CN112243392B - 视觉和模拟感测废品分拣系统和方法 - Google Patents

视觉和模拟感测废品分拣系统和方法 Download PDF

Info

Publication number
CN112243392B
CN112243392B CN201980022727.0A CN201980022727A CN112243392B CN 112243392 B CN112243392 B CN 112243392B CN 201980022727 A CN201980022727 A CN 201980022727A CN 112243392 B CN112243392 B CN 112243392B
Authority
CN
China
Prior art keywords
particles
sensor
particle
visual
matrix
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
Application number
CN201980022727.0A
Other languages
English (en)
Other versions
CN112243392A (zh
Inventor
卡利亚尼·查甘蒂
保罗·托雷克
迈克尔·A·霍金斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huron Valley Steel Corp
Original Assignee
Huron Valley Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huron Valley Steel Corp filed Critical Huron Valley Steel Corp
Publication of CN112243392A publication Critical patent/CN112243392A/zh
Application granted granted Critical
Publication of CN112243392B publication Critical patent/CN112243392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • 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
    • 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
    • B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
    • 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
    • B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0018—Sorting the articles during free fall
    • 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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
    • B07C5/365—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means
    • B07C5/366—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means during free fall of the articles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Sorting Of Articles (AREA)
  • Combined Means For Separation Of Solids (AREA)

Abstract

提供了一种分拣废品颗粒的系统和方法。使用视觉系统对包含废品颗粒的移动传送机成像，以创建与传送机的定时位置相对应的视觉图像，并且使用感测系统来感测包含废品颗粒的移动传送机，以生成与定时位置相对应的感测矩阵。所述感测系统具有至少一个模拟接近传感器阵列。控制系统将视觉图像作为单元的视觉矩阵进行分析，并从颗粒的视觉矩阵生成包含视觉数据的视觉向量。所述控制系统分析所述感测矩阵，并针对颗粒生成包含来自所述感测矩阵的感测数据的感测数据向量。所述控制系统根据所述视觉数据向量和所述感测数据向量将所述颗粒分类为至少两种材料分类中的一种。

