TWI801539B - 揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統 - Google Patents

揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統 Download PDF

Info

Publication number
TWI801539B
TWI801539B TW108110334A TW108110334A TWI801539B TW I801539 B TWI801539 B TW I801539B TW 108110334 A TW108110334 A TW 108110334A TW 108110334 A TW108110334 A TW 108110334A TW I801539 B TWI801539 B TW I801539B
Authority
TW
Taiwan
Prior art keywords
sensor
particles
particle
matrix
control system
Prior art date
Application number
TW108110334A
Other languages
English (en)
Other versions
TW202003122A (zh
Inventor
卡爾亞尼 夏岡提
保羅 托雷克
麥可 Ａ 霍金斯
Original Assignee
美商休倫谷鋼鐵公司
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 美商休倫谷鋼鐵公司 filed Critical 美商休倫谷鋼鐵公司
Publication of TW202003122A publication Critical patent/TW202003122A/zh
Application granted granted Critical
Publication of TWI801539B publication Critical patent/TWI801539B/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • 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

本案提供一種揀選廢料顆粒的系統及方法。使用視覺系統對含有廢料顆粒的移動中輸送機成像，以產生對應於輸送機定時位置的視覺圖像，以及使用感測系統感測輸送機以產生對應於定時位置的感測矩陣。感測系統具有至少一組類比鄰近度感測器陣列。控制系統將視覺圖像當作視覺胞元矩陣來分析，並產生視覺向量，其含有來自用於顆粒的視覺矩陣之視覺資料。控制系統分析感測矩陣並產生感測資料向量，其含有來自用於顆粒的感測矩陣之感測資料。控制系統取決於視覺資料向量及感測資料向量而將顆粒分類為至少兩個材料分類類別之一。

