ES2961763A1 - Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje - Google Patents
Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje Download PDFInfo
- Publication number
- ES2961763A1 ES2961763A1 ES202331056A ES202331056A ES2961763A1 ES 2961763 A1 ES2961763 A1 ES 2961763A1 ES 202331056 A ES202331056 A ES 202331056A ES 202331056 A ES202331056 A ES 202331056A ES 2961763 A1 ES2961763 A1 ES 2961763A1
- Authority
- ES
- Spain
- Prior art keywords
- thz
- classification
- identification
- sample
- classifier
- 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
- 239000000463 material Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000004033 plastic Substances 0.000 title claims abstract description 17
- 229920003023 plastic Polymers 0.000 title claims abstract description 17
- 238000004064 recycling Methods 0.000 title claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004806 packaging method and process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Procedimiento y dispositivo para la identificación y clasificación de plásticos monomaterial vs multicapa para aplicaciones de reciclaje. Dispositivo para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa para aplicaciones de reciclaje que comprende: un sistema de espectroscopia de THz en el dominio del tiempo y un procesador, donde el sistema de espectroscopia está provisto de al menos una fuente óptica, un emisor de THz, un receptor de THz y un divisor de haz para dirigir la señal reflejada por la muestra hacia la antena receptora, donde el procesador está provisto de un clasificador de aprendizaje máquina que toma como datos de partida la traza temporal de THz de la señal reflejada por la muestra y medida por la antena receptora para clasificar la muestra como monomaterial o multicapa.
Description
DESCRIPCIÓN
PROCEDIMIENTO Y DISPOSITIVO PARA LA IDENTIFICACIÓN Y CLASIFICACIÓN DE PLÁSTICOS MONOMATERIAL VS MULTICAPA PARA APLICACIONES DE RECICLAJE
SECTOR DE LA TÉCNICA
La invención aborda el problema que introducen los envases compuestos de capas de diferentes materiales (“multicapa”) en el proceso de clasificación previo al reciclado de plásticos obtenidos de residuos urbanos. La presente invención propone un sistema y un procedimiento para identificar si un envase es mono-material (un solo material, lo que suele implicar una sola capa) o multicapa (formado por varias capas donde al menos dos de ellas son de distinto material) a partir principalmente de la medida sin contacto del espesor global del envase.
ESTADO DE LA TÉCNICA
Un primer paso en la separación de residuos es la clasificación según composición para el reaprovechamiento posterior de materiales en la fabricación de nuevos productos. En la actualidad, la clasificación de los envases en plantas de clasificación de residuos urbanos se basa básicamente en dos tecnologías: visión artificial o NIR. En ambos casos se ilumina el envase con radiación de estas bandas y se recoge la señal reflejada sobre su superficie.
El proceso de clasificación de envases monomaterial (los compuestos por un único polímero) está muy maduro y se consiguen buenas separaciones tanto por material como por material y color. Sin embargo, en muchos envases se requieren múltiples capas de diversos materiales para conseguir un mejor efecto barrera y así mantener las propiedades del producto el tiempo especificado. En este caso, los sistemas NIR clasifican el envase según la capa más superficial que esté orientada al sensor. Esto supone una contaminación de la fracción que reduce considerablemente el valor del producto recuperado. En el caso de que haya un número significativo de envases multicapa en la fracción, la pureza puede reducirse por debajo del umbral de pureza requerido por lo que la bala de envases debe enviarse a vertedero al no ser viable su aprovechamiento, ya que las diferentes temperaturas de fusión de los distintos materiales provocarían fallos en las máquinas de extrusión que conllevarían no solo la pérdida de la producción sino una parada de las mismas para su limpieza.
Actualmente la forma de abordar este problema es, por una parte, una eliminación manual de los envases multicapa. Los operarios saben qué envases comunes son multicapa y se eliminan. Por otra parte, se intenta reducir la presencia de envases multicapa a nivel normativo, pero las prestaciones presentadas por los envases monomaterial no son las mismas que en los envases multicapa y por ello se siguen empleando plásticos multicapa que acaban incinerados o en vertedero. La alternativa es el desaprovechamiento de alimentos, ya que en envases no óptimos ésta se deteriora antes, con la carga medioambiental y económica que esto conlleva tanto para la cadena de distribución como para la sociedad. Por estos motivos, el proceso de clasificación se beneficiaría en varias de sus etapas si existieran métodos para separar los envases multicapa y así mejorar la pureza de las fracciones recuperadas.