Description

视觉和模拟感测废品分拣系统和方法
技术领域
各种实施例涉及用于在生产线操作中分拣废品材料(包括含有金属的废品材料)的系统和方法。
背景技术
废金属目前使用传送带或其他生产线作业以高速或高容量方式进行分拣，使用多种技术，包括：生产线操作员手动分拣、空气分拣、振动分拣、磁性分拣、光谱分拣等。废品材料通常在分拣之前被切碎，并且需要分拣以例如通过基于材料的分类或类型的分拣来促进废品中材料的分离和再利用。通过分拣，废品材料可以被再利用，而不是被送到垃圾填埋场或焚化炉。另外，与从矿石精炼未加工原料或从油中制造塑料相比，使用经分拣的废品材料利用更少的能量并且更有利于环境。如果已分拣材料的质量符合规定标准，则制造商可使用已分拣的废品材料代替未加工的原料。废品材料可以被分类为金属、塑料等，并且还可以被进一步分类成金属类型、塑料类型等。例如，可能期望将废品材料分类和分拣成黑色和有色金属、重金属、高价值金属(例如铜、镍或钛)、铸造或锻造金属以及其他各种合金的类型。
发明内容
在一个实施例中，提供了一种分拣废品颗粒的方法。使用视觉系统对包含废品颗粒的移动传送机成像，以创建与传送机的定时位置相对应的视觉图像。采用控制系统将视觉图像作为单元的视觉矩阵来进行分析，识别在视觉矩阵中包含颗粒的单元，并针对颗粒生成包含来自视觉矩阵的视觉数据的视觉向量。使用感测系统来感测包含废品颗粒的所述移动传送机，以产生与传送机的定时位置对应的感测矩阵，其中所述感测系统具有模拟接近传感器的至少一个阵列。采用控制系统来分析感测矩阵，识别所述感测矩阵中包含颗粒的单元，并针对颗粒生成包含来自感测矩阵的感测数据的感测数据向量。采用所述控制系统根据视觉数据向量和感测数据向量将颗粒分类为至少两种材料分类中的一种。
在另一个实施例中，提供了一种用于在移动传送机上对随机定位的废品材料颗粒进行分拣的系统。该系统具有视觉系统，该视觉系统具有成像传感器和被照亮的预定观看区域，从而以时间间隔对经过其的传送机成像。该系统具有传感器系统，该传感器系统具有布置在大致平行于传送机进行布置的单个共同平面中的模拟感应接近传感器阵列。控制系统被配置为接收并处理从视觉系统获取的图像数据，以识别在观看区域中的传送机上的废品颗粒，分析颗粒的视觉数据以形成视觉数据向量，接收并处理从所述感测系统获取并被定时以与所述视觉数据相对应的传感器数据，从而识别所述传送机上的废品颗粒，分析所述颗粒的所述传感器数据以形成传感器数据向量，并且使用所述视觉数据向量和所述感测数据向量将所述颗粒分类为材料的分类。
附图说明
图1是根据一个实施例的分拣系统的侧视示意图；
图2是图1中分拣系统的顶部示意图；
图3示出了根据一个实施例的与图1的分拣系统一起使用的传感器组件的俯视图；
图4示出了与废品颗粒相互作用的传感器示意图；
图5示出了使用图1的系统对废品材料进行分类的方法的流程图；
图6示出了与图5的方法一起使用的分类方法的流程图；
图7A和图7B示出了图5和图6所示方法所使用的并使用图1至图2所示系统获得的铸铝材料的视觉和传感器图像；
图8A和图8B示出了图5和图6所示方法所使用的并使用图1至图2所示系统获得的锻铝材料的视觉和传感器图像；
图9是用于设置校准和分类参数的样本数据的曲线图；
图10示出了与图5所示方法一起使用的另一种分类方法的流程图；以及
图11示出了用于创建与图10的分类方法一起使用的查找表的主成分空间的分区。
具体实施方式
根据需要，在此提供了本公开的详细实施例，但是，应当理解，所公开的实施例是示例，可以以各种和可替换的形式来体现。附图不必按比例绘制；一些特征可以被放大或最小化以示出特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制，而仅仅是教导本领域技术人员不同地使用本公开的代表性基础。
认识到，本文所公开的任何电路或其他电气设备可能包括任何数量的微处理器、集成电路、存储器设备(例如，FLASH、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读储器(EEPROM)或其他合适的变体)以及相互协作以执行本文所公开的操作的软件。另外，本文所公开的电气设备中的任何一个或多个可被配置为执行计算机程序，该计算机程序体现在被编程为执行本文所公开的任何数量的功能的非暂时性计算机可读介质中。
图1至图2示出了系统100或装置，用于将废品材料分类到两个或多个材料分类中，然后将材料分拣到其指定的分类中。在其它示例中，系统100可与其它分类和分拣系统一起使用或与其集成，例如，在较大的生产线操作中，用于对废品材料进行分类和分拣。
传送带102或用于沿路径或方向(在此处示为y方向)移动物体的其他机构支撑待分拣的颗粒104。待分拣的颗粒104由废品材料片构成，所述废品材料片例如来自车辆、飞机、消费电子产品、回收中心的废品材料片；或本领域已知的其他固体废品材料。材料104通常在通过分拣系统100或更大的分拣设备之前，通过粉碎工艺等被粉碎成厘米或毫米量级的更小的片。颗粒104可以在单层中随机地定位和定向在传送机102上，具有随机和广泛变化的形状，并且具有变化的性质。颗粒104可以包括混合材料。在一个示例中，废品材料包括线材，并且颗粒104可以包括各种形状(包括三维形状)的线材。在另一示例中，颗粒104可包括铸造材料和锻造材料的混合物，例如铸造铝合金和锻造铝合金。
系统100将颗粒104分类并分拣成两个或更多个选定类别的材料。在一个示例中，执行二元分拣以将材料104分拣成两个类别。在另一示例中，材料被分拣成三个或更多个类别的材料。传送带102沿x方向在宽度方向上横向地延伸，并且材料104的片或颗粒随机地位于传送带102上。在各种示例中，可对不同的废品材料进行分拣，例如金属与非金属、混合金属的类型、铸造与锻造、线材与非线材等。
至少一些废品颗粒104可以包括不锈钢、钢、铝、钛、铜、贵金属(包括金)以及其他金属和金属合金。废品颗粒104可另外包含具有某些金属氧化物，其具有足够用于感测和分拣导电性。另外，废品颗粒104可以是混合材料，例如涂覆有绝缘层的金属线，电路板和其他电子废弃物的部分，来自轮胎的具有嵌入橡胶中的金属带的废品材料，以及至少部分地包埋、封装或嵌入绝缘材料、橡胶、塑料或其他非导电材料内的其他金属。废品材料104可以作为包含其他金属和金属合金的有色金属材料提供。注意，本公开内容中提到的“导电的”是指颗粒是电导体的或包含金属。此处所指的“非导电”是指不导电的，通常包括电阻率大于约1mOhm·cm的塑料、橡胶、纸和其他材料。
通过线材提供的废品颗粒104可能难以使用其他常规分类和分拣技术进行检测，因为其通常具有较小的质量，具有粘性或其他盘旋形状，并且可能被涂覆，这通常提供几乎不能辨别的信号。或者，对于已经使用不同技术处理的类似材料，例如铸造与锻造材料，使用传统的分类和分拣技术可能难以对废品颗粒104进行分拣。根据本公开的系统100能够感测和分拣这些种类的废品材料。
在与系统100一起使用之前，废品材料104可以被粉碎或以其他方式处理。另外，废品材料104可在与系统100一起使用之前例如使用气刀或另一调整尺寸系统来调整尺寸。在一个示例中，废品颗粒可在与系统100一起使用之前被粗略分拣，例如，使用包含数字感应接近传感器的系统对导电材料与非导电材料进行分类和分离，或使用磁性分拣系统从有色金属材料中去除黑色金属材料。可使用涡流分离器或其他设备对颗粒104进行每次分拣，以在由系统100将材料分拣为期望的分类之前将材料粗略分拣。通常，废品颗粒104被粉碎，并且尺寸调整成具有与传感器端面直径相似或相同数量级的有效直径。然后，将颗粒104作为单层分散颗粒分布到带102上，以避免颗粒之间的重叠，并且为了感测和分拣的目的，提供相邻颗粒间的分离。颗粒104可在分布、感测或分拣之前被干燥，以提高分拣过程的效率和有效性。
废品材料的颗粒104被提供到带102的第一端部区域120。使用一个或多个马达和支撑辊122来移动带102。包括控制单元114的控制系统112控制(多个)马达122以控制带102的移动和速度。
带102可邻近图1所示的清洁系统或设备124通过。清洁系统124在带102的宽度上延伸，并且可以包括用于去除灰尘的加压空气源、用于将例如水的液体喷雾提供到传送机102的表面上以清洁传送机或产生作为背景的传送机的变暗的更均匀的表面的润湿装置、和/或诸如刷子的其他设备。在颗粒被沉积到带上之前，清洁系统124可与传送机102相互作用，并且在一些示例中，清洁系统124位于沿着传送机返回路径并在传送机下方。
系统100具有视觉系统106，其在带102穿过视觉系统106的观看区域时对带102成像。在一个示例中，视觉系统106提供可见光谱中的彩色图像。在其他示例中，视觉系统106提供另一多通道图像。带102穿过视觉系统106，该视觉系统106包括成像设备140，以在材料移动通过系统106时对材料成像。视觉系统106基于相关联的成像设备140的观看区域产生带102的区域的图像。
该系统还具有感测系统108，或感测装置108，其在皮带102通过时提供感测数据。在一个示例中，并且如下所述，感测装置108包含一个或多个传感器阵列，例如模拟接近传感器。在所示示例中，示出了一个传感器阵列110，然而，系统100可以具有单个阵列110或多于两个阵列110。每个阵列110包括多个模拟接近传感器，如下面更详细描述的，并且阵列110中的传感器响应于感测到传送机102上的颗粒104而提供模拟信号。
每个阵列110中的传感器被提供为模拟接近传感器，而不是数字传感器。对于模拟传感器，信号输出可以变化并且可以是值范围(例如电压范围)内的任何值。相反地，对于数字信号，信号输出可以仅被提供为二进制信号，例如0或1，或者提供为一组离散的、有限值中的一个。本发明的分拣和分类系统100使用模拟传感器以在信号中提供更大的分辨率。例如，模拟传感器可以输出在0伏特和12伏特之间变化的直流电压，并且信号可以是该范围内的任何值，例如4.23伏特。对于数字传感器，信号输出可以是例如与设置阈值的任一侧上的电压值对应的两个离散值中的一个。
视觉系统106和感测系统108被示出为顺序地布置在系统100中，带102上的颗粒在感测装置之前经过视觉系统106。在其他示例中，视觉系统106可如图1中的虚线所示沿着带定位在感测系统108之后，或者视觉系统106可定位成在感测装置108正上方且沿着带102定位在相同位置处。
马达和支撑辊122被定位成使得阵列110直接邻近携带颗粒的传送带102。例如，带102可直接定位在其支撑的颗粒104和阵列110之间，使得阵列110位于带102的承载颗粒104的区域的正下方。马达和支撑辊122可引导返回带在阵列110下方，使得阵列110定位在由带102形成的闭合回路内。
视觉系统106和感测系统108分别向控制系统112提供视觉数据和感测数据，该控制系统112使用视觉数据和感测数据例如使用多判别分析来如下所述对颗粒进行分类。
控制系统112和控制单元114可以包括一个或多个位置传感器126或与之通信，以确定带102的位置和时间，以便当颗粒104在带上移动通过系统时用于定位和跟踪颗粒104。(多个)位置传感器126可以由数字编码器、光学编码器等提供。在一个示例中，传送机102以每分钟200～800英尺的速度线性移动，但也可考虑其他速度。在另一个示例中，带102具有每分钟300～500英尺的线性速度，并且可具有每分钟400英尺的速度，对应于每毫秒2毫米的带运动，或另一类似速度。可以选择速度以允许对视觉系统和传感器系统有足够的曝光时间，同时满足期望的颗粒吞吐量。
控制系统112至少使用如下所述的颜色数据和感测数据来识别带102上的颗粒104并且将每个颗粒104分类成多个分类中的一个。然后，控制系统112使用每个颗粒104的分类、颗粒的位置和传送带102的位置来控制分离器单元128，以分拣和分离颗粒104。