Description

揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統
本揭示之多種實施例係有關於用於在產線作業中對包括含有金屬之廢料材質在內的廢料進行揀選的系統及方法。
目前廢金屬利用輸送帶或使用包括：藉由產線作業員手動揀選、空氣揀選、振動揀選、磁力揀選、光譜揀選及類似者之各種技術的其他產線作業以高速或大量揀選。通常在進行揀選前，廢料會被切碎以利於廢料中材料的分離和再利用，例如，基於揀選或材料類型來進行揀選。藉由揀選，廢料可重複使用，而非至垃圾填埋場或焚燒爐。另外，相較於從礦石精煉初生原料或從石油製造塑料，經揀選廢料材料之利用使用較少的能源且對環境較有益。若經揀選材料的品質符合規定標準，則可使用揀選廢料代替初生原料。廢料材料可分類為金屬、塑料等，且可進一步分類金屬類型、塑膠類型等。例如，可預期將廢料材料分類及揀選成鐵及非鐵金屬、重金屬、諸如銅、鎳或 鈦之高價金屬、鑄造或鍛造金屬以及其他多種合金。
在一個實施例中，提供一種揀選廢料顆粒的方法。使用視覺系統對包含廢料顆粒的移動中輸送機成像以產生對應於輸送機之定時位置的視覺圖像。採用控制系統將視覺圖像作為視覺胞元矩陣予以分析、識別包含顆粒的視覺矩陣中之胞元、且為該顆粒產生包含來自視覺矩陣之視覺資料的視覺向量。包含廢料顆粒的移動中輸送機係使用感測系統來感測以產生對應於輸送機之定時位置的感測矩陣，其中感測系統具有至少一個陣列的類比鄰近度感測器。控制系統用於分析感測矩陣、識別包含顆粒的感測矩陣中的胞元，並針對該顆粒感產生包含來自感測矩陣之感測資料的感測資料向量。控制系統係取決於視覺資料向量及感測資料向量來將顆粒分類為材料的至少兩種分類類別中之一者。
在另一個實施例中，提供一種用於揀選移動輸送機上隨機定位的廢料顆粒之系統。該系統含有具有成像感測器及照亮的預定觀看區域之視覺系統以在時間區間對經過其中的傳送器成像。該系統含有具有一陣列的類比感應鄰近度感測器感，該陣列的類比感應鄰近度感測器感布置在單一公共平面，該單一公共平面中布置為大致平行於傳送器。控制系統組配為接收及處理從視覺系統獲取的圖像資料以識別輸送機上或觀看區域中的廢料顆粒、分析顆粒的視覺資料以形成視覺資料向量、接收和處理來自感 測系統且定時與視覺資料對應之感測器資料以識別輸送機上的廢料顆粒、分析顆粒的感測器資料以形成感測器資料向量、且使用視覺資料向量與感測資料向量將顆粒分類為材料分類類別。
100:系統
102:(輸送)帶、輸送機
104:顆粒、廢料(材料)、材料
106:(視覺)系統
110:陣列
108:(感測)系統、感測器系統、感測設備、感測(器)總成
114:控制單元
116:表面
118:方框
112:控制系統
122:馬達(及支撐滾輪)
124:清潔系統
126:位置感測器
128:分離器單元
130:第二端部
132:噴射器
134:分離器控制器
136:箱槽
138:分流槽
140:(成像)裝置、相機
142、146:照明系統
144:三維(3-D)成像裝置
148:線雷射機
150:護罩
160:基部構件
162:孔、端面
164:電力導線
166:資料導線
120:第一端部區域
168:行
170:感測器
172:(主動感測)表面、端部表面、主動表面
174:電感線圈
176:電子模組
178:處
180:電磁場
190:訊號處理單元、感測器處理器、資料處理單元
192:圖像處理單元、圖像處理器、資料處理單元
194:人機界面
200、250、300:方法202-232、252-258、302-310:步驟
228、306:方塊
圖1根據一實施例繪示揀選系統的側面示意圖；圖2繪示圖1之揀選系統的頂部示意圖；圖3根據一個實施例繪示與圖1的揀選系統一起使用之感測器總成的頂視圖；圖4繪示與廢料顆粒交互作用的感測器的示意圖；圖5繪示流程圖，其說明使用圖1之系統來分類廢料的方法；圖6繪示與圖5的方法一起使用的分類方法流程圖；圖7A及圖7B繪示由圖5及圖6之方法所使用並使用圖1-圖2之系統而獲得鑄鋁材料之視覺及感測器圖像；圖8A及圖8B繪示由圖5及圖6之方法所使用並使用圖1-圖2之系統而獲得的鍛鋁材料之視覺和感測器圖像；圖9是供設定校準和分類參數所使用之樣本資料的圖表。
圖10繪示與圖5的方法一起使用的另一種分類方法流程圖；及圖11繪示劃分主要成份空間以用於創建與圖10之分類方法一起使用的查找表。
按需要，本揭露提供詳細實施例；然而，應該理解的是所揭露之實施例為示例，並且能以多種及替代的態樣實施。圖示並非依照比例；某些特徵可能被放大或最小化以顯示特定元件的細節。因此，所揭特定結構及功能細節不應被解釋為限制，而僅為教示本領域所屬技術人員以各種方式使用本揭露的代表性基礎。
應認知的是，本揭露的任何電路或其他電氣裝置可包括任何數量的微處理器、積體電路、記憶體裝置(例如：FLASH、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電氣式可規劃唯讀記憶體(EPROM)、電氣式可抹除可規劃唯讀記憶體(EEPROM)或其合適的變化態樣)及交互作用以執行本揭露操作之軟體。此外，如本揭露任何一或多個電氣裝置可組配為執行電腦程式，包含在非暫時性電腦可讀媒體之該電腦程式係程式化來執行本揭露之任何數量的功能。
圖1-圖2繪示用於將廢料分類為兩種或更多種材料分類類別，然後將材料揀選為其指定揀選之系統100或設備。在其他示例中，系統100可與其他分類及揀選系統一起使用或整合，例如在用於分類及揀選廢料之較大 型產線作業。
輸送帶102或用於移動物體沿著一路徑或方向的其他機構支撐待揀選的顆粒104，本揭露示出物體沿著y方向。待揀選的顆粒104由廢料材料所組製，例如：來自車輛、飛機、消費性電子產品、回收中心之廢料或本領域已知之其他固體廢料。在通過揀選系統100或更大的揀選設施之前，材料104通常藉由粉碎過程而被分碎成厘米或毫米等級的較小碎片。在隨機定位及定向在輸送機102的單一層體顆粒104可具有隨機且變化很大的形狀，且具有不同的屬性。顆粒104可包括混合材料。在一個示例中，廢料材料包括線材，並且顆粒104可包括包括三維形狀之各種形狀的線材。在另一個實例中，顆粒104可包括鑄造和鍛造材料的混合物，例如鑄鋁合金及鍛鋁合金。
系統100將粒子104分類並揀選為兩種或更多種選定的材料類別。在一個示例中，執行二進制排序以將材料104分類為兩個類別。在另一個例子中，材料被分類為三種或更多種材料。輸送帶102在x方向上沿寬度方向且橫向延伸，並且材料104的碎片或顆粒隨機地定位在帶102上。在各種示例中，可對不同的廢料進行揀選，例如，金屬與非金屬、混合金屬類型、鑄造與鍛造、線材與非線材等。
至少一些廢料顆粒104可包括不銹鋼、鋼、鋁、鈦、銅、含有金的貴金屬及其他金屬與金屬合金。廢料顆粒104可額外含有某些具有足夠導電性的金屬氧化物 以用於感測及揀選。此外，廢料顆粒104可以是混合材料，例如：塗有絕緣層的金屬線、電路板及其他電子廢料的部分、來自具有金屬帶嵌入橡膠之輪胎的廢料以及至少部分包埋、封裝或嵌入絕緣材料、橡膠、塑料或其他非導電材料的其他金屬。廢料104可提供為含有其他金屬及金屬合金之非鐵材料。應注意的是，本揭露內容提到之導電意指顆粒是電氣可導通或含有金屬。本揭露所提到之不導電是指非電氣可導通，並且通常包括塑料、橡膠、紙及電阻率大於約1毫歐姆．厘米(mOhm．cm)的其他材料。
從線材所提供的廢料顆粒104可能難以使用其他傳統的分類和揀選技術來偵測，因其通常具有彎曲或其他曲折形狀的低質量且可能被塗覆，因而通常提供幾乎無法辨別的訊號。或者，廢料顆粒104因相似材料卻使用諸如鑄造與鍛造材料不同技術進行處理，可能難以使用傳統分類及揀選技術進行分類。根據本揭露之系統100能感測及揀選此等類別的廢料材料。
廢料材料104在與系統100一起使用之前可經切碎或以其他方式處理。另外，廢料材料104在與系統100一起使用之前可經量測尺寸，例如使用氣刀或其他量測尺寸系統。在一個示例中，廢料顆粒可在與系統100一起使用之前進行粗略揀選，例如，使用包涵數位電感式鄰近度感測器之系統來分類及區分導電與非導電材料、或者使用磁力揀選系統從非鐵材料移除鐵。在由系統100分類成所需分類類別之前，顆粒104可使用渦流分離器或其他 裝置進行預先揀選以對材料進行粗略揀選。一般而言，廢料顆粒104經切碎且經量測以具有與感測器端面直徑相似或相同等級的有效直徑。接著，將顆粒104分散在帶102形成分散顆粒的單一層體以避免顆粒之間的重疊，並為了感測及揀選之目的而提供相鄰顆粒之間隔。顆粒104可在分散、感測或揀選之前進行乾燥來提高揀選程序之效率及有效性。
廢料材料的顆粒104係提供至帶102的第一端部區域120。帶102使用一或多個馬達及支撐滾輪122來移動。包括控制單元114的控制系統112控制(多個)馬達122以對帶102之移動及速度進行控制。
(輸送)帶102可通過相鄰如圖1所示之清潔系統或裝置124。清潔系統124延伸橫跨過帶102之帶寬且可包括用於去除灰塵之加壓空氣源、提供諸如水之液體噴霧至輸送機102表面上以清潔輸送機或創建暗化、較均勻之輸送機表面來作為背景的加濕裝置，及/或諸如刷子之其他裝置。在顆粒沉積至帶上之前，清潔系統124可與輸送機102相互作用，並且在一些示例中，清潔系統124位於輸送機返迴路徑且位於輸送機下方。
系統100具有視覺系統106，其在帶102經過視覺系統106之觀看區域時對帶102成像。在一個示例中，視覺系統106提供可見光譜形式之彩色圖像。在其他示例中，視覺系統106提供另一個多通道圖像。帶102經過視覺系統106，其包括當移動通過系統106時對材料成像的成像 裝置140。視覺系統106基於與成像裝置140相關聯之觀看區域來創建帶102區域的圖像。
該系統還具有感測系統108或感測設備108，其在傳送帶102通過時提供感測資料。在一個示例中，且如下所述，感測設備108包含一或多個諸如類比鄰近度感測器之感測器陣列。在所示的範例中，例示一個感測器陣列110；然而，系統100可具有單一陣列110、或者多於兩個陣列110。每個陣列110包括多個詳如下述之類比鄰近度感測器，且響應於感測到傳送機102上之顆粒104，陣列110中的感測器提供類比訊號。
相對於數位感測器，每個陣列110中感測器係提供為類比鄰近度感測器。對於類比感測器，訊號輸出可變化且可以是範圍內的任何數值，例如電壓範圍。相反地，對於數位訊號，訊號輸出僅為諸如0或1之二進制訊號、或為一組離散的有限數值的其中一者。本揭露之揀選及分類系統100使用類比感測器以提供訊號中較高解析度。舉例而言，類比感測器可輸出在0和12伏特之間變化的直流電壓，且該訊號可以是該範圍內的任何數值，例如4.23伏特。對於數位感測器，訊號輸出可能是兩個離散值中之一者，例如對應於一組臨界值之任一端的電壓值。
視覺系統106和感測系統108繪示成依序布置於系統100中，具有顆粒之帶102在通過感測設備之前會先通過視覺系統106。在其他示例中，如圖1之虛線所示，視覺系統106可沿帶定位於感測系統108之後，或是視覺系 統106可定位在感測設備108上方並且位於沿著帶102的相同位置。
置放馬達及支撐滾輪122使得陣列110與承載有顆粒的帶102直接相鄰。舉例而言，帶102可直接置放在所支撐顆粒104與陣列110之間，使得陣列110直接位於承載有顆粒104的帶102區域下方。馬達及支撐滾輪122可帶領在陣列110下方之返回帶，使得陣列110置放於由帶102所形成的閉合型環形內。
視覺系統106及感測系統108分別提供視覺資料及感測資料給控制系統112，控制系統112使用視覺及感測資料來如後述地對顆粒進行揀選，例如，使用多重判別分析。