Adicionalmente, existe una gran actividad en el desarrollo de soluciones de delaminación que permitan un reciclado eficiente de los envases multicapa más habituales. La eficiencia de estos sistemas de reciclado multicapa, también se beneficiarían de un sistema de clasificación para detectar la presencia de envases monomaterial y que consumen reactivos y recursos pero no se aprovechan por lo que afectan a la eficiencia económica de estas plantas.
Los sistemas NIR, como se ha indicado, no permiten detectar si un envase es multicapa ya que la señal reflejada viene de la capa que se encuentra enfrentada al sensor. Estos sistemas se basan en analizar el espectro de la señal reflejada que se produce por las leyes de Fresnel, según las cuales la señal reflejada depende de la diferencia de índices de refracción entre los dos medios del interfaz.
Los sistemas de visión artificial son otro método que se basa en un principio físico distinto. En concreto, se basan en una librería de imágenes de envases anteriormente registrados y clasificados de forma que la cámara compara el envase en la cinta y lo identifica como alguno de la librería. Este sistema es especialmente problemático cuando los envases están comprimidos o rotos.
RESUMEN DE LA INVENCIÓN
El sistema y procedimiento de la invención resuelve los inconvenientes citados mediante un sistema de espectroscopia de THz en el dominio del tiempo (THz-TDS) combinado con un clasificador de aprendizaje máquina que permiten clasificar el envase como monomaterial o multicapa. Este clasificador se puede combinar opcionalmente con otros dos clasificadores más para proporcionar información adicional sobre los materiales que forman la estructura.
Más en particular y de manera ventajosa, las ondas utilizadas están en el rango de 0.1 THz a 15 THz para discriminar si los envases son mono-material o multicapa. Las ondas de THz por su longitud de onda proporcionan información volumétrica. A diferencia de la radiación visible o infrarroja, los plásticos, independientemente del color, son semitransparentes en el THz. Por ello, las ondas atraviesan el envase y es posible obtener información del conjunto de capas. Debido a que los espesores típicos de los envases de consumo son típicamente similares a la longitud de onda empleada en THz no es evidente identificar si el material es mono-material o no, por lo que el sistema se debe complementar con un procesado basado en aprendizaje máquina que permite clasificar las trazas capturadas con ejemplos previos (obtenidos experimentalmente o creados de forma artificial a partir de un modelo de la interacción electromagnética de la estructura).
En concreto, la invención es un dispositivo y procedimiento para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa para aplicaciones de reciclaje que comprende: un sistema de espectroscopia de THz en el dominio del tiempo y un procesador, donde el sistema de espectroscopía está provisto de al menos una fuente óptica (que puede ser un láser pulsado de femtosegundos), al menos un emisor de THz (que puede ser una antena fotoconductiva o un cristal no lineal para convertir los pulsos del láser en pulsos en THz), al menos un receptor de THz (que puede ser otra antena fotoconductiva o un cristal no líneal), elementos ópticos para dirigir el haz de THz hacia la muestra y desde ésta al receptor, un divisor de haz para dirigir la señal reflejada por la muestra hacia la antena receptora, donde el procesador está provisto de un clasificador de aprendizaje máquina que toma como datos de partida la traza temporal de THz de la señal reflejada por la muestra y medida por la antena receptora. Ventajosamente, el emisor emite en el rango de 0.1 THz a 15 THz, el clasificador es de tipo KNN y el clasificador puede estar provisto de medios de programa para la selección de un conjunto de puntos de la traza y enviar la selección al clasificador, que de ahí toma el espesor.
BREVE DESCRIPCION DE LOS DIBUJOS
Con objeto de ayudar a una mejor comprensión de las características de la invención y para complementar esta descripción, se acompañan como parte integrante de la misma las siguientes figuras, cuyo carácter es ilustrativo y no limitativo:
La figura 1 es un histograma que muestra el principio en el que se basa la invención.