系统100包括传送机102第二端130处的分离器单元128。分离器单元128包括喷射器132的系统，其用于基于颗粒104的分类来分离颗粒104。分离器单元128可具有与控制系统112和位置传感器126通信的分离器控制器134，以选择性地启动适当的喷射器132来分离位于传送机上的已到达带的排出端130的选定的废品颗粒104。喷射器132可用于将颗粒104分拣成两个类别、三个类别或任何其他数目的材料类别。喷射器132可以是气动的、机械的或本领域已知的其他装置。在一个示例中，喷射器132是空气喷嘴，其被选择性地启动以将空气射流引导到选定的废品颗粒104上，以在选定的颗粒离开传送带时改变选定颗粒的轨迹，使得例如使用分离器盒138将颗粒选择性地引导并分拣到单独的箱(bin)136中。
循环回路也可以存在于系统100中。如果存在的话，则循环回路获取不能被分类的颗粒104，并使颗粒104改变路线通过系统100，以便重新扫描和再分拣成类别。
视觉系统106包括成像设备140和照明系统142，带102和颗粒104在其下方通过。成像设备140可以是具有数字颜色传感器的相机，诸如电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)传感器。在一个示例中，成像设备140是以足够的频率扫描以提供传送机102的连续图像帧的连续馈送的线扫描相机，并且是三芯片RGB彩色CCD相机。在其他示例中，成像设备140可包括CMOS传感器或另一传感器，或可使用其他色彩模型(例如HSV和HSL或其他通道)来提供图像。相机140具有聚焦在带102上的相关联的观看区域。相机140可以是提供紫外、可见和/或红外通道的多光谱或超光谱相机。
视觉系统106可以另外地或替代地包括具有其自己的照明系统146的三维(3-D)成像设备144。3-D成像设备144可以是观看由线激光器148产生的激光线轮廓并使用该线激光器的垂直位移来确定颗粒104的顶面轮廓的相机或相机对。在另一实施例中，3-D成像设备144可以是耦合到对带102的宽度进线扫描的快速一维(1-D)扫描镜的飞行时间激光测距系统。或者，如本领域已知的，可以使用立体/双相机3D系统或任何其他3D成像系统。
照明系统142照亮带102的观看区域，以向成像设备140提供观看区域的受控均匀照明。照明系统142可以设置有护罩150，该护罩150包括框架，该框架支撑发射宽带可见光的一个或多个灯，诸如荧光灯泡、宽带LED或卤素灯泡。照明系统142还可包括用于准直和均匀照明的圆柱形透镜和/或定位在灯和传送机102之间的一个或多个漫射板。
控制系统112使用关于传送机102的位置的信息来控制视觉系统106，例如使用来自位置传感器126的输入，以确定传送带102的线性前进和传送带上的废品颗粒104的相关前进。当传送带102已经前进了等于观看区域长度的距离时，控制系统112可以控制视觉系统106以获取观看区域的图像。成像设备140包括图像检测器或传感器，其电子地记录观看区域的图像，废品颗粒由传送机102传送通过该观看区域。
图3示出了根据一个实施例的感测组件108的俯视图，并且图4示出了与图1至图3的系统100一起使用的在感测组件中的传感器的示意图。感测系统108或感测装置108在带102通过时提供感测数据。
在一个示例中，并且如下所述，感测装置108包含一个或多个传感器阵列110，例如模拟接近传感器。在所示示例中，示出了一个传感器阵列110，然而，系统100可以具有多于一个的阵列110。每个阵列110包括多个模拟接近传感器，如下面更详细描述的，并且阵列110中的传感器响应于感测到传送机102上的颗粒104而提供模拟信号。
在本示例中，系统100使用模拟感应接近传感器，因此系统用于在两种或多种金属之间进行分拣，因为传感器只能检测导电材料。另外，系统100可用于分拣包括具有混合组合物的颗粒104的废品材料，例如绝缘线材或其他涂覆的线材。在各种示例中，系统100用于在以下组中的至少两个之间分拣：金属线材、金属颗粒、钢和/或不锈钢，其中金属颗粒具有位于金属线材和钢/不锈钢组之间的导电性，并且可以包括铜、铝及其合金。系统100可用于分拣有效直径大至25厘米更大和小至2毫米或22～24规格线材的废品颗粒104。在其他示例中，系统100可用于将包含金属的废品颗粒104与不包含金属的废品颗粒104分拣开来。
传感器阵列布置在横跨传送带102横向延伸的基座构件160中。基座构件160为传感器阵列提供支撑并定位传感器阵列。在一个示例中，基座构件160由传感器板提供，该传感器板限定与上表面相交的孔162的阵列，每个孔的尺寸被设置成容纳模拟接近传感器的阵列110中的对应传感器170。在其他实施例中，可使用其他结构或支撑件来将传感器定位并固定到组件中的阵列110中。基座构件160提供用于电力线束164的电缆布线以向每个传感器170提供电力，并且还提供用于数据线束166的电缆布线以将模拟信号从传感器170中的每个传感器发送到控制系统112中的信号处理单元190或传感器处理器190。
每个传感器都有端面或有效感测表面172。传感器170被布置成阵列110，使得每个传感器的端面172彼此共面，并且位于与带的表面116平行的平面中，或者大致平行于带的表面，例如彼此在五度内，或者在误差或公差的合理限度内。传感器的端面162同样地通常位于共同的平面中，例如在可接受的误差或公差范围内，诸如在彼此的传感器端面直径的5-10％内或更小。传感器170布置在阵列110中的一系列行168中，其中每一行168定位成当传感器组件与系统100一起使用时跨越传感器组件108并跨越带102横向延伸。阵列110中的每一行168可具有如图所示相同数目的传感器170，或可具有不同数目。一行168中的传感器170如图所示沿着横向方向偏离相邻行168中传感器170，以提供带102的宽度的感测覆盖范围。阵列110中的传感器170被布置成使得在X位置或横向方向上并忽略Y位置，相邻的传感器具有重叠或相邻的电磁场。传感器170可间隔开以减少同一行168中的相邻传感器之间以及相邻行168内的传感器之间的干扰或串扰。在一个示例中，阵列中的所有传感器170是相同类型和大小的传感器。在其他示例中，阵列中的传感器170可以是不同尺寸的，例如，两个、三个或更多个不同尺寸。
传感器170可基于有效感测区域的大小或端面172的表面区域来选择。还基于传感器的灵敏度和响应速率来选择传感器。在一个示例中，端面172区域通常对应于待分拣的颗粒104的尺寸或与待分拣颗粒的尺寸在同一数量级上，例如，使得传感器用于分拣投影面积在传感器表面积的50％、20％或10％内的颗粒。例如，传感器端面172的面积可以在2毫米至25毫米的范围内，并且在一个示例中为12～15或15～20毫米的量级，以与具有相同尺寸范围内(例如在两倍或更大的系数内)的有效直径的废品颗粒104一起使用。因此，尽管废品材料104可以在被分配到带上之前经历粗略的分拣过程，但是系统100允许废品颗粒的尺寸变化。在另一示例中，端面172的面积可被选择为小于待分拣的颗粒的尺寸，例如，使得传感器用于分拣具有在传感器表面积的200-500％内的投影面积的颗粒。在其他示例中，传感器端面面积和待分拣的颗粒的尺寸可以具有另一目标关系。
传感器170可基于待分拣的材料进行选择。在本示例中，阵列110中的传感器170各自是例如用于检测和分拣金属的感应模拟接近传感器。当传感器170中的电流产生磁场时，传感器170产生感应回路。传感器输出指示在回路中流动的电压的信号，该电压基于回路中材料104的存在而改变，并且还可以基于金属颗粒的类型或尺寸，或者对于线材与固体颗粒而改变。控制系统112可以使用模拟电压信号的幅度来对材料进行分类。在另外的示例中，控制系统112可以附加地或替代地使用模拟电压信号的变化率来对材料分类。控制系统112可使用如从系统108确定的以下中的至少一个来对与颗粒相关联的区域进行分类：峰值电压、电压变化率、平均电压、与颗粒区域相关联的面积上的电压之和、使用颗粒面积除以边界框面积而确定的面积比因子、根据颗粒周长和颗粒面积而确定的紧凑因子等。
在本示例中，阵列110包括五行168的传感器170，每行具有24个相同的模拟感应接近传感器，每个传感器具有18毫米的端面直径。因此阵列110包含120个传感器。每行168中的传感器170以传感器的直径的大约五倍彼此间隔开，以减少传感器之间的串扰和干扰，并且在另外的示例中，传感器170以大于传感器直径的五倍间隔开。因此，每行中的传感器170的数量是传感器的直径和对应于带宽度的行的长度的函数。行168的数量是带的宽度、传感器的数量和尺寸以及系统100中期望的感测分辨率的函数。在其他示例中，行可以具有更多或更少数量的传感器，并且阵列可以具有更多或更少数量的行，例如10行。
在本示例中，每一行168同样以大约为传感器170直径五倍的类似间隔与相邻行间隔开，并且在其他示例中传感器170以大于传感器直径的五倍间隔。一行168中的传感器170横向地偏离相邻行的传感器。在所描述的阵列中的传感器170提供了当传感器170的位置被投影到共同的横轴或x轴时横向跨越带、每12.5mm定位的传感器，但是传感器170可以在系统100中处于不同的纵向位置。因此，控制单元使用一行中具有120个单元的矩阵或线扫描图像，以对应于阵列中的传感器布置。随机定位在带上的废品颗粒104可能在阵列中的至少两个传感器170的电磁场上行进并与之相互作用。每个传感器170在分拣组件的吹气杆中具有至少一个相应的阀或喷射器132。
阵列中的传感器的端面172位于单个共同平面或传感器平面中。该平面平行于包含带的上表面116的平面或带平面并与其间隔开。传感器平面与带平面隔开距离D，例如小于5毫米、小于2毫米或1毫米。通常，可通过减小D来提供改进的分拣性能。传感器平面与带平面间隔开的距离D可为带102的厚度，具有额外的间隙距离以提供带102在传感器阵列110上的移动。
阵列110中的传感器170可以全部以相同的频率操作，从而使用直流、模拟电压幅度值的测量来对材料进行分类。在其他示例中，可以使用来自传感器170的附加信息，例如，电压的变化率。当废品颗粒104沿着传送带102移动时，颗粒横越传感器阵列110。颗粒104可穿过或穿越阵列中的一个或多个传感器170的电磁场。当颗粒104进入传感器电磁场时，电磁场被干扰。由传感器170测量的电压基于颗粒的材料或导电性而改变，并且另外可基于材料的类型或质量(例如，线材与非线材)而改变。由于传感器170是模拟传感器，其提供具有指示传感器正在感测的材料的数据的模拟信号，例如由传感器170测量的直流电压的幅度，其可用于对颗粒进行分类。
当颗粒104全部由传送带102支撑并停留在传送带102上时，废品颗粒全部停留在与传感器阵列110的传感器平面共面的共同传送带平面上。这样，在每个颗粒以距离D从上方经过时，每个颗粒的底部表面与传感器阵列等距。系统100中的废品颗粒具有相似的尺寸，如通过确定尺寸和分拣过程所提供的；然而，废品颗粒的尺寸以及颗粒的形状可能存在差异，使得带上的颗粒的上表面可以在传感器阵列上方的不同距离处。因此，颗粒可具有在与带接触的底部表面和相对的上表面之间的厚度或距离，其中相对的上表面在由系统100分拣的不同颗粒之间是不同的。废品颗粒与阵列中的传感器相互作用到某一厚度，该厚度对应于由传感器尺寸和电流确定的传感器的穿透深度。