控制系統112及控制單元114可包括一個或多個位置感測器126或與一個或多個位置感測器126通訊以判定帶102之位置以及時間點，以在帶上之顆粒104移動通過系統時使用定位和追踪顆粒104。(多個)位置感測器126可由數位編碼器、光學編碼器或其類似者來提供。在一個示例中，輸送機102大約以每分鐘200至800英尺的速度進行線性移動，但也可以是其他速度。在另一個例子中，帶102具有以每分鐘300至500英尺之線性速度，且可對應於以每毫秒2毫米的帶移動而具有以每分鐘400英尺的速度，或其他類似速度。可擇定速度以允許視覺及感測器系統有足夠的曝光時間且同時滿足所需的顆粒運輸量。
控制系統112至少使用如下所述的色彩資料 及感測資料來識別帶102上的顆粒104，並將每個顆粒104分類為多個分類類別中之一者。接著，控制系統112使用各個顆粒104之分類類別、顆粒位置及傳輸帶102位置來控制分離器單元128以對顆粒104進行揀選和分離。
系統100包括位於輸送機102之第二端部130的分離器單元128。分離器單元128包括噴射器系統132，其用以基於顆粒104的分類類別來分離顆粒104。分離器單元128可具有與控制系統112及位置感測器126進行通訊之分離器控制器134以選擇性地啟動適當的噴射器132來分離位於輸送機上已到達帶的排出端130的選定廢料顆粒104。噴射器132可用於將顆粒104揀選成材料的兩個類別、三個類別或任何其他數目類別。噴射器132可以是氣動式、機械式或本領域已知其他形式。在一個示例中，噴射器132是空氣噴嘴，其選擇性啟動來將空氣射流引導到選定廢料顆粒104上以在選定顆粒離開傳送帶時改變其軌跡，致使顆粒被選擇性地引導且揀選至個別箱槽136，例如使用分流槽138。
循環迴路亦可存在於系統100中。若存在，循環迴路將無法分類的顆粒104並重新繞行通過系統100以重新掃描及重新揀選。
視覺系統106包括成像裝置140及照明系統142，而帶102與顆粒104經過其下方。成像裝置140可以是具有數位色彩感測器的相機，例如電荷耦合器件(CCD)或互補金屬氧化物半導體(CMOS)感測器。在一個示例 中，成像裝置140以足夠頻率掃描來提供輸送機102的序列圖像圖框之連續饋送的線掃描相機，並且是三晶片RGB彩色CCD相機。在其他示例中，成像裝置140可包括CMOS感測器或另一感測器，或者可使用諸如HSV與HSL或其他通道之另一種色彩模型來提供圖像。相機140具有聚焦於帶102的相關觀看區域。相機140可以是提供紫外光、可見光及/或紅外線通道之多光譜或高光譜相機。
視覺系統106可附加地或替代地包括具有其自有的照明系統146的三維(3-D)成像裝置144。3-D成像裝置144可以是單一相機或一對相機，其觀看由線雷射機148所產生的雷射線輪廓並使用線雷射機之垂直位移來判定顆粒104的頂表面輪廓。在另一個實施例中，其可以是耦合至快速一維(1-D)掃描鏡的飛行時間雷射測距系統，快速一維(1-D)掃描鏡是用來掃描帶102的寬度。或者，可使用立體/雙相機3D系統或任何其他本領域中已知3D成像系統。
照明系統142照亮帶102的觀看區域來將經控制一致亮度之觀看區域提供給成像裝置140。照明系統142可與護罩150一起提供，護罩150包括支撐一個或多個發出寬頻可見光的燈之框架，例如：螢光燈泡、寬頻LED或鹵素燈泡。照明系統142還可包括用於準直及均勻照明的柱狀透鏡及/或設置於燈與輸送機102之間的一個或多個漫射板。
控制系統112使用關於輸送機102之位置的 資訊來控制視覺系統106，例如，使用來自位置感測器126的輸入以判定輸送帶102之線性前進及帶上的廢料顆粒104之相關前進。當輸送帶102已前進與觀看區域長度相等的距離時，控制系統112可控制視覺系統106以獲取觀看區域的圖像。成像裝置140包括圖像檢測器或感測器，其電氣式地記錄輸送機102將廢物顆粒輸送通過的觀看區域圖像。
根據一個實施例，圖3繪示感測總成108的俯視圖，以及圖4繪示與圖1至圖3的系統100一起使用的感測總成中感測器的示意圖。感測系統108或感測設備108在輸送帶102通過時提供感測資料。
在一個示例中，且如下所述，感測設備108包含一個或多個諸如類比鄰近度感測器之感測器陣列110。在所示的範例中，例示一個感測器陣列110；然而，系統100可具有多於一個陣列110。各個陣列110包括多個如下詳述的類比鄰近度感測器，且響應於感測到輸送機102上之顆粒104，陣列110中的感測器提供類比訊號。
在本示例中，系統100使用類比電感式鄰近度感測器，既然感測器只能檢測導電材料，致使系統可用來在兩種或更多種金屬之間進行揀選。另外，系統100可用於揀選包括具有混合組成物的顆粒104的廢料材料，例如：絕緣線或其他塗層線。在各種示例中，系統100用於對以下群組中之至少兩者進行揀選：金屬線、金屬顆粒、以及鋼及/或不銹鋼，其中金屬顆粒具有介於線材與鋼/不 銹鋼群組之間的導電性且可包括銅、鋁及其合金。系統100可用於揀選具有大至25厘米或更大之有效直徑、小至2毫米或22-24號規線材的廢料顆粒104。在其他示例中，系統100可用於揀選不含金屬的廢料顆粒104及含有金屬的廢料顆粒104。
感測器陣列布置在橫向延伸穿過傳送帶102的基部構件160中。基部構件160為感測器陣列提供支撐及定位。在一個示例中，基部構件160由感測器板提供，感測器板界定與上表面相交的孔162之陣列，各個孔的尺寸設計成收納類比鄰近度感測器的陣列110中對應感測器170。在其他實施例中，可使用其他結構或支撐部件將感測器定位及固定到總成的陣列中。基部構件160提供電力導線164的電纜佈線以向各個感測器170提供電力，且亦提供資料導線166以將來自各感測器170的類比訊號傳輸到控制系統112中的訊號處理單元190或感測器處理器190。
各個感測器具有端面或主動感測表面172。感測器170係布置成陣列110，使得各個感測器端部表面172彼此位在共同的平面，且位於與帶的表面116平行之表面、或者大致上與帶平行之表面，例如：彼此相差五度、或在合理的誤差或容差範圍內。感測器的端面162大致上同樣位於共同的平面中，例如，在可接受的誤差或公差範圍內，諸如在感測器端面直徑的5%-10%或更小的範圍內。感測器170布置在陣列110中的一系列的行168中，當感測器總成與系統100一起使用時，各個行168配置成橫向 延伸通過感測器總成108且延伸通過帶102。陣列110中各個行168可具有與所示數量相同的感測器170，或可具有不同的數量。一單一行168中的感測器170沿著如所示之橫向方向自相鄰行168中的感測器170偏移以提供帶102寬度的感測覆蓋力。陣列110中的感測器170布置在X-位置或橫向且忽略Y位置以使得相鄰的感測器具有重疊或相鄰的電磁場。感測器170可間隔開以減少同行168中的相鄰感測器之間以及鄰行168中的感測器之間的干擾或交擾。在一個示例中，陣列中所有感測器170為相同類型及相同尺寸的感測器。在其他示例中，陣列中的感測器170可以是不同的尺寸，例如，兩種、三種或更多種不同的尺寸。
感測器170可基於端部表面172的主動感測區域或表面區域之尺寸來選擇。感測器還可基於感測器的靈敏度及回應速率來選擇。在一個示例中，端部表面172與待揀選的顆粒104之尺寸為大致上相對應或為相同等級，例如，致使感測器是用來揀選具有感測器表面積之50%、20%、或10%以內之投影面積的顆粒。舉例而言，感測器端部表面172面積可在2毫米至25毫米的範圍內，而在一個示例中，在12-15或15-20毫米等級以供用於具有諸如在兩倍或更多的相同尺寸範圍之有效直徑的廢料顆粒104。因此，儘管廢料材料104可在分配到帶上前先經過粗略的揀選程序，系統100仍允許廢料顆粒的尺寸變化。在另一個示例中，端部表面172區域可選擇為小於待揀選顆粒的尺寸，例如，致使感測器用於揀選具有感測器表面區 域之200%-500%內之投影面積的顆粒。在其他示例中，感測器端面區域和待揀選的顆粒的尺寸可具有另一種靶定關係。
感測器170可基於待揀選的材料來選擇。在本示例中，陣列110中的感測器170為各個感應類比鄰近度感測器，例如，供檢測及揀選金屬所用。感測器170當感測器中的電流產生磁場而創建出感應迴路。感測器輸出指示在迴路中流動電壓的訊號，該訊號基於迴路中所存在之材料104而改變，且亦基於金屬顆粒的類型或尺寸、抑或線材相對於固體顆粒而改變。控制系統112可使用類比電壓訊號的振幅度來分類材料。在進一步的示例中，控制系統112可附加地或替代地使用類比電壓訊號的變化率來分類材料。控制系統112可使用由系統108所判定以下之至少一者來分類與顆粒相關聯的區域：峰值電壓、電壓變化率、平均電壓、與顆粒區域相關聯的面積上的電壓和、使用顆粒面積除以邊界框面積所判定之面積比例因子、取決於顆粒周長及顆粒面積所判定之緊密度因子及其類似者。
在本示例中，陣列110包括5行168的感測器170，每行具有24個相同的類比電感式鄰近度感測器，每個感測器具有18毫米的端面直徑。因此，陣列110含有120個感測器。每行168中的感測器170以大約感測器直徑的五倍彼此間隔開以減少感測器之間的串擾和干擾，以及在其他示例中，感測器170是以感測器直徑的五倍以上之距離間隔開。因此，每行感測器170的數量取決於感測器直徑 以及行的長度，行的長度為對應於帶的寬度。行168的數量取決於帶的寬度、感測器數量與尺寸以及系統100所欲之感測解析度。在其他示例中，行可具有更多或更少數量的感測器，且陣列可具有更多或更少的行數，例如10行。
在本示例中，每行168同樣與相鄰的行以大約感測器170直徑的五倍之相似方式間隔開，且在其他示例中，感測器170以感測器直徑的五倍以上距離間隔開。一行168中的感測器170是從相鄰行的感測器橫向偏移。雖系統100之感測器170可位於不同縱向位置，當感測器170位置投射到共同橫向軸或x軸時，所述陣列之感測器170提供橫跨帶的間隔12.5mm置放之感測器。因此，控制單元使用具有一行的120個胞元之矩陣或線掃描圖像以與陣列中的感測器布置相對應。在帶上隨機定位的廢料顆粒104可能經過陣列中的至少兩個感測器170的電磁場，且與之相互作用。在揀選總成的吹桿中，各個感測器170具有至少一個相對應的閥體或噴射器132。
陣列中感測器的端部表面172位於單一公共平面或感測器平面中。該平面與含有帶之上表面116或帶平面的平面平行且間隔開。感測器平面與帶平面以距離D間隔開，例如，小於5毫米、小於2毫米或1毫米。大體上，可藉由減小D來提供經改善的揀選性能。感測器平面與帶平面間隔之距離D可以是具有額外間隙距離之帶102厚度以提供帶102經過感測器的陣列110之移動。
陣列110中感測器170可全部以相同的頻率 操作，使能利用測量直流、類比、電壓幅度值來分類材料。在其他示例中，可使用來自感測器170的附加資訊，例如電壓的變化率。當廢料顆粒104隨著輸送帶102移動時，顆粒經過陣列110的感測器。顆粒104可穿過或經過陣列中一或多個感測器170之電磁場。當顆粒104進入感測器電磁場時，電磁場被擾亂。基於顆粒的材料或電導率由感測器170所量測之電壓因而改變，且可額外地基於材料的類型或質量而改變，例如線材與非線材。由於感測器170是類比感測器，其提供具有指出感測器正在感測的材料資料之類比訊號，例如，由感測器170量測的直流電壓的振幅可用於分類顆粒。
由於顆粒104全部由輸送帶102支撐並置放於其上，因此廢料顆粒全部置放在與感測器陣列110的感測器平面共面之共同帶平面上。基於上述，當顆粒以相距感測器陣列上方之距離D經過時，各個顆粒的底面皆與感測器陣列等距離。當廢料顆粒是由量測尺寸及和揀選程序所提供，系統100中廢料顆粒具有相似尺寸，然而，廢料顆粒的尺寸以及顆粒的形狀可能存在差異性，使得帶上的顆粒的上表面與感測器陣列上方的距離可以是不同。因此，顆粒可以具有隨著系統100揀選不同顆粒而有不同厚度、或介於與帶接觸的底表面及其相對上表面之間的距離。廢料顆粒以特定厚度與陣列中的感測器交互作用，特定厚度係對應於由感測器尺寸和電流所判定感測器穿透深度。