La figura 2 es un diagrama de bloques del sistema en THz de acuerdo con una puesta en práctica del sistema de la invención.
La figura 3 es un diagrama de flujo del procedimiento de la invención.
DESCRIPCIÓN DETALLADA
Los plásticos en general son semitransparentes en la región de los THz y sub-THz, de forma que es posible usar ondas en esta región de ese espectro para caracterizar muestras por su espesor sin necesidad de contacto físico.
El sistema de la invención usa para determinar el espesor sin contacto un espectrómetro temporal de THz (THz-TDS, Terahertz Time Domain Spectroscopy) de alta velocidad en una configuración en reflexión con iluminación perpendicular a la muestra a través de un divisor de haz.
El método se basa en el reconocimiento de que los envases mono-material presentan espesores totales sistemáticamente menores que los envases multicapa (Fig. 1) por el compromiso de reducir la cantidad de resina empleada manteniendo las propiedades mecánicas, mientras que los multicapa deben proporcionar características especiales de barrera frente a distintos elementos, lo que implica que tienen espesores mayores. Esto se ha comprobado en una multitud de proveedores de envases alimentarios que, en el caso multicapa, son muy mayoritariamente del tipo PET-PE y PE-EVOH-PET.
Una implementación preferente del sistema se muestra mediante el diagrama de la Fig. 2. El bloque láser es, preferentemente, un láser pulsado de femtosegundos (<100 fs) que se emplea para iluminar unas antenas fotoconductivas (PCA, photoconductive antenna). La conexión, indicada con líneas continuas, se realiza mediante fibra óptica monomodo en 1550 nm, donde las fibras son una combinación de fibras monomodo estándar y compensadora de la dispersión, preferentemente en ambos casos del tipo mantenedora de la polarización. Se emplean dos líneas de retardo ópticas (ODL, optical delay line).
La generación y detección de los pulsos de THz se realiza mediante las antenas fotoconductivas (una emisora y una receptora) y dos líneas de retardo ópticas: una lenta (ODL) y otra rápida (FODL). La antena emisora genera el pulso de THz que se radia hacia la muestra a través del divisor de haz, que a su vez dirige la señal reflejada por la muestra hacia la antena receptora que muestrea la señal recibida de THz para generar una fotocorriente que es proporcional al campo de la señal de THz que viene de la muestra. Sin modificar nada más solo se obtendría un punto de medida, con lo que hay que cambiar el punto de muestreo (obtener un punto de medida en cada instante temporal dentro de una ventana). Para ello, es necesario retardar el camino óptico de uno de los pulsos frente al otro de forma continuada. La ODL lenta es la que especifica la ventana de medida mientras que la rápida permite realizar el retardo de forma continuada sobre el pulso óptico de referencia, obteniendo así el pulso/señal.
Procesado de señal
Este equipamiento hay que complementarlo con un procesado de señal que se basa en herramientas de aprendizaje máquina.
Preprocesado
Opcionalmente, el procedimiento incluye aplicar un preprocesado tanto al conjunto de muestras de entrenamiento como a las medidas, con el fin de minimizar el ruido presente en las mediciones debido a las oscilaciones de amplitud deterministas propias de la antena y al inducido por la vibración de la cinta transportadora de los envases a clasificar. Para ello, se mide la reflectancia con la cinta en movimiento en ausencia de muestra con el fin de obtener la referencia del sistema en condiciones de operación. Para la obtención de dicha referencia se obtienen, por ejemplo, cientos o miles de trazas (ya que el sistema proporciona al menos decenas de medidas por segundo puede tomarse un número alto de trazas), se realiza el promedio y se almacena en la memoria interna del sistema de medición. Cuando se mide la reflectancia con un envase en la cinta, se retira la referencia por medio de la resta, de esta forma se retira el efecto del ruido determinista de la antena y de las vibraciones de la cinta, dejándose la medida centrada verticalmente en 0.
