CN113474814A - 用于对一种或多种材料执行表征的方法和系统 - Google Patents
用于对一种或多种材料执行表征的方法和系统 Download PDFInfo
- Publication number
- CN113474814A CN113474814A CN202080007041.7A CN202080007041A CN113474814A CN 113474814 A CN113474814 A CN 113474814A CN 202080007041 A CN202080007041 A CN 202080007041A CN 113474814 A CN113474814 A CN 113474814A
- Authority
- CN
- China
- Prior art keywords
- data indicative
- materials
- segmented
- energy
- ray
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
一种用于对一种或多种材料执行表征的方法和系统。一种或多种材料借助于包括X射线传感器的传感系统来扫描,该X射线传感器被配置成执行多能量成像用于获得至少较低能量X射线图像和较高能量X射线图像。借助于传感系统获得的图像被分割,并且对于每个分割对象,通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,并且借助于经校准的模型来确定指示面积密度和原子数量的数据。基于指示面积密度的数据和指示每个分割对象的面积的数据来计算指示质量的数据。指示原子数量的数据被提供作为至经训练神经网络的输入,其中经训练神经网络被配置成标记每个分割对象,并且其中指示质量的数据被耦合至每个被标记的分割对象。
Description
发明领域
本发明涉及一种用于对一种或多种材料执行表征的方法和系统。本发明进一步涉及计算机程序产品。此外,本发明涉及配置成对废物流进行分类的回收设备。
发明背景
对一种或多种材料的表征具有若干重要应用,例如在回收过程、农业过程、食品生产过程等中。例如,表征可被用于质量控制、价值评估以及过程工程和控制。例如,对于废物处理,传统上,许多废物流由于缺乏表征数据而被次优地回收。对材料流(例如,散装固体废物流)需要合适的表征技术。
废物表征的传统办法仍然典型地是由人(例如在特殊设施处工作的工厂人员)对对象进行手动检查。这种办法是缓慢的、主观的且昂贵的,并且最终它只传递很少的关于废物流中的颗粒的信息。在一些传统方法中,在例如实验室中采集和测试/分析样本。此过程可能会占用太多时间(化学分析可能需要几天、几周或几个月),并可能导致增加的成本。此外,只有材料/对象的总量的一小部分被表征。通常,由于材料的质量难以衡量,许多材料流被次优地回收。
因此需要一种快速、客观和/或自动化的传递更详细等级的数据的方法。
发明概要
本发明的目的是提供一种消除上述缺点中的至少一个的方法和系统。
附加地或替换地,本发明的目的是提供一种或多种材料的改进的材料表征。
附加地或替换地,本发明的目的是提供一种改进的材料表征。
因此,本发明提供了一种对一种或多种材料执行表征的方法,该方法包括:借助于包括X射线传感器的传感系统来扫描一种或多种材料,该X射线传感器被配置成执行多能量成像用于获得至少较低能量X射线图像和较高能量X射线图像;对借助于传感系统获得的图像执行分割以便分离图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定;对于每个分割对象,通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示面积密度和原子数量的数据是借助于模型来确定的,该模型通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准;基于指示面积密度的数据和指示每个分割对象的面积的数据来为每个分割对象计算指示质量的数据;以及为每个分割对象提供至少指示原子数量的数据作为至经训练神经网络的输入,其中经训练神经网络被配置成标记每个分割对象,其中指示质量的数据被耦合至每个被标记的分割对象。
材料流中的对象可以被识别和表征。每个个体对象的表征可以提供不同的表征参数。这样能够区分不同材料类别中的对象。附加地或替换地,可以确定质量平衡。这些导出的信息可被用于使用经表征的对象的物理特性进行后期建模。附加地或替换地,每个分割对象的某些特性,诸如举例而言,几何形状、直径、形状、化学性质等可被确定。
本发明能够有效地实现分析异质材料流。这可以在不需要大量资源(工作负荷、时间等)的情况下执行。甚至可以高效地确定异质材料流的质量平衡,而材料流中的对象和/或材料尚未被分类。
本发明在分类材料流(诸如废物流)方面提供了显著的优点。然而,本发明可被用于除材料分类之外的各种其它应用中。例如,它可被用于确定材料流的值。通过识别材料流中不同成分的特征,可以估计价值。材料流(例如废物流)的采样可能需要太多的时间和精力。根据本发明的系统能够确定质量平衡和价值估计。
可基于使用具有至少一个等量水平的X射线图像的X射线模型来估计质量。面积密度主要由(较)高能量吸收确定。通过仅考虑(较)高能量吸收,可能在不需要两个或更多能量水平的X射线图像的情况下估计质量(参见较低和较高能量水平的X射线图像)。可提供仅考虑一个X射线能量范围的估计。然而,在实际情况中,可以采用至少两个X射线能量水平。
可以基于使用具有至少两个不同能量水平的X射线图像的X射线模型来预测质量(也可能基于单个X射线图像(一个能量水平)来进行估计)。将领会,还可以采用具有两个以上X射线能量水平的多光谱X射线成像。可以借助于相同的X射线成像设备来获得X射线图像。然而,也可能使用多个X射线成像设备。
在一些示例中,对一种或多种材料(例如材料流)拍摄较低和较高能量的X射线图像,并且使用模型从一种或多种材料的两个X射线图像计算面积密度和原子数量。质量可以基于所有确定的面积密度之和来计算。分割对象的质量可以基于分割对象的所有像素的总和来直接从密度计算。原子数量提供了有关材料化学成分的附加信息。考虑到化学成分,关于每个单独分割对象/部件的原子数量的知识可以提供显著改进的材料表征。用于计算个体分割对象/组分的质量可能不需要原子数量。
面积密度可被看作是单位面积的质量,并且该质量可以根据面积和面积密度来确定。在成像数据中的分割的基础上,可以识别每个分割对象的面积。
可以拍摄较低能量X射线图像和较高能量X射线图像,从而提供关于光谱中两个范围的信息。在一些示例中,可以同时拍摄至少两个X射线图像。在X射线成像中,对于空间中的每个点可以获得至少两个值(至少较低能量和较高能量)。在一些示例中,X射线传感器被放置在彼此的顶部。上子传感器可对较低能量敏感,而下子传感器可对较高能量敏感。在一些示例中,可以执行多能量X射线成像,使得每个像素被链接到两个以上的值。在一些示例中,每个像素可被链接到两个值,即用于双能量X射线成像的较低能量和较高能量。
有利地,本发明可提供使用经训练的人工神经网络的改进的标记。以此方式,可以获得对所分析的一种或多种材料的对象/成分的更好的确定。例如,可以获得对材料流的材料组成的更好的确定。分割对象的标签还可以被视为可呈现给用户的附加表征数据,例如借助于通用用户界面。在一些示例中,确定的数据被用于绘制虚拟模型(一种或多种材料的数字孪生,例如材料流),从而实现虚拟实验或建模。在一些示例中,分割对象的确定特征/特性是通用的。标签可以提供更多因应用而异的信息(例如,电池类别的标签;木材和塑料;松树;橡木;塑料;含铁材料;不含铁材料;矿物;电气元件;金属废料;混凝土;等等)。将领会,数据可以以不同的方式使用,并且设想了许多不同的用途。例如,标签也可以是价格、或质量类型、化学成分和/或含量等。
特征/特性可以被视为可测量的量(实现客观确定)。标签可以考虑主观考量(例如价格、感知质量、成熟度等)。本发明可被应用于材料或材料流的多种混合物上,其中的个体组分/对象将彼此区分。可任选地,材料或材料流的混合物包括至少一种类型的材料,在其中进行区分。