圖4繪示陣列110中感測器170及帶102上顆粒104之局部示意性剖視圖。由圖可知，帶102上表面116或帶平面距離感測器平面上方為距離D，感測器平面包含感測器170之端部表面172。感測器170包含由諸如銅線的匝線製成的感應線圈174及包含電子振盪器和電容器的電子模組176。感測器170從外部電源接收電力。電感線圈174及電子模組176的電容器透過電源持續供電以產生在一個頻率之正弦波振盪。電磁場是藉由振而盪產生並且自感測器170的端部表面172或主動表面172延伸而出。電磁場不受導電顆粒的干擾，例如，當在帶102上沒有廢料材料時，如178處所示。當含有諸如金屬之導電材料的廢料顆粒104進入電磁場時，若干振盪能量移轉到廢料顆粒104並產生渦流。廢料顆粒和渦流導致感測器170的電力損失或減少，並且造成電磁場180具有減小的振幅。諸如電壓之感測器170振幅是透過輸出來提供為源自於感測器的訊號。值得注意的是，對於類比感測器，感測器170可連續提供由控制系統112週期性取樣或獲取之輸出訊號，例如，作為電壓範圍內的可變電壓。
回到圖1-圖2，控制系統112接收來自視覺系統106的圖像，並使用圖像來定位及追蹤帶上材料的顆粒104。控制系統112使用成像資料來判定與帶102上各個顆粒104相關聯的視覺資料或色彩資料。控制系統112亦使用來自感測設備108的訊號來判定與各個顆粒104相關聯的感測資料。控制系統112可使用視覺資料及/或感測資料來 定位及追蹤帶102上的顆粒104。控制系統112使用視覺資料及感測資料用於在顆粒隨著帶移動時將顆粒104分類成兩個或更多個分類類別。在一個示例中，控制系統112進行多判別分析，結合針對顆粒之視覺資料及感測資料來分類顆粒。
控制系統112及控制單元114可藉由採用多個處理器的網路電腦系統來提供，以實現在多個不同處理器上連續且同時處理之高速、多任務環境。在控制系統112中，各個處理器因此能提供多任務環境，其中許多功能上不同的程式可在優先等級及需求之基礎上同時啟動、共享處理器。用於支援在程序所識別之功能的硬體實現方式的選擇亦可取決於系統大小與速度，以及待揀選類別。
在控制單元中提供圖像處理單元192、或圖像處理器192以週期性地獲取及處理圖像。圖像處理器192包括用於組合來自相機的各個圖像之邏輯組件。圖像處理器192可將觀看區域的各個圖像劃分成胞元矩陣，並分析對應於圖像的數位資料以判定輸送機102上顆粒104的位置以供在分離器單元128中使用，並判定或擷取用於分類和揀選程序的各個顆粒104之視覺資料。圖像處理器192接收指出輸送機102之位置的訊號以及何時獲取圖像，使得輸送帶在其經過觀看區域時被成像為輸送帶之離散化區段的一系列連續圖像。控制系統114及控制單元112之圖像處理器192可如下述地用於圖像所記錄的各個數位像素值執行各種分析。
控制系統112可包括訊號處理單元190、或感測器處理器190，例如，用於將來自陣列110的訊號量化及數位化以供控制單元114在對顆粒104進行分類及揀選時使用。感測器處理器190可對類比訊號進行量化和數位化以維持訊號及資料中的預定解析度，例如，精準至十分之一或百分之一伏特、或者可以將類比訊號轉換為8位元(或更高精密度)數值。
控制系統112使用關於輸送機102之位置的資訊來控制感測總成108，例如，使用來自位置感測器126的輸入以判定輸送帶102的線性前進及帶上的廢料顆粒104相關前進。控制系統112可控制感測器處理器190及感測總成108以在輸送帶102已前進預定距離時獲取感測器資料，並且將帶102上位置對應至視覺資料使得相同顆粒皆藉由系統106、系統108檢測及分析。
控制系統112含有一或多個資料處理單元190、資料處理單元192以從系統106、系統108獲取及處理訊號及資料。在一個示例中，資料處理單元190、資料處理單元192與控制單元114整合；而在其他實施例中，此等處理單元為獨立。
用於感測器系統108之感測器處理器190包括用於將來自各個感測器的資料組合成帶102之表示的邏輯。感測器處理器190可將帶之橫截面表示為胞元矩陣，並分析感測器資料以判定輸送機102上顆粒104的位置，並判定各個顆粒104的輸入以用於分類及揀選過程。感測器 處理器190接收指出輸送機102之位置的訊號及何時獲取感測器資料，使得輸送帶在經過感測器總成108及陣列110時「成像」為輸送機102的一系列離散區段，並創建帶的線掃描圖像之感測器資料矩陣。控制系統112和感測器處理器190可如下所述對感測器資料矩陣執行各種分析，或者以其他方式操控感測器資料。
控制系統112使用視覺資料和感測資料，例如，將來自感測總成108的訊號量化和數位化，以將顆粒104分類為兩個或多個預選分類類別中之一者。基於分類結果，控制系統112控制分離器單元128以基於相關分類類別對顆粒104進行揀選。控制系統112亦可包括一或多個顯示螢幕及人機界面194，供控制系統100於作業期間使用以及供校正或系統設置使用。
圖5繪示使用如圖1-圖4中所示之系統100的控制系統112以分類顆粒104的方法200。在其他實施例中，可組合、重新排列或省略方法200中的各個步驟。
在步驟202，控制系統112基於輸送機102的位置將線觸發訊號提供給相機140以獲取單線(單行)。響應於收到線觸發訊號，相機140獲取線掃描圖像。當帶移動產生帶之區域的圖像或圖框時，相機可被控制以獲取多個連續線。
在步驟204處，控制系統112形成與線掃描圖像相關聯的第一矩陣或圖像矩陣，線掃描圖像亦鏈接到帶102的位置或坐標以供分離器單元128使用並用於與裝置 108之協調及感測資料擷取。在步驟202，圖像矩陣覆蓋圖像，使得矩陣中的每個胞元與圖像中的一或多個像素相關聯。在一個示例中，圖像矩陣可具有與各個像素相關聯的胞元。在其他示例中，圖像矩陣可具有與多個相鄰像素相關聯的一個胞元。圖像矩陣之大小可設置為與如下所述之感測器矩陣的大小相對應，例如，具有相同行列比例。
圖像處理器192或控制系統112可使用具有多個胞元的矩陣以及矩陣的陣列，其包括[R,G,B]色彩通道資料以及關於顆粒位置的附加資訊，以及如下判定之顆粒性質。圖像處理器192或控制系統112可替代地使用諸如MATROX的成像庫處理工具來創建表格或其他資料庫，其填充有針對每個顆粒的像素資料，包括[R,G,B]值、邊界資訊、以及如下判定之顆粒性質。
各個圖像矩陣可使用對應於由相機140中的感測器檢測到的觀看區域之紅、綠色及藍色區段或色彩成份中各者的RGB訊號來形成。在其他示例中，可將基於不同色彩空間及色彩模型以指出用於圖像的色彩之其他色彩訊提供給號圖像處理器192，該圖像包括可從相機提供之至少三色成份或其他通道，例如，灰階、不可見光譜及類似者。由圖像處理器192將來自相機140的RGB訊號組合或轉換為用於各個圖像矩陣之三個陣列，各個陣列具有對應於紅色、綠色及藍色圖像中之一者。圖像處理器192可組合線掃描圖像資料以與陣列形成具有陣列之更大、合成圖像矩陣。針對紅色、綠色和藍色圖像中之各者，各個陣列 可以是1024×2048數位像素值(從0到255)。陣列可覆蓋來為各個像素或圖像矩陣中的各個胞元提供具有三個通道或RGB通道的彩色圖像。RGB值以[R,G,B]值的資料集方式提供給圖像矩陣中的像素或胞元，各個值之範圍為從0到255。
圖像處理器192可使用快速傅立葉轉換(FFT)來轉換圖像矩陣、拒絕高頻雜訊及/或拒絕表示帶圖樣雜訊之X及/或Y方向上的特定頻率，接著採用逆FFT回復改善圖像矩陣。控制系統112係用以透過FFT轉換圖像來減少圖像上的雜訊以在頻域中創建圖像之表示、從表示中移除至少一個特定頻率、以及透過逆FFT將圖像轉換回圖像。
控制系統112可額外地對於圖像的各個色彩通道標準化以校正光源中的任何光譜不平衡，圖像的各個色彩通道可例如，RGB色彩空間的R圖像或陣列、B圖像或陣列、以及G圖像或陣列。舉例而言，圖像中的各個像素可具有使用與各種色彩相關聯的查找或校準表來修改的R值、G值及/或B值。用於圖像之色彩校正的校準或查找表可基於利用中性背景、校準卡及類似者的校準處理來獲得。
在步驟206處，控制系統112藉由區分顆粒與指出輸送機102之背景以識別可能包含顆粒104的圖像矩陣之胞元或圖像之像素。區分顆粒104與背景係藉由採用圖像或矩陣的至少一個通道上的臨界值以及當至少一個通 道的數值超過臨界值時標記像素或胞元以指出顆粒104之存在。用於區分視覺矩陣中顆粒的臨界值可基於視覺系統與視覺矩陣及/或下述的感測系統與對應之感測器矩陣。
作為顆粒識別過程的一部分，控制系統112可藉由拼接圖像矩陣來進行圖框對圖框拼接，圖像矩陣係介於緊接在前的時間以及緊接在後的時間所拍攝的圖像矩陣。藉由將圖框拼接在一起，帶之較大連續區域可藉由控制系統112進行分析以用於顆粒識別及用於位在中心圖像矩陣上顆粒之圖像資料。舉例而言，可將三個圖框拼接在一起，其中時間t1的圖像圖框係拼接在前一個時間t0的圖像圖框與下一個時間t2的圖像圖框之間。包括已拼接矩陣的圖像矩陣可臨時儲存在可由控制系統112存取之記憶體中的資料緩衝器。由於顆粒可能延伸跨越一個以上的圖像矩陣或圖框，使用拼接有助於識別顆粒並獲得對於帶上單一顆粒之完整的圖像資料。
在步驟208，控制系統112創建具有與帶的位置相關聯之資訊的視覺資料向量、指向圖像矩陣上所識別顆粒之位置及邊界的圖像指標、以及諸如色彩輸入及類似者之與顆粒相關聯的任何其他圖像或視覺資料。在一個示例中，控制系統112使用經拼接的矩陣來參考圖像指標及中心矩陣或圖框以創建視覺向量。控制系統112額外進一步分析所識別顆粒區域以提供額外之色彩資料及/或圖像資料，並為各個所識別顆粒區域創建視覺資料向量。控制系統112可進一步處理與顆粒104相關聯之圖像或矩陣的 區域，可使用各種機器視覺處理技術來侵蝕、擴張、填充孔洞或其他方式修正或校正與所識別顆粒104相關聯之圖像或矩陣的區域。
控制系統112及圖像處理器192可計算所識別顆粒的色彩輸入，舉例而言，對於各個像素使用基於色彩成份的色彩模型，各個像素係位在與顆粒關聯之矩陣的圖像或胞元。控制系統112可將色彩標準應用於與顆粒104相關聯的圖像之像素或矩陣之胞元以判定顆粒的色彩輸入。在其他示例中，控制系統112可評估與顆粒104相關聯的圖像之像素或胞元的群組。舉例而言，控制系統112可在判定顆粒104的整體色彩輸入，分析相鄰像素或胞元中色彩成份的頻率及/或分佈。
控制系統112從與顆粒相關聯的矩陣之圖像或胞元的各個像素接收色彩成份，並且圖像的各個像素可具有三個或更多個色彩成份，例如，如前述之三個RGB通道。因此，對於各個所識別顆粒104之各個像素，控制系統112獲得色彩成份，例如R,G,B、或H,S,V、或諸如來自具有多於3個色彩成份的多光譜相機資料的其他色彩空間基礎。
在一個示例中，控制系統112可對與顆粒相關聯之所有像素的R值、與顆粒相關聯之所有像素的B值以及與顆粒相關聯之所有像素的G值進行平均，從而得到關於顆粒的視覺向量，其具有諸如[Raverage,Baverage,Gaverage]之三個純量數值的色彩資料集。在其他示例中， 控制系統112可基於諸如HSV等等之另一種色彩模型或空間來計算顆粒之平均色彩成份數值。在另一示例中，控制系統112可為顆粒104的各個色彩成份創建直方圖使得使用RGB色彩空間的識別顆粒區域可有R直方圖、G直方圖及B直方圖、或者關於顆粒104之單一直方圖，其具有三組間距(bins)，各組間距與色彩空間的不同色彩成份相關聯，如分為8位元、16位元或其他大小的間距。控制系統112可將直方圖標準化，例如，使用顆粒的像素區域。最終輸入至視覺向量包含多個純量數值的資料集，該等純量數值是基於與各個間距相關聯之數值。控制系統112以附加地或替代地採用判別分析來判定視覺向量的一或多個色彩輸入或數值。
控制系統112可額外地計算或判定包含在視覺向量中的顆粒之其他視覺參數，包括：紋理特徵、色彩成份標準偏差、灰階數量、長寬比、無因次周長(周長除以面積的平方根)或來自圖像或矩陣的所識別顆粒的另一視覺特徵作為顆粒的視覺特徵。紋理特徵可包括級別、藉由對顆粒進行臨界值處理或藉由從一個級別圖像中減去另一個而創建孔洞之數量、總孔洞面積佔總面積之比例、最大孔洞面積佔面積之比例以及Haralick紋理特徵。控制系統112可藉由透過快速傅立葉變換(FFT)轉換圖像來將紋理值指定給顆粒。FFT量值圖像中的不同頻帶的平均對數量值可用來區分紋理特徵。
