坐标数据，颜色数据，材质数据进行准确标定，并且将分析结果形成分拣指令传输至机械分拣单元；
譬如：将需要判定输送带上被检测的某个产品的颜色，材质，及坐标位置信息等复合信息，我们将这个产品的单种属性定义为X(颜色色值从X1…Xn)，检测设备检测到的若干种不同属性定义从X，W，N等，我们将这些不同属性的不同编码作为神经元的输入，那么产生若干种不同的神经单元组合，将这些神经元组合通过上述二进制方式进行计算，它的值随着单种属性值的变化在一个范围内适当的变化。输出神经元只有一个，输出的值达到系统定义的产品阈值，即可以定义该产品的此种属性类别，通过多组神经元及多层网络的复合计算最终准确定义出该产品的综合属性类别。在人工智能和神经网络中，非常重要的一个环节就是类人造感知神经元，主要的神经元模型是sigmoid神经元，一个感知单元通过一些二进制的输入X1,X2,...Xn，然后产生一个二进制的输出，如图4所示，感知单元有三个输入X1,X2,X3，通常它可以有更多或者更少的输入。可以用一个简单的规则来计算输出，权重W1,W2...来表示各个输入对输出的重要性。神经元的输出，要么是0要么是1，由权重和∑jWjXj的值是否小于或者大于某一阈值。和权重一样，阈值也是一个实数，它是神经元的一个参数。用代数式表达就是：
其中wj为权重参数，xj为废品塑料瓶的单个属性参数。
5S.机械分拣单元根据接收的分拣指令对输送单元上的废品塑料瓶进行分拣。所述的机械分拣单元由多个并联机器人并列组成，所述的系统控制单元通过运动路径模拟计算出最合理的优化运动轨迹并将经过模拟计算的运动轨迹及协同任务实时发送给每一台并联机器人且数据实时进行优化更新保证多台并联机器人协同工作，能最达到最高的分拣效率。
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
Claims (5)
1.人工智能废品塑料瓶分拣方法，其特征在于，包括实现该方法的废品塑料瓶分拣系统，包括检测单元，系统控制单元，机械分拣单元，输送单元，所述的输送单元将废品塑料瓶依次送入检测单元，机械分拣单元，所述的系统控制单元分别与检测单元，机械分拣单元，输送单元连接；所述的检测单元包括视觉检测模块，材质检测模块，光源；所述的视觉检测模块基于相机摄像原理，对输送单元上的废品塑料瓶进行颜色信息，形状信息，位置信息进行信息采集；所述的材质检测模块基于红外在线检测方法，对输送单元上的废品塑料瓶进行材质分析并采集材质信息；所述的系统控制单元通过接收视觉检测模块，材质检测模块的颜色信息，形状信息，位置信息，材质信息根据设定参数产生分拣目标及其动态位置数据；所述的机械分拣单元根据系统控制单元的分拣目标及其动态位置数据对输送单元上的废品塑料瓶进行精确分拣；分拣方法具体步骤如下：
1S.将经过预处理的瓶子平铺在输送单元上送入检测单元；
2S.检测单元中的视觉检测模块通过相机成像对检测单元上的废品塑料瓶进行视觉拍照，采集初步的位置信息，形状信息，颜色信息；通过数据处理，视觉检测模块把最终废品塑料瓶的颜色数据，形状数据，位置坐标数据发送至系统控制单元；
3S.检测单元中的材质检测模块基于红外在线检测方法对不同位置坐标的废品塑料瓶进行材质判定，并将材质数据，形状数据，位置坐标数据输送至系统控制单元；
4S.系统控制单元将接收到每个废品塑料瓶的属性数据为视觉检测模块颜色数据，形状数据，位置坐标数据和材质检测模块的材质数据，形状数据，位置坐标数据，多个废品塑料瓶的数据进行叠加对比，定义每个废品塑料瓶的单个属性为X，若干个废品塑料瓶的属性从X1～Xn作为输入向量进入信息向前传播，依次进过输入层，隐含层，输出层；同时进行误差反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，然后由系统控制单元做出对应的判断分析，最终将每个废品塑料瓶的形状数据，位置坐标数据，颜色数据，材质数据进行准确标定，并且将分析结果形成分拣指令传输至机械分拣单元；
5S.机械分拣单元根据接收的分拣指令对输送单元上的废品塑料瓶进行分拣。
2.根据权利要求1所述的人工智能废品塑料瓶分拣方法，其特征在于，所述的隐含层单个感知单元的处理公式为：
其中wj为权重参数，xj为废品塑料瓶的单个属性参数。
3.根据权利要求1所述的人工智能废品塑料瓶分拣方法，其特征在于，所述的材质检测模块对材质检测对应的红外光谱波段设置为，材质PE：1210nm,1412nm，1724nm；材质PET：1656nm；材质PVC:1712nm，1765nm；材质PP:1199nm,1394nm,1721nm；材质PS:1677nm。
4.根据权利要求1所述的人工智能废品塑料瓶分拣方法，其特征在于，所述的机械分拣单元由多个并联机器人并列组成，所述的系统控制单元通过运动路径模拟计算出最合理的优化运动轨迹并将经过模拟计算的运动轨迹及协同任务实时发送给每一台并联机器人且数据实时进行优化更新保证多台并联机器人协同工作，能最达到最高的分拣效率。
5.根据权利要求1所述的人工智能废品塑料瓶分拣方法，其特征在于，2S中对于形状信息与正常形状参数差异较大的废品塑料瓶，通过视觉算法软件结合光源亮度的增益调节，对获取到的图像进行初步的滤波，通过色值分析与数据对比，判定瓶子的颜色种类及色值，输出最终颜色数据；同时根据废品塑料瓶的图像状态计算出瓶子的轮廓信息以及位置中心坐标点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910421311.8A CN110154272B (zh) | 2019-05-17 | 2019-05-17 | 人工智能废品塑料瓶分拣方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910421311.8A CN110154272B (zh) | 2019-05-17 | 2019-05-17 | 人工智能废品塑料瓶分拣方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110154272A CN110154272A (zh) | 2019-08-23 |
| CN110154272B true CN110154272B (zh) | 2021-04-13 |
Family
ID=67631470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910421311.8A Active CN110154272B (zh) | 2019-05-17 | 2019-05-17 | 人工智能废品塑料瓶分拣方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110154272B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019132830A1 (de) * | 2019-12-03 | 2021-06-10 | Krones Aktiengesellschaft | Verfahren und Vorrichtung zur Erkennung von umgefallenen und/oder beschädigten Behältern in einem Behältermassenstrom |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2973264B3 (fr) * | 2011-04-01 | 2013-05-31 | Envac Optibag Ab | Procede et systeme pour identifier des conteneurs de dechets sur la base d'un motif |