不同的算法可被用于提供图像中对象/组分的分割。例如,该方法可以包括对象检测算法。目标检测算法的示例有由神经网络进行的阈值化、分水岭、语义或即时分割。其他算法也可能用于分割对象/组分。分割对象可以被切掉并个体地评估以进行特征/特性提取。
可任选地,分割对象被个体地处理用于使用经训练神经网络提供分类。该操作也可以至少部分并行地执行。还设想使用多个经训练神经网络。
可任选地,X射线传感器是双能量X射线传感器。双能量X射线成像可比多能量X射线成像更便宜。然而,也可能在X射线传感器中使用多能量X射线传感器,因为以此方式可以获得更精确的结果。
可任选地,该传感系统进一步包括用于确定指示分割对象的体积的数据的深度成像单元。
可以使用不同类型的深度成像单元。指示体积的值可以是用于表征一种或多种材料的重要度量;
可任选地,深度成像单元包括三维激光三角测量单元或三维相机中的至少一者。
其他类型的深度成像单元也是可能的。
可任选地,传感系统进一步包括被配置成拍摄分割对象的彩色图像的彩色成像单元。
多个传感器可被用于分类废物。在一些示例中,第一传感器被用于获得尤其是面积密度的指示(例如,采用X射线),而第二传感器用于获得尤其是体积的指示(例如,3D相机、激光三角测量等)。其他传感器也可被用于收集甚至更多的信息,诸如彩色相机。在有利的实施例中,在记录的传感器数据被馈送到经训练神经网络之前,执行若干预处理步骤。图像被对准,并且对检测到的对象进行分割。对准图像可以涉及以下至少一种:移位、缩放、剪切、改变透视等。其可涉及对图像的任何其他失真校正用于获得对准的图像。为每个对象确定许多性质,诸如质量、体积、原子数量、密度、形状等。然后将这些数据用作神经网络的输入。这允许神经网络能够更好地区分不同的材料,并且因此在废物回收应用中区分废物组。以此方式还可以获得更高效的神经网络。可任选地,来自传感系统的不同子系统的数据在确定一个或多个分割对象的每一者的特性特征之前被对准。
在一些示例中,X射线成像被用于确定每个分割对象的质量和原子数量。然而,其他传感器也可被用于成像。可任选地,来自不同传感器的图像被对准以进行数据融合。例如,用于成像的传感器和/或检测器可以具有不同的视野、不同的失真、放大率等。可以通过对从多个传感器/检测器接收的多个成像数据执行对准或变换算法来执行对准。
来自不同成像传感器/检测器的数据可以放入具有多个“图像层”(例如举例而言,红-绿-蓝图像数据、较低能量X射线、较高能量X射线、高度(3D相机))的3D矩阵中。还可以包括附加数据,诸如与原子数量有关的导出图像、表面密度图像、密度(例如,通过结合体积和表面密度,可以为每个分割对象/组分确定密度)。
可任选地,对于一个或多个分割对象中的每一者,确定与体积、尺寸、直径、形状、纹理、颜色或偏心率中的至少一者相关的进一步特性特征。还可以确定其他特性特征,诸如举例而言,不同传感器图像(例如,x射线吸收、高度、颜色等)和衍生图像(例如原子数量、面积密度、密度、化学成分和梯度)的对象像素值的平均值、标准偏差、第三和更高阶矩、直方图等。可以确定的一些示例性形状参数是:周长、坚固性、面积、凸出面积、凸度、圆度、直线度、卷曲度、球度、纵横比、套圈直径、等效直径、短轴和长轴长度、最大和最小弦长、其他直径定义。将领会,前述特性特征的任何组合也是可能的。
由于为每个分割对象确定了多个特性,因此可以在多维空间中排列这些对象。这可以通过例如处理一种或多种材料的确定特性的计算机程序产品的通用用户界面来提供对材料流的增强的概述。
可任选地,一种或多种材料在输送机上移动形成材料流,其中借助于传感系统来扫描材料流用于材料流中的对象的表征。
在一些示例中,首先对材料流中的对象(例如,组分、粒子)进行分割。以此方式,可以容易地切割和分离和/或隔离对象。即使对象彼此接触,它们也可以被隔离。在下一步中,可以识别每个粒子的一系列特征/特性。这些特征/特性随后可以被馈送至机器学习模型,诸如人工神经网络。
粒子的质量、体积、直径、形状、纹理、轮廓等可以运行中或实时确定。对象的质量可以通过非接触式测量(参见X射线)来计算。单个对象的质量可以使用基于X射线物理的物理模型来计算。这可以看作是将成像数据馈送至神经网络进行分类之前的预处理步骤。其他技术也可被用于确定个体对象的质量。在一些示例中,采用机器学习模型。
可任选地,对一个或多个分割对象的特性特征进行分类以便构建数字孪生模型。
本发明实现在材料流的成分水平处的表征。以此方式,可以建立数字孪生模型。然后可以使用数字孪生模型执行虚拟测试和仿真。
物理材料流可以被扫描并转换成虚拟表示,也称为“数字孪生”。这个数字副本包含流中所有粒子的物理特性,诸如质量、体积、密度、形状、大小、材料、视觉外观、纹理等,以及不同相机拍摄的原始图像。数字孪生允许虚拟实验(例如,基于计算机数据执行筛选实验,而不是在实验室弄脏你的手)、基于粒子的过程模拟,并提供了方便且直观的方式来挖掘材料流以获得新的见解。
可任选地,一种或多种材料在运输之前被表征用于确定第一数字识别标记,其中随后在运输到远程位置之后,一种或多种材料被表征用于确定第二数字识别标记,其中第一和第二数字识别标记相对比彼此进行比较,以便确定运输过程中内容的变化。
在一些示例中,集装箱或货物包含异质材料。货物可以长途运输并重新表征。由于可以提供详细的表征,因此可以在详细的级别上执行数字指纹。如果这是从出发点和到达点进行的,则可以确定集装箱或货物是否已经被篡改。可以检查集装箱/货物(包括其内容)是否相同。此外,可以识别关于已经添加了什么或已经取出了什么的细节。
可任选地,一种或多种材料是非同质的。
将领会,可以将材料流定义为材料的流动。在一些示例中,流可以是以特定方式递送的特定材料类别。在一些示例中,流可以是以特定方式递送的几种材料类别的混合物。材料流的示例包括发送至再利用市场的解构材料、发送至混合废物回收设施的混合废物等。
可任选地;一种或多种材料选自由固体废物、生产的产品或组件、农产品或电池构成的组。
本发明在应用于废旧电池的分类时具有显著的优点。电池可能具有相同的外观(例如,从外部看,某些电池通常看起来相同)。包括不同电池类型的电池流可以沿着传送带引导。使用根据本发明的方法可以有效地彼此区分不同类型的电池。例如,可以在碱性电池和锂离子电池之间作出区分。此外,诸如尺寸、形状、布置(例如电池组)等特征也可被用于在电池流中的不同电池之间作出区分。还可能识别在识别的/分割电池中包括了什么材料,例如,电池中容纳了什么阴极材料(例如钴镍……)。
在一些示例中,该方法被用于农业过程的表征。例如,梨(或其他水果)的流(current)可以被表征。第一特征可被定义为指示梨的外表面上的小点(相对)数量的值,第二特征可被定义为指示梨的外表面上存在多少大点的值,第三特征可被定义为指示梨的体积的值等。例如,标签随后可被定义为个体分割的梨的商业价值。将领会,在该示例中,还可以定义其他特征/特性和/或标签。其他应用也是可能的,例如用于食品流的表征。
在一些示例中,该方法可包括以下步骤中的至少一些:对一种或多种材料的成像(例如,X射线扫描)以获得至少一个图像;从图像中分割和剪裁组分;识别个体分割组分的特征和/或特性,诸如举例而言,质量(例如基于双能量或多能量X射线成像)、体积(例如,基于3D图像)、原子数量、形状、偏心率、尺寸等。
可任选地,提供散装固体废物流的直接内联表征系统。
根据一方面,本发明提供了一种用于执行一种或多种材料的表征的系统,该系统包括:被布置用于扫描一种或多种材料的传感单元,该感测单元包括X射线传感器,该X射线传感器被配置成执行多能量成像以获得至少较低能量X射线图像和较高能量X射线图像;其中该系统包括被配置成执行以下步骤的控制器:对借助于传感系统获得的图像执行分割以便分离图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定;对于每个分割对象,通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,借助于经校准的模型、通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来确定指示面积密度和原子数量的数据;基于指示面积密度的数据和指示每个分割对象的面积的数据来为每个分割对象计算指示质量的数据;以及为每个分割对象提供至少指示原子数量的数据作为至经训练神经网络的输入,其中经训练神经网络被配置成标记每个分割对象,其中指示质量的数据被耦合至每个被标记的分割对象。