在另一示例中，視覺系統106可結合三維視 覺元件，例如，透過添加雷射剖析器及類似者。雷射剖析器將額外的視覺資料陣列添加到圖像矩陣中。可從三維資料訊框中擷取各種圖像參數並將其添加到圖像向量，例如，三維體積、斜率、峰值高度、最大及最小高度之差、高度等級等等。舉例而言，可使用三維資料確定鑄造材料和鍛造材料之間的差異，例如，鑄造材料具有比鍛造材料更平坦的輪廓。在其他示例中，三維視覺元件包括近紅外視覺資料，以及諸如添加散射與範圍和強度的附加視覺資料。
在步驟220及步驟222，控制系統112使用從陣列110中的感測器所得到訊號以獲取感測器資料，並處理訊號以形成第二矩陣或感測器矩陣。控制系統112使用藉由陣列110中的感測器接收到的訊號來創建感測器矩陣，該等感測器以與線掃描圖像類似的方式來表示帶102。若感測器並非布置為單行，則根據每個感測器沿Y方向的距離，即顆粒行進或帶102移動的方向，在資料經獲取至「線掃描」時作出適當地補償。控制系統112及感測器處理器190獲取並處理來自陣列110和感測總成108中之感測器的訊號，以從一系列的線掃描圖像中創建感測器矩陣。感測器矩陣由一序列的行形成，各個行表示延伸帶102寬度之帶的窄帶。各個行被分成多個胞元，並且處理單元將來自感測器的資料輸入到胞元使得矩陣為輸送帶102的表示方式，例如，矩陣表示當輸送機102穿過陣列110時的離散化區段或位置。
當控制系統112及感測器處理器190從感測器170接收資料時，控制系統112及感測器處理器190形成與感測器陣列110相關聯的矩陣或線掃描圖像，其亦鏈接到帶102的位置或坐標以供如204所示之分離器單元128使用。感測器處理器190從感測器陣列110接收具有陣列中的各個感測器170的訊號之資料。感測器處理器190接收來自感測器的訊號，並且基於諸如數位編碼器所提供之帶102的位置，將來自選定感測器的資料輸入至矩陣中的胞元。在指定時間所獲取之感測器矩陣來對應於與圖像矩陣相同的帶之位置，並且可基於感測器的數量而具有不同的尺寸或解析度。在一個示例中，感測器矩陣的尺寸為120×144。感測器矩陣提供以矩陣中的各個胞元與陣列中的感測器170相關聯之輸送帶102的表示方式。在一個示例中，感測器矩陣可具有與陣列中的各個感測器相關聯之胞元的線，在投影到共同橫向軸時，感測器排序成橫向地跨越帶，該陣列具有經排序之胞元。因此，矩陣的線中相鄰胞元可與陣列中不同行中的感測器170相關聯。
控制系統112及感測器處理器190從類比感應感測器170接收數位化的直流電壓訊號或量化值。在一個示例中，量化值可以是介於0-255範圍之間的8位元灰階數值。感測器170可輸出介於0-12,0-11,0-10伏特或基於感測器類型的另一範圍的任何值，並且基於感測器電壓輸出，處理器指派相應的位元值。在一個示例中，零伏特等於零量化值。在其他示例中，零伏特等於255之量化值。 在其他示例中，感測器處理器190可使用諸如4位元、16位元、32位元之其他量化值、可直接使用電壓值等等。例如，未感測導電廢料顆粒之感測器170具有10伏的電壓，而感測諸如鋼或不銹鋼之金屬顆粒的感測器可具有約2.5伏的峰值感測器電壓，雖此可能是基於感測器170上的顆粒104的厚度、顆粒是否正在穿過感測器170的整個或僅是部分的電磁場等等而變化。為簡化起見，第二矩陣中使用的電壓值可截短為伏特的十分之一或百分之一。當8位完分類值與類比感測器一起使用時，10伏特可具有量化值0，而零伏特具有量化值255，並且2.5伏特之電壓具有191的相關量化值。
感測器矩陣中胞元係藉由在時間窗格內或在時間戳記處由感測器170量測的峰值電壓來填充。在其他示例中，可對感測器訊號資料進行後製處理以降低雜訊，例如，藉由平均化、正規化或以其他方式處理資料。
感測器處理器190及控制系統112可使用具有胞元之矩陣，其包含關於顆粒位置以及下述判定顆粒屬性之附加資訊。處理器和控制單元112可替代地使用諸如MATROX的成像庫處理工具來創建表或其他資料庫，該等表或其他資料庫填充有各個顆粒的訊號資料，其包括量化的8位元電壓值、邊界資訊以及如所後述其他實施例的其他顆粒屬性。
在步驟224，控制系統112藉由區分顆粒與指出輸送機102的背景訊號來識別可能包含顆粒104之第二 矩陣的胞元。當一群相鄰胞元具有相似數值或指出顆粒104存的範圍內的數值時、或透過將一或多個臨界值應用於感測器矩陣而單一個胞元與背景足夠不同時，顆粒104可與背景區分開。控制系統112接著將這些感測器矩陣胞元組合在一起並將它們識別為指出顆粒的「群組」。用於辨認感測器矩陣中之顆粒的臨界值可基於感測器系統及感測器矩陣及/或視覺系統及前述對應視覺矩陣。
作為顆粒識別過程的一部分，控制系統112可藉由類似前述關於圖像矩陣的方式拼接感測器矩陣來進行圖框對圖框拼接，該感測器矩陣是介於緊接在前的時間及緊接在後的時間所拍攝感測器矩陣之間。藉由將感測器矩陣拼接在一起，帶的較大區域可由控制單元分析以用於顆粒識別及用於感測器矩陣上之顆粒的感測器資料。在一個示例中，控制系統112參考指向中心圖框的感測器指標符以提供關於顆粒位置的資訊而使用經拼接矩陣來創建感測器向量。感測器矩陣或經拼接感測器矩陣可臨時儲存在控制系統112可存取的記憶體中的資料緩衝器。由於顆粒可延伸跨越一個以上的感測器矩陣，使用圖框拼接有助於顆粒識別並獲得用於帶上單一顆粒的完整感測器資料。
在步驟226，控制系統112為各個識別的顆粒區域創建感測器資料向量，其具有關於帶之位置、指向所識別顆粒在圖像矩陣上的位置及邊界之感測器指標符以及諸如電壓值等等與顆粒相關聯的任何其他感測器資料的資訊。控制單元可使用各種機器視覺處理技術進一步處理與 顆粒104相關聯之圖像或矩陣的區域，以修正或校正與所識別顆粒104相關聯之矩陣的區域、或者識別與所識別顆粒相關聯的參數或感測資料，如下所示。
感測器資料向量包含帶之位置、感測器矩陣指標符以及任何感測器資料之相關資訊，感測器資料可例如：峰值電壓、平均電壓、識別為顆粒的區域內之電壓和、顆粒的感測器之電壓變化、平均電壓、與顆粒區域相關的區域之電壓和、使用顆粒面積除以邊界框區域所判定之面積比例因子、取決於顆粒周長及顆粒面積所判定的緊密度因子等等。舉例而言，控制系統112將來自與群組相關聯之胞元的峰值電壓併入到感測器資料向量，例如，群組中最高或最低胞元電壓或量化值。在其他示例中，控制系統112可將用於經識別顆粒區域的值提供給感測器資料向量，譬如：顆粒區域中所有值的總和、所有胞元的平均值、來自顆粒區域中的三個胞元之峰值電壓的平均值或量化值、來自三個連續胞元的峰值電壓或量化值之平均值等等。在進一步的示例中，控制系統112可將顆粒計算值輸入至感測器向量，例如，形狀、大小、長寬比、紋理特徵、電壓標準偏差、或者來自矩陣中感測器資料的群組或經識別顆粒的另一特徵作為顆粒的次要特徵。某些諸如紋理之次要分類特徵可能僅藉由使用小於顆粒大小的感測器來獲得以提供增強之解析度及此等類型分析所需的資料。
雖然方法200在步驟204、步驟206、步驟222及步驟224描述具有單獨之顆粒識別步驟及矩陣處理，但 方法200亦設想如方塊228所示之變化態樣。在一個示例中，不管感測器170是否檢測到該區域中的任何顆粒，方法200僅使用圖像矩陣識別顆粒，以及使用圖像指標標符創建指向感測器矩陣中對應區域之感測器指標符。在另一示例中，不管視覺系統106是否檢測到該區域中的任何顆粒，方法200僅使用感測器矩陣識別顆粒，以及使用感測器指標符來創建指向圖像矩陣中對應區域之圖像指標符。在另一示例中，方法200使用感測器矩陣或圖像矩陣來識別顆粒，例如，當在圖像矩陣或感測器矩陣中識別顆粒時，在兩個矩陣中為該區域創建圖像指標符及感測器指標符。在另一示例中，方法200使用感測器矩陣和圖像矩陣來識別顆粒，如此之圖像指標符及感測器指標符僅在顆粒在圖像矩陣或感測器矩陣兩者中被確實判定時才創建。
在步驟230，控制系統112使用來自視覺向量及感測器向量兩者之資料以分類經識別顆粒區域。控制系統112可使用判別分析技術來分類顆粒。在一個示例中，控制系統112使用如圖6或圖10中所示方法分類顆粒，且如下詳述。
在其他示例中，控制系統112可藉由將向量輸入到機器學習演算法中來分類顆粒。控制單元可使用支援向量機(SVM)、偏最小平方判別分析(PLSDA)、類神經網路、決策樹之隨機森林、諸如詞袋(bag-of-words)模型之向量空間模型、或用於評估資料向量及分類顆粒104之機器學習及分類技術。控制系統112可替代地使用來自視 覺資料及感測器資料的獨立決策、或者具有視覺向量及感測器向量兩者之機率組合的視覺向量及感測器向量來判定最終分類。在一個示例中，基於圖像及感測器向量之分析，使用類神經網路將每個廢料顆粒104分類為材料的預選列表之一。在其他示例中，控制系統112可使用繪製資料向量之查找表，接著基於一個或多個區域、臨界值或截斷平面對群組進行分類。在一個示例中，顆粒104之分類可以是多階段分類。諸如反向傳遞及競爭式學習之已知演算法技術亦可用來預估輸入及輸出資料的給定類別之各種參數或權重。
在步驟232，控制系統112控制分離器單元128來選擇性地啟動噴射器132以基於顆粒分類將顆粒噴射到期望的箱中。控制系統112基於顆粒104的分類、顆粒在帶上的位置以及輸送機102的位置及時間標記來控制噴射器132。
根據一個示例，系統100組配來為對小尺寸且包含具有諸如銅、金或鉑之較高價值金屬的顆粒104進行揀選，前述較高價值金屬可能與其他金屬顆粒混合或以塗層的方式提供。顆粒104可具有屬於公分或更小等級的最大尺寸。顆粒104可在通過視覺系統106及感測系統108之前潤濕、可或者以乾糙顆粒的方式提供來通過系統100。在一個示例中，控制單元112可使用來自感測器及圖像資料之資訊來識別帶102上顆粒104之位置。
在其他示例中，因視覺圖像可具有較高的背 景雜訊，感測器資料為用於識別帶102上顆粒的位置。在另一示例中，感測系統108置放在圖像系統106之前，使得由感測系統108判定的顆粒位置可用於判定圖像資料的區域以供控制單元112及圖像處理單元分析，並減少整體處理時間。控制單元112使用視覺向量及感測器向量分類顆粒104。例如，除了感測器資料之外，控制單元可使用視覺向量來協助使用諸如[R,G,B]資訊的色彩成份來識別金或銅。在其他示例中，控制單元112可進一步使用感測器向量來協助識別輕金屬及重金屬，例如，將顆粒歸類為鋁或鈦材料。
根據實施例，圖6繪示用於分類顆粒104之方法250的流程圖且在方法200之步驟230使用視覺向量及感測器向量作為輸入的期間，其係由控制系統112所使用，並且圖7-圖9提供由方法250所使用資料及分類步驟的示例。在其他實施例中，法250中的各個步驟可組合、重新排列或省略。參考方法250，鑄造及鍛造鋁與鋁合金材料之示例是非限制性示例，且本領域中具有通常技術者將理解如何應用方法250來對材料之其他群組進行分類。視覺向量及感測器向量是用來作為由控制系統112進行判別分析之輸入，以實作方法250來將廢料顆粒104歸類為鑄鋁或鍛鋁。
圖7A繪示來自視覺系統106由鑄鋁所形成的四種不同顆粒的圖像。圖7B繪示來自感測系統108的相同四個鑄鋁顆粒的資料，並且以相同從左到右的順序。
圖8A繪示來自視覺系統106之由鍛造鋁所形成的四種不同顆粒的圖像。圖7B繪示來自感測系統108之相同四個鍛造鋁顆粒的資料，並且以相同從左到右的順序。