图4示出了阵列110中的传感器170和带102上的颗粒104的局部示意性剖面图。如可从图中看到的，带102的上表面116或带平面处于包含传感器170的端面172的传感器平面上方距离D处。传感器170包含由诸如铜的线匝制成的电感线圈174和包含电子振荡器和电容器的电子模块176。传感器170从外部电源接收电力。电感线圈174和电子模块176的电容器以经由电源保持的频率产生正弦波振荡。通过振荡产生电磁场，该电磁场从端面172或传感器170的有效表面172向外延伸。在178处示出了例如当传送带102上没有废品材料时不受导电颗粒干扰的电磁场。当包含导电材料(例如金属)的废品颗粒104进入电磁场时，一些振荡能量转移到废品颗粒104中并且产生涡电流。废品颗粒和涡电流导致传感器170中的功率损失或减小，并且所产生的电磁场180具有减小的幅度。传感器170的幅度(例如电压)经由输出被提供为传感器输出的信号。注意，对于模拟传感器，传感器170可持续地提供输出信号，例如，作为电压范围内的可变电压，其由控制系统112周期性地采样或获取。
返回参照图1至图2，控制系统112从视觉系统106接收图像，并使用这些图像来定位和跟踪带上的材料的颗粒104。控制系统112使用成像数据来确定与带102上的每个颗粒104相关联的视觉数据或颜色数据。控制系统112还使用来自感测装置108的信号来确定与每个颗粒104相关联的感测数据。控制系统112可使用视觉和/或感测数据来定位和跟踪带102上的颗粒104。控制系统112使用视觉数据和感测数据，用于当颗粒沿着带移动时将颗粒104分拣成两个或更多个分类。在一个示例中，控制系统112执行将颗粒的视觉数据和感测数据进行组合的多判别分析以对颗粒进行分类。
控制系统112和控制单元114可以由采用多个处理器的联网计算机系统提供，以实现高速、多任务环境，在该环境中，处理在多个不同的处理器上连续地、同时地发生。在控制系统112中，每个处理器又能够提供多任务环境，其中多个功能不同的程序可以同时活动，在优先级和需要的基础上共享处理器。用于支持在进程组中识别的功能的硬件的实现方式的选择也可以取决于系统的大小和速度，以及取决于分拣的类别。
在控制单元中提供图像处理单元192或图像处理器192，以周期性地获取和处理图像。图像处理器192包括用于汇集来自相机的每个图像的逻辑。图像处理器192可将观看区域的每个图像划分成单元矩阵，并分析与图像相对应的数字数据，以确定用于分离器单元128中的传送带102上的颗粒104的位置，并确定或提取用于分类和分拣过程中的每个颗粒104的视觉数据。图像处理器192接收指示传送机102的位置和何时获取图像的信号，使得在传送带通过传感器组件108和阵列110时，在传送机的一系列离散部分中对于传送带进行成像。如下所述，控制单元112的控制系统114和图像处理器192可对针对图像记录的数字像素值中的每一个执行各种分析。
控制系统112可包括信号处理单元190或传感器处理器190，例如用于量化和数字化来自阵列110的信号，以供控制单元114在对颗粒104进行分类和分拣时使用。传感器处理器190可以量化和数字化模拟信号，以保持信号和数据中的预定分辨率，例如，到十分之一伏或百分之一伏，或者可以将模拟信号转换成8位(或更高精度)值。
控制系统112使用关于传送机102的位置的信息来控制感测组件108，例如使用来自位置传感器126的输入，以确定传送带102的线性前进和传送带上的废品颗粒104的相关前进。控制系统112可以控制传感器处理器190和感测组件108以在传送带102已经前进预定距离时获取传感器数据，并且与传送带102上的位置的视觉数据相对应，使得相同的颗粒被两个系统106、108检测和分析。
控制系统112包含一个或多个数据处理单元190、192，用于采集和处理来自系统106、108的信号和数据。在一个示例中，数据处理单元190、192与控制单元114集成，并且在其他实施例中，处理单元是分离的。
用于传感器系统108的传感器处理器190包括用于将来自每个传感器的数据汇集成带102的表示的逻辑。传感器处理器190可将带的横向部分表示为单元的矩阵，并分析传感器数据以确定颗粒104在传送机102上的位置并确定用于分类和分拣过程的每个颗粒104的输入。传感器处理器190接收指示传送机102的位置以及何时获取传感器数据的信号，使得当传送带穿过传感器组件108和阵列110时，在传送机102的一系列离散部分中对于传送带进行“成像”，并且创建传感器数据矩阵，该矩阵是带的线扫描图像。控制系统112和传感器处理器190可如下所述对传感器数据矩阵执行各种分析，或者以其他方式操纵传感器数据。
控制系统112使用视觉数据和感测数据，例如来自感测组件108的量化和数字化信号，将颗粒104分类成两个或更多个预选分类中的一个。基于分类结果，控制系统112控制分离器单元128以基于颗粒104的相关分类对颗粒104进行分拣。控制系统112还可以包括一个或多个显示屏和人机接口194，用于在操作期间控制系统100并且还用于校准或系统设置。
图5示出了使用如图1至图4所示的系统100的控制系统112对颗粒104进行分类的方法200。在其他实施例中，方法200中的各种步骤可被组合、重新排列或省略。
在步骤202处，控制系统112向相机140提供线触发信号，以基于传送机102的位置获取单线。响应于接收线触发信号，相机140获取线扫描图像。可以控制相机以便在带移动时获取多个连续线，从而创建带区域的图像或帧。
在204处，控制系统112形成与线扫描图像相关联的第一矩阵或图像矩阵，该矩阵也链接到带102的位置或坐标，以供分离器单元128使用，并用于与感测装置108协调和感测数据采集。在步骤202，图像矩阵覆盖图像，使得矩阵中的每个单元与图像中的一个或多个像素相关联。在一个示例中，图像矩阵可具有与每个像素相关联的单元。在其他示例中，图像矩阵可以具有与多个相邻像素相关联的一个单元。图像矩阵的大小可以被确定为与如下所述的传感器矩阵的大小相对应，例如，具有相同的纵横比。
图像处理器192或控制系统112可以使用具有单元的矩阵和包括[R、G、B]颜色通道数据的矩阵的阵列，以及关于颗粒位置和颗粒特性的附加信息，如下所述。图像处理器192或控制系统112可替代地使用成像库处理工具(例如MATROX)来创建表格或其他数据库，其填充有每个颗粒的像素数据，所述像素数据包括[R、G、B]值、边界信息和下文确定的其他颗粒特性。
每个图像矩阵可以使用RGB信号形成，该RGB信号对应于由相机140中的传感器检测到的观看区域的红色、绿色和蓝色片段或颜色分量中的每一个。在其他示例中，可以向图像处理器192提供基于不同颜色空间和颜色模型的其他颜色信号，以指示包括至少三种颜色分量的图像的颜色，或者可以从相机提供其他通道，例如灰度、非可见光谱等。来自相机140的RGB信号由图像处理器192组合或转换成用于每个图像矩阵的三个阵列，每个阵列对应于红色图像、绿色图像和蓝色图像之一。图像处理器192可以组合线扫描图像数据以形成具有阵列的更大的合成图像矩阵。对于红色图像、绿色图像和蓝色图像中的每一个，每个阵列可以是1024 x 2048数字像素值(从0到255)。所述阵列可被覆盖以提供用于图像矩阵中的每个像素或每个单元的具有三个通道或RGB通道的颜色图像。RGB值作为[R、G、B]值的数据集，每个值的范围从0到255，被提供到图像矩阵中的像素或单元。
图像处理器192可以使用快速傅里叶变换(FFT)对图像矩阵进行变换，拒绝高频噪声和/或拒绝表示带图案噪声的X方向和/或者Y方向上的特定频率，然后应用逆FFT来恢复改进的图像矩阵。控制系统112用于通过经由FFT对图像进行变换以在频域中创建图像的表示，从该表示中去除至少一个指定频率，并经由逆FFT将该表示变换回图像，来减少图像上的噪声。
控制系统112还可以对用于图像的每个颜色通道进行标准化，例如用于RGB颜色空间的R图像或阵列、B图像或阵列、以及G图像或阵列，以校正光源中的任何光谱不平衡。例如，图像中的每个像素可以具有使用与每个颜色相关联的查找表或校准表进行修改的R值、G值和/或B值。可以基于使用中性背景、校准卡等的校准处理来获得用于图像的颜色校正的校准表或查找表。
在206处，控制系统112通过将颗粒与表示传送带102的背景区分开来，识别可能包含颗粒104的图像中的像素或图像矩阵中的单元。通过在图像或矩阵的至少一个通道上应用阈值并且当该至少一个通道的值超过阈值时对像素或单元进行标记以指示颗粒104的存在，来将颗粒104与背景区分开来。用于区分视觉矩阵中的颗粒的阈值可以基于视觉系统和视觉矩阵，和/或如下所述的感测系统和对应的传感器矩阵。
作为颗粒识别过程的一部分，控制系统112可通过在紧接的先前时间和紧接的后续时间拍摄的图像矩阵之间拼接图像矩阵来进行逐帧拼接。通过将帧拼接在一起，控制系统112可以分析带的更大的连续区域，用于颗粒识别和位于中央图像矩阵上的颗粒的图像数据。例如，可以将三个帧拼接在一起，其中在时间t1的图像帧被拼接在来自先前时间t0的图像帧和来自下一时间t2的图像帧之间。包括拼接矩阵的图像矩阵可临时存储在控制系统112可访问的存储器中的数据缓冲器中。由于颗粒可能延伸跨过一个以上的图像矩阵或帧，所以拼接的使用有助于颗粒识别并获得带上的单个颗粒的完整图像数据。
在步骤208，控制系统112创建视觉数据向量，该视觉数据向量具有与如下各项相关的信息：带位置、指向图像矩阵上所识别颗粒的位置和边界的图像指针、以及与颗粒相关联的任何其他图像或视觉数据，例如颜色输入等。在一个示例中，控制系统112使用拼接矩阵来参考图像指针和中央矩阵或帧来创建视觉向量。控制系统112另外还分析所识别的颗粒区域，以提供另外的颜色数据和/或图像数据并且创建每个所识别颗粒区域的视觉数据向量。控制系统112可使用各种机器视觉处理技术来进一步处理与颗粒104相关联的图像或矩阵的区域，以侵蚀、扩张、填充孔、或以其他方式修改或校正与所识别颗粒104相关的图像或矩阵区域。
控制系统112和图像处理器192可以基于与颗粒相关联的矩阵中单元或图像中每个像素的颜色分量，例如使用的颜色模型，来计算所识别颗粒的颜色输入。控制系统112可将颜色标准应用于与颗粒104相关联的矩阵的单元或图像的像素，以确定颗粒的颜色输入。在其他示例中，控制系统112可以评估与颗粒104相关联的图像的像素或单元的组。例如，控制系统112可在确定颗粒104的总体颜色输入时分析相邻像素或单元中的颜色分量的频率和/或分布。
控制系统112从图像的每个像素或与颗粒相关联的矩阵的单元或图像的每个像素接收颜色分量，并且图像的每一个像素可以具有三个或更多个颜色分量(例如，如上所述的三个RGB通道)。因此，对于每个所识别的颗粒104的每个像素，控制系统112获得颜色分量，例如R、G、B或H、S、V或其他颜色空间基，诸如来自具有多于3个颜色分量的多光谱相机数据的那些颜色空间基。
在一个示例中，控制系统112可以对与颗粒相关联的所有像素的R值、与颗粒相关联的所有像素的B值以及与颗粒相关联的所有像素的G值进行平均化，从而得到具有三个标量值的颗粒的颜色数据集，如视觉向量的[R平均值、B平均值、G平均值]。在其他示例中，控制系统112可基于另一颜色模型或空间(例如HSV等)来计算颗粒的平均颜色分量值。在另一示例中，控制系统122可为颗粒104的每个颜色分量创建直方图，使得存在使用RGB颜色空间的所识别颗粒区域的R直方图、G直方图和B直方图，或者具有三个箱集合的颗粒104的单个直方图，其中每个箱集合与颜色空间的不同颜色分量相关联，被分成8位、16位或其他大小的箱。控制系统112可以例如使用颗粒的像素面积来使直方图归一化。所生成的视觉向量的输入是包含基于与每个箱相关联的值的多个标量值的数据集。控制系统112可附加地或替代地采用判别分析来确定视觉向量的一个或多个颜色输入或值。