手动垃圾分类过程需要大量时间和资源。人工分类不仅效率低,而且容易出错。本发明提供了一种改进的表征系统,其可在一些示例中应用于分类系统中。可能表征和跟踪每个组分、对象或粒子的信息。本发明还可被用于其它应用中,例如在农业和/或食品加工应用中。例如,一批或一串串草莓可以用详细方式来表征,以供质其量确定。另外,基于该表征,可估计该批次或串的草莓的价值。
本发明还可被用于其它应用,例如分离设备(废物回收装置)的过程控制。在一些示例中,这种设备包括一个或多个物理分离单元(例如,筛子、涡流、磁选机、振动分离器等)。可以评估一个或多个分离单元的有效性,甚至是运行中和/或实时的。这可以使设备基于质量控制进行优化和调整。例如,如果分离的粒子或部分变得大于一值,则必须调整某个间隙以便分离较小的粒子或部分。在传统的解决方案中,这是不可能的,因为整个过程都要停止以供取样和执行表征测量。
有利地,在将数据馈送到用于标记对象的经训练人工神经网络之前,可以执行预处理和特征提取步骤。可以每个分割对象地确定多个特征/特性。然后可以为每个对象指派标签。考虑与分割对象相链接的多个确定的特征/特性,经训练神经网络可被用于自动确定与每个分割对象相关联的标签。根据本发明,代替直接将成像数据馈送到神经网络,对成像数据进行分割以便识别被馈送到经训练神经网络的特征/特性的个体组分。可任选地,来自不同传感器/检测器的成像数据被对准以实现数据融合。以此方式可以得到显著准确的结果。将成像数据另外输入至经训练神经网络也是可能的。因此,不是将图像的像素作为输入,而是将耦合到每个对象的特征/特性作为输入。这可以对每个对象有效地执行。例如,经训练神经网络的输入可以是(参见神经网络第一层的输入节点):质量、体积、原子数量、形状参数,诸如偏心率等。神经网络的输出可以提供分割对象的分类。
该系统可以以相对较高的吞吐量提供一种或多种材料(例如材料流)的高效和有效表征。
根据一方面,本发明提供了一种计算机程序产品,其被配置成当在控制器上运行时执行根据本发明的方法的步骤。
根据一方面,本发明提供一种回收设备,其被配置成对废物流进行分类,其中该回收设备包括根据权利要求12的用于区分废物流中的不同材料的系统。
可任选地,回收设备被配置成基于与废物流中区分的不同材料相关的信息来控制过程参数。
该方法能够提供定义明确的子组分的实时质量平衡,而不需要分离步骤,并且因此例如可以进行完整的价值评估。这可以允许回收厂减少,并最终完全跳过昂贵和劳动密集型的采样程序,工业分析的标准提前期从几周到3个月,结合分析实验室的化学分析,以及减少不确定性。
根据一方面,本发明涉及用于表征一种或多种材料的系统的用途。
根据一方面,本发明提供一种适于复杂非同质材料流的在线表征的在线表征系统。该系统可以配备多个传感器,这些传感器位于例如1米宽的传送带上方,传送带以高达1米/秒的速度移动。材料可能以单层形式出现在传送带上。可任选地,提供用于确保单层的手段。安装的传感器包括双能量x射线传输(DE-XRT),允许直接测量平均原子数量和质量,并且基本上是“透明材料”;可任选的三维激光三角测量(3D-LT),允许确定准确的体积和形状;以及可任选的高分辨率彩色相机。来自这些传感器的数据可以由控制器处理。控制器可被配置为对准和融合不同传感器/检测器的接收数据,以及应用基于人工智能和机器学习的模型和算法来检测,对传送带上的个体对象/组件进行分类和测量。内联表征系统可被配置为使用X射线以“看”透材料,而不仅仅是在表面层。这允许识别复合材料,例如价值隐藏在保护层或灰尘下面的材料。此外,集成的双能量X射线传输(DE-XRT)技术允许直接测量对象的质量,而无需直接对其称重。另外,它直接测量平均原子数量。通过对象体积和三维形状测量(使用三维激光三角测量(3D-LT))进行补偿也可以得出密度。附加或替换地地,可安装高分辨率彩色相机,允许例如使用机器学习模型(例如深度学习算法)来识别结构、图案、颜色、形状、文本等。几何算法可被用于从不同角度记录的传感器数据的精确对准。
根据一方面,本发明提供了一种对一种或多种材料执行表征的方法和系统,其中借助于包括X射线传感器的传感系统扫描一种或多种材料,该X射线传感器被配置为执行多能量成像以获得至少较低能量X射线图像和较高能量X射线图像。此外,可对借助于传感系统获得的图像执行分割,以便分离图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定。此外,对于每个分割对象,可以通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示面积密度和原子数量的数据是借助于模型来确定的,该模型通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准。此外,对于每个分割对象,至少指示原子数量的数据可被提供作为至经训练神经网络的输入,其中经训练神经网络被配置为标记每个分割对象。将领会,鉴于该方法而描述方面、特征和选项中的任一者同样适用于该系统、所述回收设备和计算机程序产品。还将清楚的是,可以组合上述方面、特征和选项中的任何一个或多个。
附图的简要描述
将在附图中表示的示例性实施例的基础上来进一步说明本发明。示例性实施例通过非限制性解说给出。注意,附图只是通过非限制性示例给出的本发明实施例的示意性表示。
在附图中:
图1示出了系统的一实施例的示意图;
图2示出了系统的一实施例的示意图;
图3示出了经表征的材料的示意图;
图4示出了数据融合的示意图;
图5示出了图表的示意图;
图6示出了分割图像的示意图;
图7示出了方法的示意图;
图8示出了图表的示意图
图9示出了图表的示意图
图10a、10b示出了图表的示意图;
图11a、11b示出了图表的示意图;
图12示出了系统的一实施例的示意图;以及
图13示出了方法的示意图。
具体描述
图1示出了用于对一种或多种材料3执行表征的系统1的实施例的示意图,系统1包括:布置成用于扫描一种或多种材料3的传感单元5。传感单元5包括X射线传感器,其被配置为执行多能量成像以获得至少较低能量X射线图像和较高能量X射线图像。系统1包括被配置成执行以下步骤的控制器:对借助于传感系统5获得的图像执行分割以便分离图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定;对于每个分割对象,通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示面积密度和原子数量的数据是借助于模型来确定的,该模型通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准;基于指示面积密度的数据和指示每个分割对象的面积的数据来为每个分割对象计算指示质量的数据;以及为每个分割对象提供至少指示原子数量的数据作为至经训练神经网络的输入,其中经训练神经网络被配置成标记每个分割对象,其中指示质量的数据被耦合至每个被标记的分割对象。在该示例中,传感系统5以及一种或多种材料3是相对比彼此移动的,如箭头A所指示的。以此方式,传感器单元可以扫描一种或多种材料3。例如,传送带可被用于沿着感测单元5引导一种或多种材料3。然而,传感单元5相对于一种或多种材料3移动也是可能的。
本发明能够为每个分割对象指派一质量。这意味着可以为每类对象指派总质量平衡。
在一些示例中,质量可被提供作为至经训练神经网络的输入。质量和化学性质(参见原子数量)的组合借助于经训练人工神经网络提供良好的标签预测。
在一些示例中,在使用经训练神经网络将类别指派给每个分割对象之后,质量至少用在输出处,质量被用于创建质量平衡。