回到圖6，在步驟252，控制系統112將視覺向量及感測器向量輸入至分類方法250中，例如，在分析如圖7或圖8所示的其中一個顆粒後。根據本示例的視覺向量及感測器向量具有總共十二個參數或純量值，但是在其他實施例亦可考慮其他數量的參數。針對各個顆粒的視覺向量可包括：視覺指標符、紅色通道平均值、綠色通道平均值、藍色通道平均值、忙碌度評分、周長值、以及針對各個經識別顆粒區域之至少一個孔洞判定結果以及其他視覺數值。忙碌度評分是藉由將像素或胞元與其相鄰像素或胞元進行比較並判定亮度及強度變化來計算得出，其中忙碌度評分是用於顆粒區域的已正規化總和。大體而言，鍛造材料具有比鑄造材料更高的忙碌度評分。周長值可提供經識別顆粒區域與顆粒緊密度的指示，且可使用顆粒的周長除以諸如顆粒區域的平方根之面積因子來計算。「孔洞」之判定可基於圖像中飽和像素以及包括來自矩陣、圖像或增強對比度圖像之以下至少一者：表示針對所識別顆粒區域而量測之孔洞或飽及像素數量的值、藉由所識別顆粒面積來正規化之所識別顆粒區域中的最大孔洞面積、以及藉由所識別顆粒面積來正規化之所識別顆粒區域中的任何孔面積的總和。要注意的是，鍛造材料傾向於具有比鑄造材 料更多的飽和像素或「孔洞」。其他視覺數值可包括用以提供顆粒緊密度的指示之面積比例，例如，藉由與顆粒區域約為相同的邊界框面積來將所識別顆粒區域的實際面積比例正規化。要注意的是，鑄造材料傾向於具有比鍛造材料更大的面積比，因其較密實。
各個顆粒之感測器資料向量可包括感測器指標符、平均電壓、峰值電壓及面積比例因子。在其他示例中，感測器資料向量可包括上述附加數值。要注意的是，鑄造材料傾向於具有來自系統108的較低電壓輸出，使得在感測器圖像中外觀為較光亮。
可藉由組合感測器向量及視覺向量來提供用於判別分析的附加數值或輸入，控制系統112以基於資料進行進一步的計算及分析。例如，控制系統112可分別從視覺資料及感測器資料計算介於顆粒之間面積的面積比例，並將其與感測器向量或視覺向量之其中一者、或與所有資料及參數的組合向量相關聯。
在步驟254，控制系統112可執行初始分類以將易於識別的顆粒分類為其中一個類別。例如，基於視覺資料及感測資料之比較結果，相較於金屬材料，任何非金屬材料可容易地識別。由於非金屬缺乏導電性，視覺向量將指出顆粒，而感測器向量將不會指出顆粒。另外，基於視覺資料及感測資料之比較結果，有嵌入性金屬的顆粒可容易地識別及分類。此外，在此步驟中，控制系統112基於視覺及/或感測器資料及向量可容易地將某些顆粒歸類 為的鑄造或鍛造。舉例而言，使用感測器向量可將具有導電率低於臨界值的顆粒識別並分類為鑄造材料，而可使用感測器或視覺向量將具有尺寸或面積大於特定臨界值的的任何顆粒識別且分類為鍛造材料。此步驟亦可使用諸如長寬比或伸長率之預定參數作為前過濾器。
在步驟256，控制系統112使用視覺向量及感測器向量在視覺矩陣或感測器矩陣上識別為顆粒的各個區域進行判別分析。當在視覺矩陣及感測器矩陣的相同對應區域中，視覺矩陣及感測器矩陣識別出不同數量的顆粒時，控制系統112可能需要進行仲裁。舉例而言，一個矩陣可能指出區域中存在一個顆粒且具有與顆粒相關聯的向量，而另一個矩陣可能指出在相同對應帶區域中存在兩個顆粒且具有兩個相關聯的向量。控制系統112可在這種情況下藉由加總、平均、取峰值、或以組合來自一個矩陣的兩個相關向量來提供數值以與其他矩陣進行比較及使用判別分析的其他方式來進行仲裁。
在一個示例中，控制系統112使用主要成份分析來創建經判定之第一判別式及第二判別式。每個判別式可以是線性組合函數，其參數的來自感測器向量及視覺向量。例如，第一判別式可基於如a+bB+cC+dD+...之方程式，其中a、b、c及d是常數值且A、B、C及D是來自視覺向量及感測器向量的各個參數。第二判別式可基於另一個方程式，例如，mA+nB+oC+pD+...，其中m、n、o及p是常數且A、B、C及D是來自視覺向量及感測器向量的各 個參數。第一判別式及第二判別式用於將顆粒分離和分類為兩個或更多個分類類別。
在一個示例中，各個判別式由控制系統112成對地輸入到查找表或圖表中，並且若該判別對是一系列預定對中的其中一個，則該顆粒分類為材料的預定類別。在另一示例中，控制系統112僅使用單一個判別式，其是如前述利用主要成份分析而判定，並且控制系統112將判別式輸入到查找表或圖表中，及/或將單一判別式與截斷臨界值進行比較。根據一實施例，圖7繪示查找表之示例，並且在後文有進一步詳細描述。
用於判定判別式之函數或主要成份分析、查找表及/或截斷臨界值可在校準過程期間使用已知材料混合物來判定。可選擇功函數、參數及臨界值來提供具有提升純度及回收率的鑄造與鍛造材料之間的區分。
在其他示例中，之後可使用第三判別式及第四判別式等等由控制系統112所執行之附加判別分析，以進一步將顆粒的分類類別細分為兩類、或將顆粒分類為第三、第四或其他類別的材料。
在步驟258，由控制系統112創建轉移矩陣。在圖5中步驟232分類及區分的期間，轉移矩陣是由控制系統112使用。在其他示例中，控制系統112將轉移資料的額外矩陣添加至圖像矩陣及感測器矩陣之其中一者以供分類及區分顆粒之用。
轉移矩陣可基於視覺矩陣及感測矩陣的中 心圖框(預先拼接)。在一個示例中，轉移矩陣基於噴射器132的解析度或數量來確定大小，並且可類似於控制系統112的線掃描圖像而逐行填充。轉移矩陣可具設定數量的行，其係根據移位暫存器、先進先出演算法進行填充及循環。
轉移矩陣可使用揀選值由控制系統112進行填充。揀選值可以是用於二元分類的二進制值(0,1)、或者可基於兩位元數字、十六進制等等以供用於揀選兩種分類類別以上的顆粒104。
在一個示例中，控制系統112基於在步驟254及步驟256所判定的分類，將揀選值指配給轉移矩陣中之所有胞元，其係對應於使用視覺指標符及/或感測器指標符所判定的整個經識別顆粒區域。
組合視覺及類比感測的系統100在揀選廢料材料中的純度及回收率方面提供顯著的改善。例如，藉由將視覺系統106與類比的感測系統108一起使用，證實對於鑄造與鍛造材料揀選的改善。在具有單程之傳統只有視覺的系統中，鍛造材料具有85%純度及45%回收率，並且鑄造材料具有49%純度和及88%回收率。對比之下，根據本案所揭系統100以單程操作並且以相同的線性輸送帶速度測試相同饋送材料，其提供具有95%純度及50%回收率的鍛造材料，以及具有56%純度及96%回收率的鑄造材料。
圖9是樣品資料圖表，其基於實驗測試期間獲得的結果來供設定校準及揀選參數使用。圖9繪示來自 系統100的樣品校準資料，其包括鑄造和鍛造鋁材料。鍛造材料可包括片狀材料。對於每個顆粒104，第一判別式及第二判別式係繪製為具有在x軸上的第一判別式(PC1)及在y軸上的第二判別式(PC2)之資料對(PC1,PC2)。從圖可以看出，截止臨界值可選定為線270使得在臨界值270的一側上的材料被分類為鑄造，而在臨界值的另一側上的材料可被分類為鍛造或其他。在另一示例中，在臨界值的特定範圍內的顆粒可被指配為未確定分類類別以進一步增加純度。
圖10繪示根據實施例用於分類顆粒104之方法300的流程圖，並供控制系統112在使用視覺向量和感測器向量作為輸入之方法200的步驟230期間使用。在其他實施例中，可以組合、重新排列或省略方法300中的各個步驟。關於方法300，使用混合材料之示例是以非限制性示例的方式，並且本領域具有通常技術者將理解如何應用方法300來分類其他材料組別。混合材料包含「裸」金屬的混合物以及嵌入或封裝在非金屬材料中的金屬，「裸」金屬的混合物包括塗漆或塗覆的金屬。在一個示例中，混合材料包括塗覆有絕緣層的金屬線、電路板和其他電子廢棄物的部分、來自具有金屬帶嵌入橡膠中的輪胎廢料以及至少部分地截留、封裝、或嵌入在絕緣材料、橡膠、塑料或其他非導電材料中的其他金屬。混合材料104可提供為含有其他金屬及金屬合金的非鐵材料。顆粒104可在通過視覺系統106及感測系統108之前潤濕，或者提供乾糙顆粒來 通過系統100。視覺向量和感測器向量是作為查找表的輸入，其由控制系統112執行來實施用於分類廢料顆粒104之二元揀選、三元揀選等等的方法300。
在步驟302，控制單元輸入視覺和感測器向量。在步驟304，控制單元112使用視覺向量進行初始臨界值分類。視覺向量可包含針對經識別為包含顆粒104的區域中各個像素之諸如的[R,G,B]值資料與視覺指標符，以及諸如寬度因子之其他形狀特徵。寬度因子可以是顆粒104的平均最小寬度、或與寬度相關的另一個值。控制單元112可使用各種技術在步驟304判定顆粒是否屬於諸如電路板材料的第一分類之內。
例如，控制單元112可使用直方圖分析來分類顆粒。在另一示例中，控制單元112使用多判別分析將三個(或更多個)色彩成份減少為兩個色彩成份以作為一對判別式。然後，控制單元112將與顆粒相關聯的各個像素或胞元的判別對輸入到儲存在與控制單元相關聯的記憶體單元中的校準表或圖表中。校準表的示例繪示於圖11，並且其可以是如區域320所示地為非線性的。若該對判別式是一系列預先定義判別式對中的其中一者且經由校準流程所判定而落在區域320內，則控制單元112標記圖像中的像素或胞元，例如，標記有1的數值。若該對判別式並非一系列預先定義判別式對中的其中一者，致使其落在區域320之外，則控制單元112將圖像中的像素或胞元保持為未標記，例如為0值。控制單元112基於經標記像素或胞元的 數量計算顆粒104的色彩輸入，例如藉由將標記的像素的總和正規化或除以與顆粒相關聯的像素總數來判定顆粒104的填充部分。然後，控制單元可藉由將色彩輸入或填充部分與臨界值進行比較來進行初始分類。例如控制單元112可在該步驟期間將廢料顆粒歸類為電路板。
在方塊306處，控制單元112可提供分類資料給轉移矩陣，轉移矩陣的結構類似於前述關於圖6的轉移矩陣。
在步驟308，控制單元112使用來自視覺向量及感測器向量的資料進行另一個初始分類步驟，並且繼續適當地填充轉移矩陣。控制單元112繼續分析視覺向量及感測器向量，以進一步對於帶104上未在步驟304識別及分類的混合材料顆粒進行分類。例如，對於僅在視覺向量中被識別卻未在感測器向量中的對應區域中被識別之顆粒，控制單元可以在方塊306處以非金屬材料的分類填充轉移矩陣。
在步驟310，控制單元112對在視覺向量及感測器向量中所識別在帶上之顆粒進行分類，並對應地填充轉移矩陣。在一個示例中，控制單元112施行策樹分類技術。控制單元112可使用由感測器向量及視覺向量所判定的值與各種臨界值進行比較，以將顆粒分類為一個或多個類別的材料。在圖中繪示用於步驟310的決策樹示例，並且可基於材料及用於揀選的廢料材料之混合物的相關分類類別來改變決策樹。控制單元112將諸如形狀或寬度因子 之來自視覺向量的第一值w與臨界值A進行比較。若該值小於臨界值A，則控制單元112接著將諸如峰值電壓或平均電壓之來自感測器向量的第二值v與臨界值B進行比較，接著將顆粒分別分類為第一類材料或第二類材料，例如，金屬或線材。若該值大於臨界值A，則控制單元112接著將例如峰值電壓或平均電壓之來自感測器向量的第二值v與臨界值C進行比較，接著將顆粒分類為諸如金屬或線材之第一類材料或第二類材料、或分類為另一類材料。當然，在其他示例中，可使用來自視覺和感測器向量的其他值，可在決策樹中使用多於兩個值，並且決策樹可以以另一種方式來建構。
雖然以上描述了示例性實施例，但並不意味著這些實施例描述本揭露的所有可能形式。更確切地說，說明書中使用的詞語是描述性詞語而非限制性詞語，並且應當理解的是，在不脫離本揭露的精神和範圍的情況下，可以進行各種改變。另外，可以組合各種實現實施例的特徵以形成本揭露的其他實施例。
100:系統
102:(輸送)帶、輸送機
104:顆粒、廢料(材料)、材料
106:(視覺)系統
108:(感測)系統、感測設備、感測(器)總成、感測器系統
110:陣列
112:控制系統
114:控制單元
116:表面
118:方框
120:第一端部區域
122:馬達(及支撐滾輪)
124:清潔系統
128:分離器單元
130:第二端部
132:噴射器
134:分離器控制器
136:箱槽
138:分流槽
140:(成像)裝置、相機
142、146:照明系統
144:三維(3-D)成像裝置
148:線雷射機
150:護罩
190:訊號處理單元、感測器處理器、資料處理單元
192:圖像處理單元、圖像處理器、資料處理單元