Como parte del preprocesado se realiza una segmentación de la traza de THz correspondiente a la señal reflejada de la muestra. Esta segmentación consiste en la selección de un conjunto de puntos de la traza para pasárselos al clasificador (es decir un enventanado temporal). Esto es necesario para garantizar que todas las señales que se pasan al clasificador tienen el mismo número de puntos. Este enventanado permite independizar el clasificador de la posición del pulso dentro de la traza asociado a la posición del envase en la zona de iluminación con la señal de THz.
Tras tener los datos segmentados, se aplica la técnica Standard Normal Variate (SNV) de forma que se estandarizan los datos con media 0 y varianza unitaria, entendiéndose las características como los instantes temporales.
Clasificador
Tras estos pasos, los datos de la traza temporal de THz medida por la antena receptora ya son adecuados para emplearlos en el clasificador que determina la estructura de los envases, monomaterial o multicapa. Dicho clasificador determina el tipo de estructura en función, principalmente, del espesor. Para confirmar este hecho, se realizó un análisis de componentes principales sobre las medidas de los conjuntos de entrenamiento y validación empleados en el modelado del clasificador extrayendo 143 componentes principales y coloreando en función del tipo de estructura, espesor de la muestra y la combinación de materiales. Mediante el análisis de la puntuación se determina una clasificación en función del espesor de la muestra y por medio de la representación por combinación de materiales, en el caso de los envases multicapa se aprecia una posible diferenciación por tipo de material, donde podría interferir el índice de refracción del material para facilitar la clasificación.
Para escoger el clasificador óptimo se ha procedido al modelado de distintos clasificadores. Primero se han optimizado los hiperparámetros en los que se basa el clasificador por medio de la aplicación del algoritmoAsynchronous Successive HalvingAlgorithm (ASHA por sus siglas en inglés) donde dicho algoritmo elige aleatoriamente varios modelos con diferentes valores de hiperparámetros y los entrena en un pequeño subconjunto de los datos de entrenamiento. Si el rendimiento de un modelo en particular es prometedor, el modelo se promociona y entrena con una mayor cantidad de datos de entrenamiento. Este proceso se repite y los modelos exitosos se entrenan en cantidades de datos cada vez mayores. De forma predeterminada, al final de la optimización se escoge el modelo que tiene el error de clasificación de validación cruzada más bajo, por lo que al final del proceso se obtiene un único modelo optimizado para el set de entrenamiento inicial. Dentro del algoritmo ASHA se ha establecido que los principales clasificadores a modelar son principalmente clasificadores basados en la máxima probabilidad de pertenencia de un individuo a un grupo. Por ello sería posible emplear distintos clasificadores de este tipo. En concreto se han probado los siguientes: árboles de clasificación (classification trees), el k-vecino más cercano (KNN), Random Forest (RF, masificación de los árboles de clasificación) así como clasificadores basados en el poder discriminante de los datos como son las Máquinas de Soporte Vectorial (SVM) y clasificador de análisis discriminante (tanto lineales como no lineales). La Tabla 1 muestra un resumen de las métricas convencionales obtenidas para distintos clasificadores.
Tabla 1.Comparativa de clasificadores.
Para evitar problemas de sobreajuste y mejorar la estabilidad y ajuste de los modelos se ha aplicado la técnica conocida como Bagging con el fin de obtener unos resultados robustos en cuanto a la eficiencia de los diferentes clasificadores. Dicha técnica consiste en variar de forma aleatoria los conjuntos de entrenamiento y validación y obtener el modelo óptimo para esos sets de entrenamiento y validación. Dicho proceso se repite n veces (en un caso preferencial, 60 iteraciones) donde por cada iteración se obtiene un modelo óptimo. Al final de todo el proceso, se filtra el resultado en base al modelo Kernel que más veces se repite y dentro de ese tipo de clasificador se escoge el modelo que maximiza el resultado en base a una serie de parámetros de selección como accuracy (R2), F1 score, precisión, recall o el coeficiente de correlación de Matthews.
El proceso de modelado de los diferentes clasificadores se puede resumir de la siguiente forma:
■ Procesado de los datos, set de entrenamiento de entrenamiento y validación.
■ Modelado & Validación (por medio de ASHA y de parámetros de selección).
■ Selección mejor modelo (Bagging).