图2示出了系统1的实施例的示意图。在该示例中,可任选(彩色)相机7或可任选3D激光三角测量单元9中的至少一者被布置,以便能够确定链接到每个分割对象的附加特性。因此,在一些示例中,紧接着与材料类型、质量等有关的特征/特性,还可能基于尺寸、形状、颜色、纹理、视觉洞察力等中的至少一者来区分所识别和/或分割的对象。这些信息还能实现虚拟实验。在该示例中,传感单元5包括具有用于执行双能量X射线成像的两个X射线子单元11a、11b的X射线传感器11。此外,相机7和3D激光三角测量单元9被集成在传感单元5中。这样,传感单元5提供多个图像,这些图像可通过例如计算机单元13被对准和/或融合。对准和/或融合从不同相机/检测器获得的成像数据可以实现更好地确定分割对象的特征/特性。一种或多种材料被分割,并且个体分割3i被分析以确定其相关特征/特性。在该示例中,为每个分割对象确定以下特征15:密度、材料、形状、大小和质量。将领会,其他特征集也是可能的。从这些数据还可能得出每个分割对象的(相对)权重(百分比)。根据本发明的系统在一种或多种材料的表征中可以更快且更自主,同时需要较少的来自人的(劳动密集型)输入。该系统在废物表征的应用中能提供重要的优点。
为了建立识别不同废物颗粒的(图像)并将其分为不同的类别的模型,可以通过显示大量图像来训练机器学习模型,每幅图像都附有描述其中的内容的标签。传统的办法(其中所有的数据是预先标记)被称为监督学习。这些标记数据代表了机器学习算法的燃料。对于废物表征技术,通常可以通过扫描物理的“纯”单一材料流来生成标记数据,这些单一材料流通常是通过仔细地从非同质废物流中选择数千个个体颗粒来手动制备的。
废物的特性在回收工业中有几个重要的应用。它可用于价值评估。对完整的材料流进行快速且可靠的价值评估降低了商品股票市场波动的风险。此外,它可被用于质量控制。在循环经济中,希望回收产品的质量被保证。表征技术有助于建立市场信任。此外,它可被用于过程工程。可以评估废物回收过程的技术和经济可行性以及通过虚拟试验设计新过程。此外,它可被用于在线过程优化。分类过程可以在运行中测量、控制和优化。
本发明可以提供一种直接的在线表征技术,该技术可以定性(材料类型、化学性质、纯度等)和定量(质量平衡、物理性质等)地评估材料。这种在线表征系统可被配置成完全评估异质和复杂的材料流,消除了二次采样的需要。此外,质量平衡可以在允许中产生。事实上,对于每一个材料对象,可以创建可用虚拟的方式进一步评估的数字孪生体。
图3示出了使用根据本发明的方法的经表征材料的示意图。不同的对象3i被分割并且相关的特性/特征被确定。例如,可以使用通用用户界面来呈现信息。在该示例中,特征包括质量、体积、直径、形状和纹理。此外,还可以提供借助于经训练神经网络确定的标签17。在该示例中,提供了两个标签17,即对象类型(例如瓶子、相机、耳机等)和材料(例如PET、材料的组成等)。将领会,其他特征和/或标签也是可能的。
图4示出了数据融合的示意图。在该示例中,传感单元5包括多个成像传感器,即RGB彩色相机、高度传感器(例如,激光三角测量或3D相机)和X射线传感器(例如,提供低能量和高能量X射线图像的双能量X射线传感器)。将领会,集成两个单独的传感器而不是使用两个单独的传感器是可能的。例如,3D相机可被用于提供高度信息和RGB彩色图像两者。融合图像19可以是来自成像单元5的不同传感器或子单元的图像。
借助于X射线成像来测量X射线的吸收。X射线的吸收可以与特定材料的质量成正比。然而,具有大量吸收的相对较薄的材料(例如铅)可以产生与吸收很少的非常厚的材料相似的X射线图像。可以使用较低能量图像和较高能量图像,以便在此类情形之间作出区分,从而实现材料区分。
通过组合多个传感器(例如XRT和3DLT),可以确定或直接测量分割对象的物理/化学性质。所测量和/或确定的特性可以作为输入提供给机器学习模型以提供标签。与当前的采样和分析程序相比,复杂的异质材料流的价值和组成可被量化,导致为回收公司节省成本和时间。
图5示出了绘制针对不同材料类型的实际质量与预测质量的关系图的示意图。可以看出,用于基于较低能量X射线图像和较高能量X射线图像来确定质量的模型提供了准确的结果。质量相对误差小于15%。
图6示出了分割图像的示意图。对象3i的分割通过边界框20可视化。在该示例例中,框20是矩形的,但也可能使用其他形状。其他分割技术也是可能的。例如,也可能分割所识别的对象3i的轮廓。对于每个分割对象3i,可以确定一个或多个特征/特性。这些特性可被馈送给经训练神经网络,用于提供因应用而异的标签。
图7示出了方法30的示意图。在第一步骤31中,识别和分割一种或多种材料的对象或组分。这可以借助于对象检测算法和/或分割算法来执行。使用传感单元5获得图像。在对不同图像(例如来自传感单元5的不同传感器或子单元)执行对准和/或融合之后,也可能获得被分割的所获得的图像。在该示例中,框20被设置在分割对象3i的周围。在第二步骤33中,为每个分割对象3i确定特性/特征15。在该示例例中,确定了质量、体积和原子数量。可以将数据作为输入提供给经训练神经网络25,用于获得作为输出的标签17。在该示例中,经训练神经网络是深度学习模型。然而,也可以使用其他机器学习模型。在一些示例中,使用替代的递归模型代替人工神经网络。
图8示出了图表的示意图。所识别的多个分割对象3i可以被划分为一个或多个聚类,使得每个聚类包含具有相似特征和/或特性的组件。这些对象可以以此方式组合在一起,从而对一种或多种材料(例如废物流)的组成提供更多的见解。在该示例中,考虑到密度和原子数量,提供2D聚类。将领会,各种其他聚类图表是可能的。
本发明实现了对象/组件级上的材料流表征。除了颗粒大小分布或质量平衡外,还可以基于一种或多种材料(例如材料流)的个体对象的(直接测量)的物理性质来定义定制的质量度量。这样做,这项技术构建了物理材料流的数字孪生,从而允许虚拟实验、新洞察和更好的价值评估。本发明能够以高分类精度和准确的质量平衡对异质废物流进行分类,而不需要分类步骤。
图9示出了与图8类似的图表的示意图。在该示例中,图表中示出了多个识别的分割对象3i,使得能够更直观地了解被表征的一种或多种材料的组成。
图10a、10b示出了与双能量和多能量X射线透射有关的图表的示意图。在这些图表中,针对不同分割对象3i的能量绘制传输。
当(X射线)光子通过材料时,其中一部分与材料相互作用,而另一部分则不相互作用。最后一部分,即透射部分,是探测器在X射线传输(XRT)成像中捕捉到的。待成像的对象位于源和检测器之间。
某种材料透射X射线的量取决于1)材料(化学成分、原子数量)、2)密度(ρ)、3)厚度(d)和4)是光子的能量(E)。
这反映在上面的图10a中,其中对于不同的材料,光子的传输与x射线光子能量相对地绘制。由于材料的不同光谱传输,当我们使用多种能量来成像材料时,我们能够区分不同的材料。
例如,在双能量XRT(DE-XRT)的情况下,每个传感器像素在能量谱的两个部分中将是敏感的,并且因此将生产低能量和高能量信号。低能量信号将低于某个阈值的所有光子积分,而高能量信号将能量高于阈值的x射线积分。通过测量能量谱的低和高部分的传输,可能计算出平均原子数量(Z)和面积密度(ρd)(密度乘以厚度)。
如图中所见,某些材料的传输光谱显示出明显的下降(它也有峰值,但没有画出)。这些下降的位置(x射线光子能量)是化学元素的特性,而下降的高度与该材料的量相对应。因此,通过引入多个能量箱(多于两个)并进行多能量x射线传输,聚焦于某些或所有这些下降,并因此通过研究下降的位置和高度来定量确定扫描的材料的化学(元素)组成变得可能。
双能量能够测量某个范围内的平均原子数量(比如原子数量高达40)。然而,多能量传输可以将这个范围大大扩展到更高的原子数量。此外,通过聚焦于特定的下降,多能量XRT能够聚焦于特定的化学元素,并定量地确定该元素在材料中存在的量。其中一个已知的技术是K边成像。
在图10b中,面积密度的效应(ρd)(密度乘以厚度)被描绘。密度越高或材料越厚,透射越低。然而,下降的位置保持不变。下降的相对高度也非常相似。
图11a、11b显示了与双能量和多能量X射线传输有关的图表的示意图。在图11a中,示出了低能量和高能量图像。在图11b中,针对不同分割对象3i的低能量传输绘制了低能量传输。
在图11a中,看到增加Pb含量的影响。下降位置不变,但下降的高度随铅含量的增加而增加。这种效应允许使用多能量成像(例如k边成像)定量确定材料的化学成分。基于DE-XRT校准扫描,可以导出LE、HE和Z之间的关系。这允许基于LE和HE的测量来导出平均原子数量,如图11b中所示。类似地,与ρd的关系可被导出。