Claims (17)

  1. 一種揀選廢料顆粒之方法，其包含：使用一視覺系統對含有廢料顆粒的移動中之一輸送機成像，以創建對應於該輸送機之一定時位置的一視覺圖像；採用一控制系統來將該視覺圖像當作一視覺胞元矩陣予以分析，識別含有一顆粒之該視覺胞元矩陣中的胞元，以及針對該顆粒產生含有來自該視覺胞元矩陣的視覺資料之一視覺向量；使用一感測系統感測含於移動中的該輸送機上之一廢料顆粒，以創建對應於該輸送機之該定時位置的一感測矩陣，該感測系統具有至少一陣列的類比鄰近度感測器；採用該控制系統來分析該感測矩陣，識別含有一顆粒之該感測矩陣中的胞元，以及針對該顆粒產生含有來自該感測矩陣的感測資料之一感測資料向量；以及採用該控制系統取決於視覺資料向量與該感測資料向量，將該顆粒分類為材料的至少兩種分類類別中之一者；其中該視覺資料向量含有一視覺指標符以及下列項目中之至少一者：至少一個色彩輸入、一忙碌度評分、一周長數值、至少一個孔洞判定結果以及一面積比例；及其中該感測資料向量含有一感測器指標符以及下列項目中之至少一者：一峰值電壓、一電壓改變率、一平均電壓、一顆粒面積上之電壓和、一面積比例因子以及一緊密度因子。
  2. 如請求項1之方法，其中在分析該視覺圖像前，該控制系統被採用來將該視覺圖像與一先前視覺圖像及一後續視覺圖像進行拼接。
  3. 如請求項1之方法，其中在分析該感測矩陣前，該控制系統被採用來將該感測矩陣與一先前感測矩陣及一後續感測矩陣進行拼接。
  4. 如請求項1之方法，其進一步包含：採用該控制系統來量化來自該至少一陣列中各個感測器的一類比訊號，同時維持來自該類比訊號的一預定解析度；以及其中在該陣列之感測器中，各個感測器係置放在與該輸送機相距一第一距離之處。
  5. 如請求項1之方法，其中該控制系統取決於該視覺資料向量及該感測資料向量，使用一主要成份分析以分類該顆粒，該主要成份分析具有取決於該視覺資料及感測器資料之至少一個判別式。
  6. 如請求項1之方法，其中該控制系統取決於該視覺資料向量及該感測資料向量，使用一決策樹以及來自該視覺資料向量及該感測資料向量中每一者的至少一個值，來把該顆粒分類。
  7. 如請求項1之方法，其進一步包含藉由對於與該顆粒相關聯之該視覺矩陣中各個胞元判定色彩成份以從一色彩模型計算用於該顆粒的一色彩輸入，該色彩輸入係藉由以下方式來計算：把來自與該顆粒相關聯之矩陣中各個胞元之兩個色彩成份作為一對判別式輸入至一校正 表，若該對判別式為預設的一對判別式中之一者，則標記該胞元，以及藉由將已標記的該等胞元之一總和利用與該顆粒相關之胞元的一總數予以正規化來計算該色彩輸入。
  8. 如請求項7之方法，其進一步包含採用該控制系統在取決於該視覺資料向量及該感測資料向量來分類該顆粒之前，使用該色彩輸入把該顆粒預分類。
  9. 如請求項1之方法，其進一步包含採用該控制系統計算用於該視覺向量及感測器向量中之一者的另一個值，該另一個值是從針對相同顆粒之視覺資料及感測器資料計算而得。
  10. 如請求項1之方法，其中該控制系統被進一步採用來響應於感測器矩陣及該視覺矩陣指出介於此等矩陣之間在相同對應面積上有一不同數目的顆粒，來仲裁感測器向量及該視覺向量。
  11. 如請求項1之方法，其中該控制系統被採用來取決於該視覺向量及感測器向量，藉由將此等向量輸入到一機器學習演算法中，以將該顆粒分類為材料之該等至少兩種分類類別中之一者。
  12. 如請求項11之方法，其中該機器學習演算法包含下列至少一者：一支援向量機、一偏最小平方判別分析、一類神經網路、一偏最小平方判別分析、一決策樹隨機森林。
  13. 如請求項1之方法，其中該控制系統被採用來使用由該感測矩陣所判定之一位置以識別及分析該視 覺圖像中的顆粒。
  14. 如請求項1之方法，其進一步包含藉由根據針對該顆粒之該分類類別以及該輸送機之該定時位置而控制一分離器裝置來揀選該顆粒。
  15. 一種用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統，該系統包含：一視覺系統，具有一成像感測器以及一照亮預設觀看區域以對於以一時間間隔通過的一輸送機加以成像；一感測系統，具有配置在大致上平行於該輸送機設置的一單一共用平面上及安置來感測該輸送機上的廢料顆粒之一組類比感應式鄰近度感測器之陣列，以及一控制系統，組配來接收及處理從該視覺系統所獲取之圖像資料以識別該輸送機上在該觀看區域內的一廢料顆粒，分析針對該顆粒的視覺資料以形成一視覺資料向量，接收且處理從該感測系統所獲取以及定時成與該視覺資料對應之感測器資料以識別該輸送機上的該廢料顆粒，分析針對該顆粒之該感測器資料以形成一感測器資料向量，以及使用該視覺資料向量及感測資料向量將該顆粒分類為一材料分類類別；其中該視覺資料向量包含一視覺指標符以及下列項目中之至少一者：至少一個色彩輸入、一忙碌度評分、一周長數值、至少一個孔洞判定結果以及一面積比例；及其中該感測資料向量包含一感測器指標符以及下列項目中之至少一者：一峰值電壓、一電壓改變率、一平均 電壓、一顆粒面積上之電壓和、一面積比例因子以及一緊密度因子。
  16. 如請求項15之系統，其進一步包含一揀選系統，組配來響應於從該控制系統接收該分類類別，而揀選該輸送機上的該顆粒。
  17. 如請求項15之系統，其中該視覺系統係沿著該輸送機設置在該感測系統之後。
TW108110334A 2018-03-27 2019-03-25 揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統 TWI801539B (zh)