■ Uso del mejor modelo para predicción.
Los resultados de eficiencia de clasificación para cada uno de los clasificadores y para cada una de las clases objeto de determinación se muestran en la Tabla 2 junto con el modelo empleado para la determinación de la estructura y del material que lo compone.
Tabla 2.Resultados experimentales obtenidos con clasificador que determina la estructura del envase empleando el modelo KNN con K=1 con los envases en movimiento.
En el caso de la determinación de si la estructura es monomaterial o multicapa las pruebas experimentales muestran una eficiencia del 89.07%.
Resumen del procesado
El esquema general del proceso llevado a cabo queda recogido en Fig. 3
La explicación previa recoge el proceso de entrenamiento de los modelos. Cuando llega una nueva medición al sistema basado en THz, se realiza la clasificación siguiendo los mismos pasos llevados a cabo en el entrenamiento, se procesa la señal igual que el procesado aplicado en el entrenamiento, pero se cuenta con los modelos ya cargados, haciendo la predicción de nuevas bandejas de forma veloz.
Un único envase puede corresponder con varias medidas (varias trazas). La detección del tipo de estructura (monomaterial o multicapa) de un envase se hace por votación. Es decir, se recogen una serie de medidas sobre la muestra (número dependiente de la longitud de la misma y su velocidad) y se realiza una votación de lo predicho por el modelo para cada punto de la muestra, dando como resultado el que sea mayoritario.
A la vista de esta descripción y figuras, el experto en la materia podrá entender que la invención ha sido descrita según algunas realizaciones preferentes de la misma, pero que múltiples variaciones pueden ser introducidas en dichas realizaciones preferentes, sin exceder el objeto de la invención tal y como ha sido reivindicada.
Claims (8)
1. Dispositivo para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa para aplicaciones de reciclaje que comprende: un sistema de espectroscopia de THz en el dominio del tiempo y un procesador, donde el sistema de espectroscopía está provisto de al menos una fuente óptica, al menos un emisor de THz, al menos un receptor de THz, elementos ópticos para la dirigir la señal desde el emisor a la muestra y desde ésta al detector y al menos un divisor de haz para dirigir la señal reflejada por la muestra hacia la antena receptora, donde el procesador está provisto de un clasificador de aprendizaje máquina que toma como datos de partida la traza temporal de THz de la señal reflejada por la muestra y medida por la antena receptora para clasificar la muestra como monomaterial o multicapa.
2. Dispositivo para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según la reivindicación 1, caracterizado por que el emisor emite en el rango de 0.1 THz a 15 THz.
3. Dispositivo para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según las reivindicaciones 1-2, caracterizado por que el clasificador es de tipo KNN.
4. Dispositivo para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según las reivindicaciones 1-3, caracterizado por que el procesador está provisto de medios de programa para la selección de un conjunto de puntos de la traza y enviar la selección al clasificador.
5. Procedimiento de identificación y clasificación de muestras de plásticos monomaterial versus multicapa para aplicaciones de reciclaje que comprende los siguientes pasos:
- emitir una señal en el rango de los THz hacia la muestra;
- recoger la señal reflejada por dicha muestra;
- tomar como dato de partida la traza temporal de la señal reflejada y enviar a un clasificador de aprendizaje máquina que clasifica la muestra como monomaterial o multicapa.
6. Procedimiento para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según la reivindicación 5, caracterizado por que el emisor emite en el rango de 0.1 THz a 15 THz.
7. Procedimiento para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según las reivindicaciones 5-6 caracterizado por que el clasificador es de tipo KNN.