在校准过程中,可以取材料的原子数量和密度是已知的材料。该图表显示了低能量和高能量X射线图像的原子数量和表面密度。如果将面积密度积分或累加在分割对象上,就可以计算出对象的质量。
图12示出了系统100的实施例的示意图。系统100可被被配置成基于与废物流中区分的不同材料相关的信息来控制过程参数。系统100可被配置为提供用于过程控制的实时过程信息。如果例如在过程中,在表征步骤之后存在划分线,例如包括多个不同的物理分离步骤。然后,基于到来的是何种输入,可以基于作为输入呈现的内容来调整参数(例如,速度带、机器设置),以便实现更好的分离。
本发明可以提供用于散装固体废物流的直接、在线表征技术。表征可以利用不同的传感器(X射线、3D激光和颜色)和人工智能来提供一种或多种材料(例如材料流)的对象/组件级大数据,并与工业相关分析耦合。
图13示出了用于对一种或多种材料执行表征的方法1000的示意图。在第一步骤1001中,一种或多种材料借助于包括X射线传感器的传感系统来扫描,该X射线传感器被配置成执行多能量成像用于获得至少较低能量X射线图像和较高能量X射线图像。在第二步骤1002中,对借助于传感系统获得的图像执行分割,以便分离图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定。在第三步骤1003中,对于每个分割对象,通过分析较低能量X射线图像和较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示面积密度和原子数量的数据是借助于模型来确定的,该模型通过对具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准。在第四步骤1004中,基于指示面积密度的数据和指示每个分割对象的面积的数据来为每个分割对象计算指示质量的数据。在第五步骤1005中,为每个分割对象提供至少指示原子数量的数据作为经训练神经网络的输入,其中经训练神经网络被配置成标记每个分割对象,其中指示质量的数据被耦合至每个被标记分割对象。
通过使用X射线成像单元具有有关质量的知识可以在材料表征方面带来足够的优势。此种表征甚至可以在复杂的异质流上执行(例如,废物材料流的分类的应用)。
可以使用各种神经网络模型和/或神经网络架构。神经网络具有处理能力,例如分类、传感器数据和/或预处理数据,参见分割对象的确定特征特性。神经网络可以在计算机系统中实现。神经网络可以用作用于处理复杂数据输入的各种机器学习算法的框架。这种神经网络系统可以通过考虑示例来“学习”执行任务,通常不需要使用任何因任务而异的规则进行编程。神经网络可以基于被称为神经元的连接单元或节点集合。在神经网络中,每一个连接能将信号从一个神经元传送到另一个神经元。接收到信号的神经元可以对其进行处理,并且然后向与之相连的附加神经元发信号(参见激活)。每个神经元的输出通常由其输入之和的非线性函数来计算。连接可以具有随着学习进行而调整的相应权重。也可能有其他参数,诸如偏差。通常,神经元聚集成层。不同的层可以对其输入执行不同种类的变换,以形成深度神经网络。
深度学习神经网络可以看作是具有多级表示的表示学习方法,这可以通过组合简单但非线性的模块来实现,每个模块从原始输入开始将一个级上的表示转换为更高、稍微更抽象级的表示。神经网络可以识别使用传统或经典方法难以识别的模式。因此,代替编写特定于在特定打印条件下打印结构的问题的定制代码,可以训练网络以能够处理不同和/或改变的结构打印条件,例如使用分类算法。训练数据可被被馈送到神经网络,使得神经网络能够确定用于高效地控制打印过程的分类逻辑。
还将理解,当方法的特定步骤被称为继另一步骤之后时,它可以紧继所述所述另一步骤之后,或者在执行该特定步骤之前可以执行一个或多个中间步骤,除非另有规定。同样地,将理解,当描述诸如神经网络的神经元之类的组件之间的连接时,可以直接或通过诸如其他神经元之类的中间组件或逻辑操作来建立该连接,除非另有规定或被上下文排除。
将领会,该方法可以包括计算机实现的步骤。所有上述步骤都可以是计算机实现的步骤。实施例可以包括计算机设备,其中在计算机设备中执行处理。本发明还扩展到计算机程序,尤其是载体上或载体中的计算机程序,其适于将本发明付诸实施。程序可以是源代码或目标代码的形式,或者是适合在根据本发明的过程的实现中使用的任何其他形式。载体可以是能够承载程序的任何实体或设备。例如,载体可以包括存储介质,诸如ROM,例如半导体ROM或硬盘。此外,载体可以是诸如电信号或光信号之类的可传输载体,该电信号或光信号可以经由电缆或光缆、无线电或其他方式(例如经由因特网或云)来传递。
例如,一些实施例可以使用机器或有形计算机可读介质或制品来实现,该介质或制品可以存储指令或一组指令,如果由机器执行,则可以使机器根据实施例执行方法和/或操作。
可以使用硬件元件、软件元件、或两者的组合来实施各实施例。硬件元件的示例可以包括:处理器、微处理器、电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、、逻辑门、寄存器、半导体器件、微芯片、芯片组等。软件元件的示例可包括软件组件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、移动应用、中间件、固件、软件模块、例程、子例程、函数、计算机实现方法、过程、软件接口、应用程序接口(API)、方法、指令集、计算代码、计算机代码等。
图形和/或图像/视频处理技术可以在各种硬件架构中实现。图形功能可以集成在芯片组中。替换地,可以使用离散图形处理器。例如,图像(静止或视频)的处理可以由诸如图形处理单元(GPU)或视觉处理单元(VPU)的图形子系统来执行。作为又一实施例,图形或图像/视频处理功能可由通用处理器(包括例如多核处理器)实现。在另一实施例中,可以在消费电子设备中实现这些功能。各实施例,使用不同硬件架构的组合是可能的。
在此,参考本发明实施例的具体示例来描述本发明。然而,显而易见的是,在不脱离本发明的本质的情况下,可以在其中进行各种修改、变化、替代和改变。然而,为了清楚和简明描述的目的,特征在本文中被描述为相同或单独实施例的一部分,具有这些单独实施例中描述的全部或部分特征的组合的替代实施例也被设想和理解为落入由权利要求所概述的本发明的框架内。因此,说明书、附图和示例应被视为解说性的而不是限制性的。本发明旨在包含落入所附权利要求书的精神和范围内的所有替换方案、修改和变型。此外,所描述的许多元素是功能实体,这些功能实体可以在任何合适的组合和位置中实现为离散或分布式组件,或者与其他组件一起实现。
在权利要求书中,置于括号之间的任何附图标记不应被解释为限制权利要求。“包含”一词并不排除除权利要求中所列特征或步骤之外的其它特征或步骤的存在。此外,词语“一”和“一个”不应被解释为限于“仅一个”,而是被用来意指“至少一个”,并且不排除多个。仅仅在相互不同的权利要求中列举某些措施这一事实并不指示这些措施的组合不能用于获益。
Claims (16)
1.一种对一种或多种材料执行表征的计算机实现的方法,所述方法包括:
借助于包括X射线传感器的传感系统来扫描所述一种或多种材料,所述X射线传感器被配置成执行多能量成像用于获得至少较低能量X射线图像和较高能量X射线图像;
对借助于所述传感系统获得的图像执行分割以便分离所述图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定;
对于每个所述分割对象,通过分析所述较低能量X射线图像和所述较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示所述面积密度和原子数量的所述数据是借助于模型来确定的,所述模型通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准;
基于指示所述面积密度的所述数据和指示每个所述分割对象的所述面积的所述数据来为每个所述分割对象计算指示质量的数据;以及