控制系统112另外可以计算或确定用于包含在视觉向量中的颗粒的其他视觉参数，包括：来自图像或矩阵的所识别颗粒的纹理特征、颜色分量标准偏差、灰度体积、纵横比、无量纲周长(周长除以面积的平方根)或另一视觉特性作为颗粒的视觉特征。纹理特征可包括等级、通过对颗粒设置阈值或通过将一个等级图像从另一等级图像减去而产生的孔的数量、作为总面积的一部分的总孔面积、作为面积的一部分的最大孔面积以及Haralick纹理特征。控制系统112可通过经由快速傅里叶变换(FFT)对于图像进行变换来将纹理值分配给颗粒。FFT幅度图像中不同频带中的平均对数标尺幅度可以用作区分纹理特征。
在另一示例中，视觉系统106可以合并三维视觉分量，例如，通过添加激光轮廓仪等。激光轮廓仪将附加的视觉数据阵列添加到图像矩阵。可从三维数据帧提取各种图像参数并将其添加到图像向量，例如，三维体积、斜率、峰高、最大高度和最小高度之间的差、高度排名等。例如，可使用三维数据确定铸造材料与锻造材料之间的差异，例如铸造材料具有比锻造材料更平坦的轮廓。在另外的示例中，三维视觉分量包括近红外视觉数据，并且可以添加诸如散射的附加视觉数据以及范围和强度。
在步骤220和222，控制系统112使用从阵列110中的传感器获得的信号来获取传感器数据，并处理这些信号以形成第二矩阵或传感器矩阵。控制系统112使用由阵列110中的传感器接收的信号产生传感器矩阵，该传感器矩阵以与线扫描图像类似的方式表示带102。如果传感器不是布置成单个行，则根据沿Y方向(即，带102的颗粒行进或移动的方向)的每个传感器的距离适当地补偿成为“线扫描”而采集数据的时间。控制系统112和传感器处理器190获取并处理来自阵列110和感测组件108中的传感器的信号，以根据一系列线扫描图像创建传感器矩阵。传感器矩阵由一系列行形成，每行表示在带102宽度上延伸的带的窄带。每行被划分成多个单元，并且处理单元将来自传感器的数据输入到单元中，使得矩阵是传送带102的表示，例如，当传送机102穿过阵列110时，矩阵表示传送机102的离散部分或位置。
当控制系统112和传感器处理器190接收来自传感器170的数据时，如204所示，控制系统122和传感器处理器190形成与传感器阵列110相关联的矩阵或线扫描图像，该矩阵或线扫描图像也链接到由分离器单元128使用的带102的位置或坐标。传感器处理器190从传感器阵列110接收数据，其中信号来自阵列中的每个传感器170。传感器处理器190接收来自传感器的信号，并且基于例如由数字编码器提供的带102的位置，将来自所选传感器的数据输入到矩阵中的单元中。传感器矩阵在指定时间被获取以对应于与图像矩阵相同的带位置，并且可以基于传感器的数量而具有不同的尺寸或分辨率。在一个示例中，传感器矩阵的大小为120 x 144。传感器矩阵提供带102的表示，矩阵中的每个单元与阵列中的传感器170相关联。在一个示例中，传感器矩阵可以具有线，该线具有与阵列中的每个传感器相关联的单元，当传感器被投影到共同的横轴时，单元被排序为横跨带横向地排序。因此，矩阵的线中的相邻单元可与阵列中不同行中的传感器170相关联。
控制系统112和传感器处理器190从模拟感应传感器170接收数字化直流电压信号或量化值。在一个示例中，量化值可为范围在0～255之间的8位灰度值。传感器170可基于传感器类型输出0～12、0～11、0～10伏特之间的任何值或另一范围，并且基于传感器电压输出，处理器分配对应的位值。在一个示例中，零伏特等效于零量化值。在其他示例中，零伏特等效于255的量化值。在其他示例中，传感器处理器190可使用其他量化值，例如4位、16位、32位，可直接使用电压值等。例如，不感测导电废品颗粒的传感器170具有10伏特的电压，并且感测金属颗粒(例如钢或不锈钢)的传感器可具有大约2.5伏特的峰值传感器电压，尽管这可基于颗粒104在传感器170上的厚度而变化，无论颗粒是正行进通过传感器170的整个电磁场还是仅其一部分等。为简单起见，第二矩阵中使用的电压值可被截断至十分之一或百分之一伏特。当8位分类值与模拟传感器一起使用时，10伏可具有量化值0，而零伏具有量化值255，并且2.5伏的电压具有相关联的量化值191。
传感器矩阵中的单元填充有由传感器170在时间窗口内或在时间戳测量的峰值电压。在其他示例中，可对传感器信号数据进行后处理以例如通过对数据求平均、归一化或以其他方式处理数据来减少噪声。
传感器处理器190和控制系统112可以使用具有单元的矩阵，单元包含关于颗粒位置和颗粒特性的附加信息，如下所述。处理器和控制单元112可替代地使用成像库处理工具(例如Matrox)来创建填充有每个颗粒的信号数据的表或其他数据库，所述信号数据包括量化的8位电压值、边界信息和其他颗粒属性，如以下关于进一步的实施例所述。
在步骤224，控制系统112通过将颗粒与表示传送机102的背景信号区分开来识别第二矩阵中可能包含颗粒104的单元。当一组相邻单元具有相似的值或在一范围内的值时，以指示颗粒104的存在，或当单个单元与背景充分不同时，例如，通过对传感器矩阵应用一个或多个阈值，可将颗粒104与背景区分开来。然后，控制系统112将这些传感器矩阵单元分组在一起，并将它们识别为指示颗粒的“分组”。用于区分传感器矩阵中的颗粒的阈值可以基于上述传感器系统和传感器矩阵、和/或视觉系统和对应的视觉矩阵。
作为颗粒识别过程的一部分，控制系统112可以以与上文关于图像矩阵所描述的方式类似的方式，通过在紧接的先前时间和紧接的后续时间取得的传感器矩阵之间拼接传感器矩阵来进行逐帧拼接。通过将传感器矩阵拼接在一起，控制单元可以分析带的较大区域，用于颗粒识别和传感器矩阵上的颗粒的传感器数据。在一个示例中，控制系统112使用拼接矩阵以便参考到中心帧的传感器指针来创建传感器向量，从而提供关于颗粒位置的信息。传感器矩阵或拼接的传感器矩阵可临时存储在控制系统112可访问的存储器中的数据缓冲器中。由于颗粒可以延伸跨过一个以上的传感器矩阵，所以使用帧拼接有助于颗粒识别并获得带上单个颗粒的完整传感器数据。
在步骤226，控制系统112为每个识别的颗粒区域创建传感器数据向量，该传感器数据向量具有关于以下各项的信息：带位置、指向图像矩阵上的所识别颗粒的位置和边界的传感器指针、以及与颗粒相关联的任何其他传感器数据，例如电压值等。控制单元可使用各种机器视觉处理技术来进一步处理与颗粒104相关联的图像或矩阵的区域，以修改或校正与所识别的颗粒104相关联的矩阵区域，或识别与颗粒相关联的参数或感测数据，如下所示。
传感器数据向量包含与带位置、传感器矩阵指针和任何传感器数据相关的信息，例如峰值电压、平均电压、被标识为颗粒的区域内的电压总和、用于颗粒的传感器的电压变化率、平均电压值、与颗粒区域相关联的面积上的电压之和、使用颗粒面积除以边界框面积确定的面积比因子、根据颗粒周长和颗粒面积而确定的紧凑度因子等。例如，控制系统112将来自与分组相关联的单元的峰值电压并入传感器数据向量中，例如，分组中的最高或最低单元电压或量化值。在其他示例中，控制系统112可以向用于所识别的颗粒区域的传感器数据向量提供值，作为颗粒区域中所有值的总和、所有单元的平均值、作为来自颗粒区域内三个单元的峰值电压或量化值的平均值、来自三个连续单元的峰值电压的平均值或量化值，等等。在另外的示例中，控制系统112可将颗粒的计算值输入到传感器向量中，例如形状、大小、纵横比、纹理特征、电压标准偏差、或来自矩阵中的传感器数据的分组或识别颗粒的另一特性，作为颗粒的次要特征。一些次要分类特征，例如纹理，可以仅通过使用小于颗粒大小(sizing)的传感器来获得，以提供增加的分辨率和这种类型的分析所需的数据。
尽管方法200被描述为具有单独的颗粒识别步骤和204、206、222和224的矩阵处理，但是也能想到方法200的变型，如框228所示。在一个示例中，方法200仅使用图像矩阵来识别颗粒，并且使用图像指针来创建指向传感器矩阵中的对应区域的传感器指针，而不管传感器170是否已经检测到该区域中的任何颗粒。在另一示例中，方法200仅使用传感器矩阵来识别颗粒，并且使用传感器指针来创建指向图像矩阵中的对应区域的图像指针，而不管视觉系统106是否已经检测到该区域中的任何颗粒。在另一示例中，方法200使用传感器矩阵或图像矩阵来识别颗粒，例如当在图像矩阵或传感器矩阵中识别颗粒时，在两个矩阵中为该区域创建图像指针和传感器指针。在另一示例中，方法200使用传感器矩阵和图像矩阵两者来识别颗粒，仅当在图像矩阵或传感器矩阵两者中肯定地识别出颗粒时，才创建图像指针和传感器指针。
在步骤230，控制系统112使用来自视觉向量和传感器向量的数据对所识别的颗粒区域进行分类。控制系统112可以使用判别分析技术来对颗粒进行分类。在一个示例中，控制系统112使用如图6或图10中所示并且如下更详细地描述的方法对颗粒进行分类。
在其他示例中，控制系统112可以通过将向量输入到机器学习算法中来对颗粒进行分类。控制单元可使用支持向量机(SVM)、偏最小二乘判别分析(PLSDA)、神经网络、决策树的随机森林、诸如词袋模型的向量空间模型、或另一机器学习和分类技术来评估数据向量并对颗粒104进行分类。控制系统112可替代地使用来自视觉数据和传感器数据的独立决策，或具有两者的概率组合的视觉向量和传感器向量，以确定最终分类。在一个示例中，基于对图像向量和传感器向量的分析，使用神经网络将每个废品颗粒104分类为材料的预选列表中的一个。在其他示例中，控制系统112可以使用绘制数据向量的查找表，然后基于一个或多个区域、阈值或截止平面对分组进行分类。在一个示例中，颗粒104的分类可以是多级分类。诸如反向传播和竞争学习之类的已知算法技术也可被应用于估计给定输入和输出数据类的各种参数或权重。
在步骤232，控制系统112控制分离器单元128选择性地启动喷射器132，以基于颗粒的分类将颗粒喷射到期望的箱中。控制系统112基于颗粒104的分类、颗粒在带上的位置以及传送机102的位置和定时来控制喷射器132。
根据一个示例，系统100被配置成对尺寸小并且包含具有较高价值的金属(例如铜、金或铂)的颗粒104进行分拣，这些颗粒104可以与其他金属颗粒混合或者作为涂层提供。颗粒104可以具有厘米或更小量级的最大尺寸。颗粒104可以在通过视觉系统106和感测系统108之前被润湿，或者可以作为干颗粒提供通过系统100。在一个示例中，控制单元112可使用来自传感器和图像数据的信息来识别颗粒104在带102上的位置。
在其他示例中，由于视觉图像可能具有较高的背景噪声，传感器数据被用于识别带102上的颗粒的位置。在另一示例中，感测系统108定位在图像系统106之前，使得从感测系统108中确定的颗粒位置可用于确定图像数据的区域，以供控制单元112和图像处理单元分析，并减少总的处理时间。控制单元112使用视觉向量和传感器向量对颗粒104进行分类。例如，除了传感器数据之外，控制单元还可以使用视觉向量来帮助识别金或铜，该视觉向量使用诸如[R、G、B]信息的颜色分量。在其他示例中，控制单元112可进一步使用传感器向量来帮助识别轻金属和重金属，例如，以将颗粒在铝或钛材料之间进行分类。
图6示出了根据实施例的对颗粒104进行分类的方法250的流程图，该方法250在方法200的步骤230期间由控制系统112使用，使用视觉和传感器向量作为输入，并且图7至图9提供了方法250所使用的数据示例和分类步骤。在其他实施例中，方法250中的各种步骤可被组合、重新排列或省略。参考方法250，作为非限制性示例，使用铸造和锻造铝和铝合金材料的示例，并且本领域普通技术人员将理解如何应用方法250来对材料的其他分组进行分类。视觉向量和传感器向量被用作实现方法250的控制系统112进行的判别分析的输入，以将废品颗粒104分类为铸铝或锻造铝。
图7A示出了来自视觉系统106的由铸铝形成的四种不同颗粒的图像。图7B示出了对于相同的四个铸铝颗粒并且以相同的顺序从左到右的感测系统108的数据。