8. Procedimiento para la identificación y clasificación de muestras de plásticos monomaterial versus multicapa según las reivindicaciones 5-7, caracterizado por que se selecciona un conjunto de puntos de la traza y se envían al clasificador.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202331056A ES2961763A1 (es) | 2023-12-20 | 2023-12-20 | Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202331056A ES2961763A1 (es) | 2023-12-20 | 2023-12-20 | Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2961763A1 true ES2961763A1 (es) | 2024-03-13 |
Family
ID=90183406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES202331056A Pending ES2961763A1 (es) | 2023-12-20 | 2023-12-20 | Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2961763A1 (es) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110068270A1 (en) * | 2009-09-18 | 2011-03-24 | Electronics And Telecommunications Research Institute | Apparatus for generating/detecting thz wave and method of manufacturing the same |
| US20180364158A1 (en) * | 2017-06-20 | 2018-12-20 | Konica Minolta Laboratory U.S.A., Inc. | Terahertz spectral imaging system and security surveillance system employing the same |
| US20210381828A1 (en) * | 2018-12-07 | 2021-12-09 | INOEX GmbH Innovationen und Ausrüstungen für die Extrusionstechnik | Measurement system and method for measuring a measurement object, in particular a plastic profile |
| US20220161298A1 (en) * | 2016-07-18 | 2022-05-26 | Sortera Alloys, Inc. | Sorting of plastics |
-
2023
- 2023-12-20 ES ES202331056A patent/ES2961763A1/es active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110068270A1 (en) * | 2009-09-18 | 2011-03-24 | Electronics And Telecommunications Research Institute | Apparatus for generating/detecting thz wave and method of manufacturing the same |
| US20220161298A1 (en) * | 2016-07-18 | 2022-05-26 | Sortera Alloys, Inc. | Sorting of plastics |
| US20180364158A1 (en) * | 2017-06-20 | 2018-12-20 | Konica Minolta Laboratory U.S.A., Inc. | Terahertz spectral imaging system and security surveillance system employing the same |
| US20210381828A1 (en) * | 2018-12-07 | 2021-12-09 | INOEX GmbH Innovationen und Ausrüstungen für die Extrusionstechnik | Measurement system and method for measuring a measurement object, in particular a plastic profile |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jonsson et al. | Road surface status classification using spectral analysis of NIR camera images | |
| US9239286B2 (en) | Methods and apparatus for identifying and sorting materials using terahertz waves | |
| Rozenstein et al. | Development of a new approach based on midwave infrared spectroscopy for post-consumer black plastic waste sorting in the recycling industry | |
| JP5932110B2 (ja) | 原石のインクルージョンを検出／同定する方法および機器 | |
| JP6792101B2 (ja) | 分類の方法および装置 | |
| JP2008508513A5 (es) | ||
| US11538159B2 (en) | Methods and apparatus for label compensation during specimen characterization | |
| Kulcke et al. | On-line classification of synthetic polymers using near infrared spectral imaging | |
| JP2022526967A (ja) | シールの完全性のインライン検査のためのシステム | |
| US6855901B1 (en) | Process and apparatus for spectroscopic identification and sorting of barrier materials | |
| CN109724935A (zh) | 树脂判定方法以及树脂判定装置 | |
| Bawankule et al. | Visual detection of waste using YOLOv8 | |
| Koinig et al. | Evaluation of improvements in the separation of monolayer and multilayer films via measurements in transflection and application of machine learning approaches | |
| Tan et al. | Identification for recycling polyethylene terephthalate (pet) plastic bottles by polarization vision | |
| ES2961763A1 (es) | Procedimiento y dispositivo para la identificacion y clasificacion de plasticos monomaterial vs multicapa para aplicaciones de reciclaje | |
| Sruthy et al. | Car damage identification and categorization using various transfer learning models | |
| CN105181623B (zh) | 一种邮件检测装置和方法 | |
| Algazinov et al. | Methods of measuring the spectral characteristics and identifying the components of grain mixtures in real-time separation systems | |
| Tellbach et al. | Wireless material identification in the recycling chain using chipless RFID tags | |
| JP2011117901A (ja) | プラスチックの識別装置およびその方法 | |
| JP2021128062A (ja) | 廃プラスチックの材質判定装置、材質判定方法、及び材質判定プログラム | |
| CN113205516A (zh) | 一种实现物品检测的方法和系统 | |
| Hollstein et al. | Identification of bio-plastics by NIR-SWIR-Hyperspectral-Imaging | |
| JP2006275867A (ja) | テラヘルツ光検査装置 | |
| So et al. | Current advances in detection of abnormal egg: a review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2961763 Country of ref document: ES Kind code of ref document: A1 Effective date: 20240313 |