Applications Claiming Priority (2)

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

Publications (2)

Publication Number Publication Date
TW202003122A TW202003122A (zh) 2020-01-16
TWI801539B true TWI801539B (zh) 2023-05-11

Family

ID=68055240

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108110334A TWI801539B (zh) 2018-03-27 2019-03-25 揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統

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 (2)

* 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
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 (18)

* 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
US9285792B2 (en) * 2012-11-09 2016-03-15 Veltek Associates, Inc. Programmable logic controller-based control center and user interface for air sampling in controlled environments
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
WO2017011835A1 (en) * 2015-07-16 2017-01-19 UHV Technologies, Inc. Material sorting system
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

Patent Citations (2)

* 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
CN107552412A (zh) * 2016-06-30 2018-01-09 休伦瓦雷钢铁公司 废料分拣系统

Also Published As

Publication number Publication date
EP3774089A4 (en) 2021-11-24
CN112243392B (zh) 2023-08-08
US20190299255A1 (en) 2019-10-03
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
TWI801539B (zh) 揀選廢料顆粒之方法及用以揀選移動中輸送機上隨機定位的廢料材料顆粒之系統
CN107552412B (zh) 废料分拣系统
CN110730692B (zh) 用于分拣废品材料的系统和方法
US7570794B2 (en) System and method for evaluating a machined surface of a cast metal component
US4624367A (en) Method and apparatus for determining conformity of a predetermined shape related characteristics of an object or stream of objects by shape analysis
CA2379952A1 (en) Apparatus and method for verifying a scanned image
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
US8731278B2 (en) System and method for sectioning a microscopy image for parallel processing
EP3600701A1 (en) Seed sorting
CN104050684A (zh) 一种基于在线训练的视频运动目标分类方法与系统
Tarabek Fast license plate detection based on edge density and integral edge image
CN115222709A (zh) 一种基于人工智能的拉链布带缺陷检测方法
Tarabek A real-time license plate localization method based on vertical edge analysis
Pratap et al. Development of Ann based efficient fruit recognition technique
CN104281851A (zh) 车标信息的提取方法及装置
JP3076515B2 (ja) フローコート塗装状態の検出方法およびその装置
CN109583306A (zh) 一种基于机器视觉的纱管残留纱线检测方法
CN112371559A (zh) 矸石识别方法和矸石自动分离系统
AU2008243688B2 (en) Method and apparatus for three dimensional image processing and analysis
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
KR20190065093A (ko) 영상이미지를 이용한 비정형 라인 계측시스템
CN117755760A (zh) 一种应用于送料器的视觉选料方法
Alwar Research and development of automatic visual inspection system of wooden dowels