为每个所述分割对象提供至少指示所述原子数量的数据作为经训练神经网络的输入,其中所述经训练神经网络被配置成标记每个分割对象,其中指示所述质量的所述数据被耦合至每个被标记分割对象。
2.如权利要求1所述的方法,其特征在于,所计算的质量被提供作为所述经训练神经网络的输入。
3.如权利要求1或2所述的方法,其特征在于,所述传感系统进一步包括用于确定指示分割对象的体积的数据的深度成像单元。
4.如权利要求3所述的方法,其特征在于,所述深度成像单元包括三维激光三角测量单元或三维相机中的至少一者。
5.如前述权利要求中任一项所述的方法,其特征在于,所述传感系统进一步包括被配置成拍摄所述分割对象的彩色图像的彩色成像单元。
6.如前述权利要求中任一项所述的方法,其特征在于,来自所述传感系统的不同子系统的数据在确定一个或多个分割对象中的每一者的特性特征之前被对准。
7.如前述权利要求中任一项所述的方法,其特征在于,对于一个或多个分割对象中的每一者,确定与体积、尺寸、直径、形状、纹理、颜色或偏心率中的至少一者相关的进一步特性特征。
8.如前述权利要求中任一项所述的方法,其特征在于,所述一种或多种材料在输送机上移动形成材料流,其中借助于所述传感系统来扫描所述材料流用于所述材料流中的对象的表征。
9.如前述权利要求中任一项所述的方法,其特征在于,对所述一个或多个分割对象的特性特征进行分类以便构建数字孪生模型。
10.如前述权利要求中任一项所述的方法,其特征在于,所述一种或多种材料在运输之前被表征用于确定第一数字识别标记,其中随后在运输到远程位置之后,所述一种或多种材料被表征用于确定第二数字识别标记,其中所述第一和第二数字识别标记相对于彼此进行比较,以便确定运输过程中内容的变化。
11.如前述权利要求中任一项所述的方法,其特征在于,所述一种或多种材料是非同质的。
12.如前述权利要求中任一项所述的方法,其特征在于,所述一种或多种材料选自由固体废物、生产的产品或组件、农产品或电池构成的组。
13.一种对一种或多种材料执行表征的系统,所述系统包括:
传感单元,其被布置成用于扫描所述一种或多种材料,所述传感单元包括配置成执行多能量成像用于获得至少较低能量X射线图像和较高能量X射线图像的X射线传感器;
其中所述系统包括被配置成执行以下步骤的控制器:
对借助于所述传感系统获得的图像执行分割以便分离所述图像中的一个或多个不同对象,其中指示分割对象的面积的数据被确定;
对于每个所述分割对象,通过分析所述较低能量X射线图像和所述较高能量X射线图像来确定指示面积密度的数据和指示原子数量的数据,指示所述面积密度和原子数量的所述数据是借助于模型来确定的,所述模型通过用具有已知面积密度和原子数量的不同材料执行多能量X射线成像来校准;
基于指示所述面积密度的所述数据和指示每个所述分割对象的所述面积的所述数据来为每个所述分割对象计算指示质量的数据;以及
为每个所述分割对象提供至少指示所述原子数量的数据作为至经训练神经网络的输入,其中所述经训练神经网络被配置成标记每个分割对象,其中指示所述质量的所述数据被耦合至每个被标记分割对象。
14.一种包括一个或多个计算机可读存储设备的计算机程序产品,所述一个或多个存储设备其上存储有计算机指令以在控制器上运行时执行如权利要求1到12所述的方法的步骤。
15.一种回收设备,其被配置成对废物流进行分类,其中所述回收设备包括如权利要求13所述的用于区分所述废物流中的不同材料的系统。
16.如权利要求15所述的回收设备,其特征在于,所述设备被配置成基于与所述废物流中区分的不同材料相关的信息来控制过程参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19217631.1A EP3839886A1 (en) | 2019-12-18 | 2019-12-18 | A method and system for performing characterization of one or more materials |
EP19217631.1 | 2019-12-18 | ||
PCT/EP2020/087063 WO2021123197A1 (en) | 2019-12-18 | 2020-12-18 | A method and system for performing characterization of one or more materials |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113474814A true CN113474814A (zh) | 2021-10-01 |
Family
ID=68965669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080007041.7A Pending CN113474814A (zh) | 2019-12-18 | 2020-12-18 | 用于对一种或多种材料执行表征的方法和系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11756201B2 (zh) |
EP (3) | EP3839886A1 (zh) |
JP (1) | JP2023507490A (zh) |
KR (1) | KR20220151602A (zh) |
CN (1) | CN113474814A (zh) |
CA (1) | CA3192571A1 (zh) |
WO (1) | WO2021123197A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4163821A1 (en) * | 2021-10-08 | 2023-04-12 | Vito NV | A method and system for performing characterization of one or more materials |
EP4163626A1 (en) * | 2021-10-11 | 2023-04-12 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Apparatus and method for assigning a material value score to a waste printed circuit board or a portion thereof and system for sorting waste printed circuit boards |
CN114707255A (zh) | 2021-12-17 | 2022-07-05 | 中国矿业大学 | 一种基于数字孪生的工业筛分效果动态评价方法 |
FR3134320A1 (fr) * | 2022-04-07 | 2023-10-13 | Suez | Procédé d’estimation de la qualité d’un flux d’objets dans une ligne de tri. |
CN114782400B (zh) * | 2022-05-17 | 2023-06-20 | 东风本田发动机有限公司 | 金属物料渣点检测方法、装置、设备、介质和程序产品 |
CN116577358B (zh) * | 2023-05-18 | 2024-01-23 | 杭州宇称电子技术有限公司 | 基于x射线k-吸收边的书画文物颜料成像方法及其应用 |
CN117132828B (zh) * | 2023-08-30 | 2024-03-19 | 常州润来科技有限公司 | 一种铜管加工过程固体废料的自动分类方法及系统 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US978585A (en) | 1909-09-10 | 1910-12-13 | Clemence Huber | Can-top fastener and opener. |