图8A示出了来自视觉系统106的由锻造铝形成的四种不同颗粒的图像。图7B示出了对于相同的四个锻造铝颗粒并且以相同的顺序从左到右的感测系统108的数据。
返回参照图6，在步骤252，例如，在分析了图7或图8中所示的颗粒之一之后，控制系统112将视觉向量和传感器向量输入到分类方法250中。根据本示例的视觉向量和传感器向量具有总共12个参数或标量值，但是在其他实施例中也考虑其他数量的参数。每个颗粒的视觉向量可以包括：视觉指针、红色通道平均值、绿色通道平均值和蓝色通道平均值，忙碌得分(busyness score)、周长值和每个识别的颗粒区域的至少一个孔确定，以及其他视觉值。通过将像素或单元与其相邻的像素或单元进行比较并确定亮度和强度变化来计算忙碌得分，其中忙碌得分是颗粒区域的标准化和。通常，锻造材料具有比铸造材料更高的忙碌得分。周长值可提供所识别的颗粒区域和颗粒的紧密度的指示，并且可使用颗粒的周长除以面积因子(例如颗粒面积的平方根)来计算。“孔”确定可以基于图像中的饱和像素，并且包括来自矩阵、图像或增强对比度图像的以下中的至少一个：表示针对所识别的颗粒区域而测量的孔或饱和像素的数量的值、通过所识别颗粒的面积归一化的所识别颗粒区域中的最大孔的面积、以及通过所述所识别颗粒的面积归一化的在所识别颗粒区域中任何孔面积的总和。注意，锻造材料趋于比铸造材料具有更饱和的像素或“孔”。其他视觉值可包括提供颗粒紧致度的指示的面积比，例如由围绕相同颗粒区域的边界框的面积归一化的所识别颗粒区域实际面积的比。注意，铸造材料趋于具有比锻造材料更大的面积比，因为它们更致密。
每个颗粒的传感器数据向量可以包括传感器指针、平均电压、峰值电压和面积比因子。在其他示例中，传感器数据向量可包括如上所述的附加值。注意，铸造材料趋于具有来自系统108的较低电压输出，导致传感器图像中较亮的外观。
判别分析的附加数值或输入可通过结合传感器向量和视觉向量提供，控制系统112基于数据进行进一步的计算和分析。例如，控制系统112可分别从视觉数据和传感器数据计算颗粒的面积之间的面积比，并将其与传感器或视觉向量中的一个相关联，或者关联在具有所有数据和参数的组合向量中。
在步骤254，控制系统112可以执行初始分类，以对容易被识别为属于其中一个类别的颗粒进行分类。例如，基于视觉和感测数据的比较，与金属材料相比，可以容易地识别任何非金属材料。由于非金属缺乏导电性，视觉向量将指示颗粒，而传感器向量将不指示颗粒。另外，基于视觉和感测数据的比较，可以容易地识别和分类具有嵌入金属的颗粒。此外，在该步骤中，控制系统112可以基于视觉和/或传感器数据和向量容易地将一些颗粒分类为铸造或锻造。例如，可以使用传感器向量识别电导率低于阈值的颗粒并将其分类为铸造材料，而使用传感器或视觉向量可以识别尺寸或面积大于指定阈值的任何颗粒并且将其归类为锻造材料。该步骤也可用作使用预定参数如纵横比或伸长率的预滤波器。
在步骤256，控制系统112使用视觉矩阵或传感器矩阵上识别为颗粒的每个区域的视觉向量和传感器向量进行判别分析。当在矩阵的相同对应区域中的视觉矩阵和传感器矩阵之间识别不同数量的颗粒时，控制系统112可能需要仲裁。例如，一个矩阵可以指示在区域中存在一个颗粒并且具有用于该颗粒的相关联的向量，而另一矩阵可指示在相同的对应带区域中具有两个相关联的向量的两个颗粒。在这种情况下，控制系统112可通过对来自一个矩阵的两个关联向量求和、求平均、取峰值、或以其他方式组合，以提供用于与另一矩阵进行鉴别分析的值，来进行仲裁。
在一个示例中，控制系统112创建了第一判别和第二判别，如使用主成分分析所确定的。每个判别可以是根据来自传感器向量和视觉向量的参数的线性组合。例如，第一判别可以基于诸如aA+bB+cC+dD+...的公式，其中a、b、c和d是恒定值，而A、B、C和D是来自视觉向量和传感器向量中的每一个的参数。第二判别可以基于诸如mA+nB+oC+pD+...的另一公式，其中m、n、o和p是恒定值，并且A、B、C和D是来自视觉向量和传感器向量中的每一个的参数。第一判别和第二判别用于将颗粒分离并分类成两个或更多个分类。
在一个示例中，控制系统112将每个判别作为判别对输入到查找表或图表中，并且如果该对判别是一系列预定义对中的一个，则将该颗粒分类到预定类别的材料中。在另一示例中，控制系统112仅使用如上文所述使用主成分分析所确定的单个判别，并且控制系统122将该判别输入到查找表或图表中，和/或将该单个判别与截止阈值进行比较。图7示出了根据实施例的查找表的示例，并且将在下面进一步详细描述。
用于确定判别所使用的功能或主成分分析、查找表和/或截止阈值可以在使用已知材料混合物的校准过程中确定。可以选择功能、参数和阈值，以提供纯度和回收率提高的铸造材料和锻造材料之间的分离。
在另外的示例中，控制系统112随后可以使用第三判别和第四判别等执行附加的判别分析，以进一步将颗粒分类细化为两个类别，或者将颗粒归类为第三、第四或其他材料类别。
在步骤258，控制系统112创建转移矩阵(diversion matrix)。在图5中的分拣和分离步骤232期间，控制系统112使用该转移矩阵。在其他示例中，控制系统112将附加转移数据阵列添加到图像矩阵和传感器矩阵之一，以用于分拣和分离颗粒。
转移矩阵可以基于视觉矩阵和感知矩阵的中心帧(预拼接)。在一个示例中，基于喷射器132的分辨率或数量来确定转移矩阵的大小，并且可以逐行填充，类似于控制系统112的线扫描图像。转移矩阵可具有基于移位寄存器、先进先出算法来填入和循环的设定数目的行。
转移矩阵可以由控制系统112使用分拣值来填入。分拣值可以是用于二分法分类的二进制值(0，1)，或者可以基于2位数、十六进制数等，用于对两个以上分类的颗粒104进行分拣。
在一个示例中，控制系统112将基于在步骤254和256确定的分类的分拣值分配给转移矩阵中的与如使用视觉指针和/或传感器指针确定的整个所识别的颗粒区域相对应的所有单元。
组合视觉和模拟感测系统100显著提高了分拣废品材料的纯度和回收率。例如，通过使用具有模拟感测系统108的视觉系统106，指示了铸造材料与锻造材料的分类改进。在具有单道工序的传统的仅视觉系统中，锻造材料具有85％纯度和45％回收率，铸造材料具有49％纯度和88％回收率。相反，根据本公开的系统100以单道工序并且以相同的线性带速度测试相同的进料材料，提供了具有95％纯度和50％回收率的锻造材料，以及具有56％纯度和96％回收率的铸造材料。
图9是样本数据的曲线图，用于根据在实验测试中获得的结果来设置校准和分类参数。图9示出了来自包括铸造和锻造铝材料的系统100的样本校准数据。锻造材料可包括片材料。对于每个颗粒104，将第一判别和第二判别绘制为数据对(PCI、PC2)，其中第一判别(PCI)在x轴上并且第二判别(PC2)在y轴上。如可从图中看到的，截止阈值可被选择为线270，使得阈值270的一侧上的材料被分类为铸造材料，阈值的另一侧的材料可分类为锻造材料或其他材料。在另一示例中，在阈值的指定范围内的颗粒可被分配不确定的分类以进一步提高纯度。
图10示出了根据实施例的对颗粒104进行分类的方法300的流程图，该方法250在方法200的步骤230期间由控制系统112使用，使用视觉向量和传感器向量作为输入。在其他实施例中，方法300中的各种步骤可被组合、重新排列或省略。参考方法300，作为非限制性示例使用了利用混合材料的一个示例，并且本领域普通技术人员将理解如何应用方法300来对材料的其他分组进行分类。混合材料包括“裸”金属(包括涂漆或涂覆的金属)和嵌入或包裹在非金属材料中的金属的混合物。在一个示例中，混合材料包括涂覆有绝缘层的金属线，电路板和其他电子废弃物的部分，来自轮胎的具有嵌入橡胶中的金属带的废品材料，以及至少部分地截留、包裹或嵌入绝缘材料、橡胶、塑料或其他非导电材料内的其他金属。混合材料104可以作为包含其他金属和金属合金的有色金属材料提供。颗粒104可以在通过视觉系统106和感测系统108之前被润湿，或者可以作为干颗粒提供通过系统100。视觉向量和传感器向量被用作查找表的输入，该查找表的输入由实现方法300的控制系统112进行，以对废品颗粒104进行分类用于二进制分拣、三级分拣等。
在步骤302，控制单元输入视觉向量和传感器向量。在步骤304，控制单元112使用视觉向量进行初始阈值分类。视觉向量可以包含如下数据：诸如被识别为包含颗粒104的区域中的每个像素的[R、G、B]值和视觉指针，以及诸如宽度因子的其他形状特征。宽度因子可为颗粒104的平均最小宽度，或与宽度相关联的另一值。在步骤304，控制单元112可使用各种技术来确定颗粒是否落在材料的第一分类内，例如电路板。
例如，控制单元112可使用直方图分析对颗粒进行分类。在另一示例中，控制单元112使用多判别分析来将三个(或更多个)颜色分量减少为两个颜色分量，作为一对判别。然后，控制单元112将与颗粒相关联的每个像素或单元的判别对输入到存储在与控制单元关联的存储器单元中的校准表或图表中。校准表的示例在图11中示出，并且可以是非线性的，如区域320所示。如果如经由校准过程所确定的，该对判别是一系列预定义的判别对中的一个并且落在区域320内，则控制单元112用例如1值来标记图像中的像素或单元。如果该对判别不是一系列预定义的判别对中的一个，使得其落在区域320之外，则控制单元112使图像中的像素或单元未标记，例如为0值。控制单元112基于标记像素或单元的数量来计算颗粒104的颜色输入，例如，通过将标记像素的总和归一化或除以与颗粒相关联的像素的总数来确定颗粒的填充分数(fill fraction)。然后，控制单元可以通过将颜色输入或填充分数与阈值进行比较来进行初始分类。例如，控制单元112可以在该步骤中将废品颗粒分类为电路板。
控制单元112可以在块306向转移矩阵提供分类数据，转移矩阵的结构与上面关于图6的描述类似。
在步骤308，控制单元112使用来自视觉向量和传感器向量两者的数据进行另一初始分类步骤，并继续适当地填充转移矩阵。控制单元112继续分析视觉向量和传感器向量，以进一步分类带上的在步骤304未被识别且未被分类的混合材料颗粒104。例如，对于仅在视觉向量中识别并且在传感器向量中没有对应的识别区域的颗粒，控制单元可以在块306用非金属材料的分类来填充转移矩阵。
在步骤310，控制单元112对在视觉向量和传感器向量中识别的带上的颗粒进行分类，并相应地填充转移矩阵。在一个示例中，控制单元112实现决策树分类技术。控制单元112可使用从传感器向量和视觉向量确定的值与各种阈值进行比较，以将颗粒分类成一个或多个种类的材料。图中示出了在步骤310中使用的决策树的示例，并且可以基于用于分拣的废品材料的混合物和材料的关联分类来改变决策树。控制单元112将来自视觉向量的第一值w(例如形状或宽度因子)与阈值A进行比较。如果该值小于阈值A，则控制单元122将来自传感器向量的第二值v(例如峰值电压或平均电压)与阈值B进行比较，然后将颗粒分别分类成第一或第二类材料，例如金属或线材。如果该值大于阈值A，则控制单元112将来自传感器向量的第二值v(例如峰值电压或平均电压)与阈值C进行比较，然后将颗粒分类成第一或第二类材料，例如金属或线材，或另一类材料。当然，在其他示例中，可以使用来自视觉向量和传感器向量的其他值，可以在决策树中使用多于两个的值，并且可以以其他方式来构造决策树。
虽然以上描述了示例性实施例，但这些实施例并不意味着描述了本公开的所有可能形式。相反，说明书中使用的词语是描述性词语而不是限制性词语，并且应当理解，在不脱离本公开的精神和范围的情况下，可以进行各种改变。另外，可组合各种实施例的特征以形成本发明的其他实施例。