| CN104148301B (zh) * | 2014-07-09 | 2016-09-07 | 广州市数峰电子科技有限公司 | 基于云计算和图像识别的废旧塑料瓶分拣装置及方法 |
| CN207929587U (zh) * | 2017-12-27 | 2018-10-02 | 华侨大学 | 一种建筑垃圾在线分拣系统 |
-
2019
- 2019-05-17 CN CN201910421311.8A patent/CN110154272B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110154272A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bobulski et al. | Deep learning for plastic waste classification system | |
| CN110202716B (zh) | 废品塑料瓶分拣系统及其分拣方法 | |
| CN102034096B (zh) | 基于自顶向下运动注意机制的视频事件识别方法 | |
| Sidharth et al. | Deep learning based smart garbage classifier for effective waste management | |
| CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
| CN104281853A (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
| CN104517103A (zh) | 一种基于深度神经网络的交通标志分类方法 | |
| CN104299243A (zh) | 一种基于霍夫森林的目标跟踪方法 | |
| CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
| CN110154272B (zh) | 人工智能废品塑料瓶分拣方法 | |
| CN111652214A (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
| Nazerdeylami et al. | Smart coastline environment management using deep detection of manmade pollution and hazards | |
| Zeng et al. | Steel sheet defect detection based on deep learning method | |
| Desai et al. | Waste segregation using machine learning | |
| CN107737735A (zh) | 报废汽车回收金属的融合感知在线分选系统及分选方法 | |
| Ji et al. | Automatic sorting of low-value recyclable waste: a comparative experimental study | |
| Dai et al. | Towards extreme learning machine framework for lane detection on unmanned mobile robot | |
| Bobulski et al. | Vehicle for plastic garbage gathering | |
| Arbeláez-Estrada et al. | A systematic literature review of waste identification in automatic separation systems | |
| Huo et al. | Traffic sign recognition based on resnet-20 and deep mutual learning | |
| Mouzenidis et al. | Multi-modal variational faster r-cnn for improved visual object detection in manufacturing | |
| Wang et al. | Existing weld seam recognition based on sub-region BP_Adaboost algorithm | |
| Bobulski et al. | Robot for plastic garbage recognition | |
| Kun et al. | Identification method of waste based on gray level co-occurrence matrix and neural network | |
| Uzun et al. | Deep learning based garbage detection for autonomous garbage collection vehicles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231128 Address after: F5C08, 5th Floor, Building 3, R&D Workshop, Phase II, Huiquan Technology Industry Center, No. 88 Taoyuan East Road, Nanhai District, Foshan City, Guangdong Province, 528000 Patentee after: Foshan Jiuzhou Automatic Control Technology Co.,Ltd. Address before: F5a02-8, floor 5, building 3, R & D workshop, phase II, Huiquan science and technology industrial center, 88 Taoyuan East Road, Nanhai District, Foshan City, Guangdong Province, 528000 Patentee before: FOSHAN JIUZHOU INTELLIGENT EQUIPMENT TECHNOLOGY Co.,Ltd. |