CH685807A5 (de) | 1992-10-23 | 1995-10-13 | Buehler Ag | Verfahren zur Spektralanalyse und Vorrichtung hiefür. |
CH683674A5 (de) | 1992-03-23 | 1994-04-29 | Buehler Ag | Verfahren zum automatischen Sortieren von Abfallmaterial und Einrichtung zur Durchführung des Verfahrens. |
DE4305006A1 (de) | 1992-03-23 | 1993-09-30 | Buehler Ag | Verfahren zum automatischen Sortieren von Abfallmaterial und Verfahren zur Spektralanalyse von Stoffen sowie Einrichtungen zur Durchführung der Verfahren |
DE102004001790A1 (de) * | 2004-01-12 | 2005-08-04 | Commodas Daten- Und Systemtechnik Nach Mass Gmbh | Vorrichtung zur Trennung von Schüttgütern |
US7564943B2 (en) | 2004-03-01 | 2009-07-21 | Spectramet, Llc | Method and apparatus for sorting materials according to relative composition |
US20080029445A1 (en) | 2006-08-03 | 2008-02-07 | Louis Padnos Iron And Metal Company | Sorting system |
WO2011159269A1 (en) | 2010-06-17 | 2011-12-22 | Spectramet, Llc | Sorting pieces of material based on optical and x - ray photon emissions |
DE102011082908A1 (de) * | 2011-09-19 | 2013-03-21 | Deere & Company | Verfahren und Anordnung zur optischen Beurteilung von Erntegut in einer Erntemaschine |
CN104897053A (zh) | 2014-03-05 | 2015-09-09 | 泰科电子(上海)有限公司 | 可编程数字化机器视觉检测平台 |
PL408691A1 (pl) | 2014-06-29 | 2016-01-04 | Amateo Spółka Z Ograniczoną Odpowiedzialnością | Sortownik odpadów |
MX2017000581A (es) * | 2014-07-15 | 2017-11-30 | Rapiscan Systems Inc | Sistemas y metodos para la deteccion automatica de baterias de litio en carga, equipaje, paquetes y otros contenedores. |
NL2013925B1 (en) | 2014-12-05 | 2016-10-11 | Urban Mining Corp Bv | Sensor separation apparatus and method. |
SE538957C2 (sv) | 2014-12-17 | 2017-03-07 | Envac Optibag Ab | Sorting system with multiple sorting devices |
DE202015000612U1 (de) | 2015-01-27 | 2015-04-17 | CHM Automatisierungstechnik GmbH | Vorrichtung zur Abteilung von Produkten |
US9707595B2 (en) | 2015-12-16 | 2017-07-18 | Waste Repurposing International, Inc. | Household hazardous waste recovery |
FR3048369B1 (fr) | 2016-03-01 | 2018-03-02 | Pellenc Selective Technologies | Machine et procede d'inspection d'objets defilant en flux |
DE102016208320B3 (de) | 2016-05-13 | 2017-03-09 | Bruker Axs Gmbh | Vorrichtung zur Sortierung von Materialien, insbesondere Schrottpartikeln, mittels Röntgenfluoreszenz |
US11235354B2 (en) | 2016-06-21 | 2022-02-01 | Polysecure Gmbh | Method for identifying materials |
DE102016214792A1 (de) | 2016-08-09 | 2018-02-15 | Gunther Krieg | Vorrichtung und Verfahren zur Identifikation von Stoffen eines Materials mittels Spektroskopie |
WO2018200866A1 (en) | 2017-04-26 | 2018-11-01 | UHV Technologies, Inc. | Material sorting using a vision system |
JP2018203480A (ja) | 2017-06-07 | 2018-12-27 | 株式会社東芝 | 仕分装置および仕分システム |
EP3658600A4 (en) * | 2017-07-28 | 2021-06-02 | Phillips 66 Company | HIGH PERFORMANCE POLYMERS WITH A WIDE GAP FOR ORGANIC PHOTOVOLTAICS |
WO2019056102A1 (en) | 2017-09-19 | 2019-03-28 | Intuitive Robotics, Inc. | SYSTEMS AND METHODS FOR DETECTION AND RECOGNITION OF WASTE ARTICLES |
WO2019089825A1 (en) | 2017-11-02 | 2019-05-09 | AMP Robotics Corporation | Systems and methods for optical material characterization of waste materials using machine learning |
FR3081355B1 (fr) * | 2018-05-24 | 2020-06-12 | Solystic | Procede de tri de bagages en aeroport avec videocodage optimise |
US20200074270A1 (en) * | 2018-09-05 | 2020-03-05 | International Business Machines Corporation | Estimate ore content based on spatial geological data through 3d convolutional neural networks |