Claims (17)

1.一种分拣废品颗粒的方法，其包括：
使用视觉系统对包含废品颗粒的移动传送机成像，以创建与传送机的定时位置相对应的视觉图像；
采用控制系统将所述视觉图像作为单元的视觉矩阵来进行分析，识别在所述视觉矩阵中包含颗粒的单元，并针对颗粒生成来自所述视觉矩阵的视觉数据向量；
使用感测系统来感测所述移动传送机上包含的废品颗粒，以创建与所述传送机的所述定时位置对应的感测矩阵，所述感测系统具有模拟接近传感器的至少一个阵列；
采用所述控制系统来分析所述感测矩阵，识别所述感测矩阵中包含颗粒的单元，并针对颗粒生成包含来自所述感测矩阵的感测数据的感测数据向量；以及
采用所述控制系统根据所述视觉数据向量和所述感测数据向量将所述颗粒分类为至少两种材料分类中的一种；
其中，所述视觉数据向量包含视觉指针和以下各项中的至少一个：至少一个颜色输入、忙碌得分、周长值、至少一个孔确定和面积比，其中，将像素或单元与其相邻的像素或单元进行比较并确定亮度和强度变化来计算忙碌得分，使用颗粒的周长除以面积因子来计算周长值，孔确定包括：表示针对所识别的颗粒区域而测量的孔或饱和像素的数量的值、通过所识别颗粒的面积归一化的所识别颗粒区域中的最大孔的面积、以及通过所述所识别颗粒的面积归一化的在所识别颗粒区域中任何孔面积的总和，面积比提供颗粒紧致度的指示；并且
其中，所述感测数据向量包含传感器指针和以下各项中的至少一个：峰值电压、电压变化率、平均电压、与颗粒区域相关联的面积上的电压之和、面积比因子和紧凑因子，其中，使用颗粒面积除以边界框面积确定面积比因子，根据颗粒周长和颗粒面积确定紧凑因子；
所述方法进一步包括：
分别从视觉数据和感测数据计算颗粒的面积之间的面积比，并将所述面积比与所述视觉数据向量或所述感测数据向量中的一个相关联，或者将所述面积比关联在具有所有数据和参数的组合向量中。
2.根据权利要求1所述的方法，其中，所述控制系统用于在分析所述视觉图像之前将所述视觉图像与先前视觉图像和后续视觉图像进行拼接。
3.根据权利要求1所述的方法，其中，所述控制系统用于在分析所述感测矩阵之前将所述感测矩阵与先前感测矩阵和后续感测矩阵进行拼接。
4.根据权利要求1所述的方法，其中，所述方法还包括采用所述控制系统来量化来自所述至少一个阵列中的每个传感器的模拟信号，同时保持来自所述模拟信号的预定分辨率；并且
其中，传感器阵列中的每个传感器定位在远离所述传送机的第一距离处。
5.根据权利要求1所述的方法，其中，所述控制系统使用主成分分析根据所述视觉数据向量和所述感测数据向量将所述颗粒进行分类，所述主成分分析具有根据所述视觉数据和传感器数据的至少一个判别。
6.根据权利要求1所述的方法，其中，所述控制系统使用决策树和来自所述视觉数据向量和所述感测数据向量中的每一个的至少一个值，根据所述视觉数据向量和所述感测数据向量将所述颗粒进行分类。
7.根据权利要求1所述的方法，其中，所述方法还包括通过确定所述视觉矩阵中与所述颗粒相关联的每个单元的颜色分量，根据颜色模型计算所述颗粒的颜色输入，通过将来自与所述颗粒关联的矩阵中的每个单元的两个颜色分量作为判别对输入到校准表中来计算所述颜色输入；如果所述判别对是预定义的判别对中的一个，则标记所述单元；以及通过用与所述颗粒相关联的单元的总数将所标记的单元之和归一化来计算所述颜色输入。
8.根据权利要求7所述的方法，其中，所述方法还包括采用所述控制系统以在根据所述视觉数据向量和所述感测数据向量将所述颗粒进行分类之前，使用所述颜色输入对所述颗粒进行预分类。
9.根据权利要求1所述的方法，其中，所述方法还包括采用所述控制系统来计算视觉向量和传感器向量之一的另一个值，该另一个值根据同一颗粒的视觉数据和传感器数据来计算。
10.根据权利要求1所述的方法，其中，所述控制系统还用于响应于所述传感器矩阵和所述视觉矩阵指示在这两个矩阵之间的相同对应区域上的不同数量的颗粒，来仲裁所述传感器向量和所述视觉向量。
11.根据权利要求1所述的方法，其中，所述控制系统用于通过将向量输入到机器学习算法中，根据视觉向量和传感器向量将所述颗粒分类为至少两个材料分类中的一个分类。
12.根据权利要求11所述的方法，其中，所述机器学习算法包括支持向量机、偏最小二乘判别分析、神经网络、偏最小二乘判别分析和决策树随机森林中的至少一个。
13.根据权利要求1所述的方法，其中，所述控制系统用于使用从所述感测矩阵确定的位置来识别和分析所述视觉图像中的颗粒。
14.根据权利要求1所述的方法，其中，所述方法还包括通过基于所述颗粒的分类和所述传送机的定时位置控制分离器设备来分拣所述颗粒。
15.一种用于分拣在移动传送机上随机定位的废品材料颗粒的系统，该系统包括：
视觉系统，该视觉系统具有成像传感器和被照亮的预定观看区域，从而以时间间隔对经过其的传送机成像；
感测系统，该感测系统具有布置在平行于传送机进行布置的单个共同平面中的模拟感应接近传感器阵列并且定位为感测所述传送机上的废品颗粒；以及
控制系统，其被配置为接收并处理从所述视觉系统获取的图像数据，以识别在观看区域中的传送机上的废品颗粒，分析颗粒的视觉数据以形成视觉数据向量，接收并处理从所述感测系统获取并被定时以与所述视觉数据相对应的传感器数据，以识别所述传送机上的废品颗粒，分析所述颗粒的所述传感器数据以形成传感器数据向量，并且使用所述视觉数据向量和所述感测数据向量将所述颗粒分类为材料的分类；
其中，所述视觉数据向量包括视觉指针和以下各项中的至少一个：至少一个颜色输入、忙碌得分、周长值、至少一个孔确定和面积比，其中，将像素或单元与其相邻的像素或单元进行比较并确定亮度和强度变化来计算忙碌得分，使用颗粒的周长除以面积因子来计算周长值，孔确定包括：表示针对所识别的颗粒区域而测量的孔或饱和像素的数量的值、通过所识别颗粒的面积归一化的所识别颗粒区域中的最大孔的面积、以及通过所述所识别颗粒的面积归一化的在所识别颗粒区域中任何孔面积的总和，面积比提供颗粒紧致度的指示；并且
其中，所述感测数据向量包含传感器指针和以下各项中的至少一个：峰值电压、电压变化率、平均电压、与颗粒区域相关联的面积上的电压之和、面积比因子和紧凑因子，其中，使用颗粒面积除以边界框面积确定面积比因子，根据颗粒周长和颗粒面积确定紧凑因子；
所述控制系统被配置为分别从视觉数据和感测数据计算颗粒的面积之间的面积比，并将所述面积比与所述视觉数据向量或所述感测数据向量中的一个相关联，或者将所述面积比关联在具有所有数据和参数的组合向量中。
16.根据权利要求15所述的系统，其中，所述系统还包括分拣系统，该分拣系统被配置为响应于从所述控制系统接收到分类而分拣所述传送机上的颗粒。
17.根据权利要求15所述的系统，其中，所述视觉系统沿着所述传送机位于感测系统之后。
CN201980022727.0A 2018-03-27 2019-02-27 视觉和模拟感测废品分拣系统和方法 Active CN112243392B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/936,923 US10898928B2 (en) 2018-03-27 2018-03-27 Vision and analog sensing scrap sorting system and method
US15/936,923 2018-03-27
PCT/US2019/019790 WO2019190677A1 (en) 2018-03-27 2019-02-27 Vision and analog sensing scrap sorting system and method