-
2019
- 2019-12-18 EP EP19217631.1A patent/EP3839886A1/en not_active Withdrawn
-
2020
- 2020-12-18 CN CN202080007041.7A patent/CN113474814A/zh active Pending
- 2020-12-18 WO PCT/EP2020/087063 patent/WO2021123197A1/en unknown
- 2020-12-18 KR KR1020227023006A patent/KR20220151602A/ko unknown
- 2020-12-18 EP EP20824945.8A patent/EP3874452B1/en active Active
- 2020-12-18 CA CA3192571A patent/CA3192571A1/en active Pending
- 2020-12-18 JP JP2022537883A patent/JP2023507490A/ja active Pending
- 2020-12-18 US US17/345,388 patent/US11756201B2/en active Active
- 2020-12-18 EP EP23154740.7A patent/EP4198891A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220215554A1 (en) | 2022-07-07 |
EP3874452B1 (en) | 2023-08-23 |
EP4198891A1 (en) | 2023-06-21 |
EP3839886A1 (en) | 2021-06-23 |
US11756201B2 (en) | 2023-09-12 |
KR20220151602A (ko) | 2022-11-15 |
WO2021123197A1 (en) | 2021-06-24 |
EP3874452C0 (en) | 2023-08-23 |
JP2023507490A (ja) | 2023-02-22 |
EP3874452A1 (en) | 2021-09-08 |
CA3192571A1 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3874452B1 (en) | A method and system for performing characterization of one or more materials | |
Serranti et al. | An innovative recycling process to obtain pure polyethylene and polypropylene from household waste | |
Liming et al. | Automated strawberry grading system based on image processing | |
CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
EP3040743B1 (en) | Inspection methods and systems | |
Peršak et al. | Vision-based sorting systems for transparent plastic granulate | |
EP3896602A1 (en) | A method and system for training a machine learning model for classification of components in a material stream | |
JP4684928B2 (ja) | X線検査システム | |
Yunardi | Contour-based object detection in Automatic Sorting System for a parcel boxes | |
Kandlbauer et al. | Sensor-based particle size determination of shredded mixed commercial waste based on two-dimensional images | |
CN115825115B (zh) | 自行车无损检查装置、方法、计算机可读存储介质 | |
Koh et al. | Utilising convolutional neural networks to perform fast automated modal mineralogy analysis for thin-section optical microscopy | |
Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
CN111539251B (zh) | 一种基于深度学习的安检物品识别方法和系统 | |
Coenen et al. | Learning to sieve: prediction of grading curves from images of concrete aggregate | |
Ooms et al. | A sorting optimization curve with quality and yield requirements | |
Kroell et al. | Near-infrared-based quality control of plastic pre-concentrates in lightweight-packaging waste sorting plants | |
Gao et al. | An RGB-D-Based Thickness Feature Descriptor and Its Application on Scrap Steel Grading | |
Zhang | Assessment of dual-energy X-ray transmission image analysis process on sulphide ore and coal cases | |
Procházka et al. | Collection of plastic packaging of various types: Effects on sorted fractions of plastic waste using both automated and manual modes | |
US20240133830A1 (en) | Correction techniques for material classification | |
Bezuglova et al. | An Overview of the Methods Used to Recognize Garbage | |
Kroell | 4 Novel SBMC applications | |
KR20090112421A (ko) | 미립 품위 판별 시스템 및 그 방법 | |
Campos et al. | Development of a New Method for Measuring the Diameter of Iron Ore Pellets Using Digital Image Processing and Convolutional Neural Networks in Compliance with ISO 4698 |
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 |