Publications (2)

Publication Number Publication Date
CN112243392A CN112243392A (zh) 2021-01-19
CN112243392B true CN112243392B (zh) 2023-08-08

Family

ID=68055240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980022727.0A Active CN112243392B (zh) 2018-03-27 2019-02-27 视觉和模拟感测废品分拣系统和方法

Country Status (6)

Country Link
US (1) US10898928B2 (zh)
EP (1) EP3774089A4 (zh)
CN (1) CN112243392B (zh)
CA (1) CA3094343A1 (zh)
TW (1) TWI801539B (zh)
WO (1) WO2019190677A1 (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12017255B2 (en) 2015-07-16 2024-06-25 Sortera Technologies, Inc. Sorting based on chemical composition
US11278937B2 (en) * 2015-07-16 2022-03-22 Sortera Alloys, Inc. Multiple stage sorting
US11969764B2 (en) 2016-07-18 2024-04-30 Sortera Technologies, Inc. Sorting of plastics
US20220355342A1 (en) * 2015-07-16 2022-11-10 Sortera Alloys, Inc. Sorting of contaminants
EP3934818A1 (en) * 2019-03-05 2022-01-12 Pal S.R.L. Selection machine for waste products and selection method
EP3816857A1 (en) * 2019-11-04 2021-05-05 TOMRA Sorting GmbH Neural network for bulk sorting
CN110802791B (zh) * 2019-11-09 2022-04-05 台州市黄岩达意隆模具有限公司 基于网格化图像处理技术的模压制盖机在线预警监测系统
US11465158B2 (en) * 2020-04-30 2022-10-11 Mss, Inc. Separation of ferrous materials
CN111532715B (zh) * 2020-05-07 2021-04-13 南通鹏亚精密机械科技有限公司 一种化妆品生产线用输送机构的清理辅助装置
CN111814711B (zh) * 2020-07-15 2023-08-08 中国矿业大学 一种应用于矿井机器视觉的图像特征快速匹配方法及系统
CN111882547A (zh) * 2020-07-30 2020-11-03 佛山市南海区广工大数控装备协同创新研究院 一种基于神经网络的pcb漏件检测方法
CN112348791B (zh) * 2020-11-04 2023-03-14 中冶赛迪信息技术(重庆)有限公司 基于机器视觉的废钢智能检判方法、系统、介质及终端
JP2022078835A (ja) * 2020-11-13 2022-05-25 Ｊｘ金属株式会社 電子部品屑の分類方法及び電子部品屑の処理方法
TWI749919B (zh) * 2020-11-30 2021-12-11 揚朋科技股份有限公司 檢測分選裝置
US11440055B2 (en) * 2020-12-04 2022-09-13 William Vaughn Jenkins Systems and methods for sorting balls
BR112023012183A2 (pt) * 2020-12-21 2023-11-07 Eco Metals Recovery Holding Ltd Detecção e recuperação de metais a partir de minério
US20230138374A1 (en) * 2021-11-01 2023-05-04 Tianjin University Of Commerce Sorting-based garbage classification method and device
CN114405858B (zh) * 2021-12-27 2024-05-28 安徽中科光电色选机械有限公司 一种宽粒级煤矸分选系统及方法
CN114769145B (zh) * 2022-04-27 2024-03-26 合肥名德光电科技股份有限公司 Mdx多射源分选系统
JP2023167533A (ja) * 2022-05-12 2023-11-24 キヤノン株式会社 識別装置
CN114882297B (zh) * 2022-07-06 2022-09-20 山东水发达丰再生资源有限公司 一种废金属挤压分选数据分类存储方法
CN115239907B (zh) * 2022-07-08 2023-07-07 苏州大学 基于改进最大类间方差法的骨料形貌表征方法和系统
FR3138331A1 (fr) * 2022-07-26 2024-02-02 Tellux Procede de traitement automatique de deblais en forme de granulats sur convoyeur equipe d’un imageur hyperspectral
WO2024026562A1 (en) * 2022-08-01 2024-02-08 Industries Machinex Inc. System labeling objects on a conveyor using machine vision monitoring and data combination
CN116100706B (zh) * 2023-02-16 2024-05-24 福建中宏新材料科技有限公司 一种废丁基内胎自动分拣装置及其分拣方法
CN117671497B (zh) * 2023-12-04 2024-05-28 广东筠诚建筑科技有限公司 一种基于数字图像的工程建筑废料分类方法及装置
CN118142894A (zh) * 2024-05-11 2024-06-07 裕钦精密拉深技术(苏州)有限公司 一种不良品智能识别与回收系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105013718A (zh) * 2015-07-31 2015-11-04 泉州装备制造研究所 基于多种检测方式的块状固体建筑垃圾分拣系统
CN105122322A (zh) * 2012-11-09 2015-12-02 威尔泰克联合股份有限公司 用于受控环境空气采样的控制中心
CN106391506A (zh) * 2015-06-08 2017-02-15 绿索仕(徐州)环境科技有限公司 建筑垃圾色彩分选系统
CN106423913A (zh) * 2016-09-09 2017-02-22 华侨大学 一种建筑垃圾的分选方法和系统
CN107552412A (zh) * 2016-06-30 2018-01-09 休伦瓦雷钢铁公司 废料分拣系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3174515D1 (en) * 1981-01-19 1986-06-05 Gunsons Sortex Ltd Sorting machine
SE430545B (sv) 1982-04-01 1983-11-21 Asea Ab Anordning for detektering av metallforemal i ett materialflode
US4718559A (en) 1982-07-12 1988-01-12 Magnetic Separation Systems, Inc. Process for recovery of non-ferrous metallic concentrate from solid waste
US5520290A (en) * 1993-12-30 1996-05-28 Huron Valley Steel Corporation Scrap sorting system
US5413222A (en) 1994-01-21 1995-05-09 Holder; Morris E. Method for separating a particular metal fraction from a stream of materials containing various metals
US6545240B2 (en) 1996-02-16 2003-04-08 Huron Valley Steel Corporation Metal scrap sorting system
US7674994B1 (en) 2004-10-21 2010-03-09 Valerio Thomas A Method and apparatus for sorting metal
CA2627339C (en) 2005-10-24 2014-10-14 Thomas A. Valerio Dissimilar materials sorting process, system and apparata
EP2004339B1 (en) 2006-03-31 2012-01-25 Thomas Valerio Method and apparatus for sorting fine nonferrous metals and insulated wire pieces
WO2011159269A1 (en) 2010-06-17 2011-12-22 Spectramet, Llc Sorting pieces of material based on optical and x - ray photon emissions
DE102010052338A1 (de) * 2010-11-25 2012-05-31 Steinert Elektromagnetbau Gmbh Verfahren und Einrichtung zur Einzelkornsortierung von Schüttgütern beliebiger Art
CA2823223C (en) 2011-01-07 2019-02-05 Huron Valley Steel Corporation Scrap metal sorting system
US9119239B2 (en) 2012-05-04 2015-08-25 Abl Ip Holding, Llc Gestural control dimmer switch
US20130297251A1 (en) 2012-05-04 2013-11-07 Abl Ip Holding, Llc System and Method For Determining High Resolution Positional Data From Limited Number of Analog Inputs
WO2017011835A1 (en) * 2015-07-16 2017-01-19 UHV Technologies, Inc. Material sorting system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105122322A (zh) * 2012-11-09 2015-12-02 威尔泰克联合股份有限公司 用于受控环境空气采样的控制中心
CN106391506A (zh) * 2015-06-08 2017-02-15 绿索仕(徐州)环境科技有限公司 建筑垃圾色彩分选系统
CN105013718A (zh) * 2015-07-31 2015-11-04 泉州装备制造研究所 基于多种检测方式的块状固体建筑垃圾分拣系统
CN107552412A (zh) * 2016-06-30 2018-01-09 休伦瓦雷钢铁公司 废料分拣系统
CN106423913A (zh) * 2016-09-09 2017-02-22 华侨大学 一种建筑垃圾的分选方法和系统

Also Published As

Publication number Publication date
EP3774089A4 (en) 2021-11-24
US20190299255A1 (en) 2019-10-03
TWI801539B (zh) 2023-05-11
CA3094343A1 (en) 2019-10-03
US10898928B2 (en) 2021-01-26
EP3774089A1 (en) 2021-02-17
CN112243392A (zh) 2021-01-19
WO2019190677A1 (en) 2019-10-03
TW202003122A (zh) 2020-01-16

Similar Documents

Publication Publication Date Title
CN112243392B (zh) 视觉和模拟感测废品分拣系统和方法
CN107552412B (zh) 废料分拣系统
CN110730692B (zh) 用于分拣废品材料的系统和方法
García-Ordás et al. Tool wear monitoring using an online, automatic and low cost system based on local texture
CN114600169A (zh) 用于堆料分选的神经网络
US4624367A (en) Method and apparatus for determining conformity of a predetermined shape related characteristics of an object or stream of objects by shape analysis
CN106423913A (zh) 一种建筑垃圾的分选方法和系统
Galdames et al. Classification of rock lithology by laser range 3D and color images
CN104050684A (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN112354874A (zh) 煤和矸石的识别方法以及矸石自动分离系统
Tarabek A real-time license plate localization method based on vertical edge analysis
Pratap et al. Development of Ann based efficient fruit recognition technique
CN112371559A (zh) 矸石识别方法和矸石自动分离系统
CN116057584A (zh) 用于训练神经网络实现的传感器系统以对批量流中的对象进行分类的方法和系统
Singh et al. Hyperspectral imaging-based classification of post-consumer thermoplastics for plastics recycling using artificial neural network
Labati et al. Analyzing images in frequency domain to estimate the quality of wood particles in OSB production
Lepistö et al. Rock image classification based on k-nearest neighbour voting
Mariappan et al. Automated visual inspection: Position identification of object for industrial robot application based on color and shape
CN117708719B (zh) 基于波段数量约束的近红外高光谱塑料分选系统及方法
Ospanov et al. Optoelectronic recognition of alfalfa seed mixture components
Raudonis et al. Expert knowledge based approach for automatic sorting and packing
Fouladgaran et al. Automated counting and characterization of dirt particles in pulp
CN117755760A (zh) 一种应用于送料器的视觉选料方法
Li et al. Analysis of Process Parameters in Sensor-Based Sorting using Automated Material Flow Characterization

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