TWI829131B - 用於淘選材料之方法和系統以及儲存在電腦可讀儲存媒體上的電腦程式產品 - Google Patents

Abstract

用於對材料進行分類和淘選以產生由集體中的特定化學組成組成的材料的集合的系統和方法。該系統可以利用視覺系統和一個或多個感測器系統，其可以實施機器學習系統以便識別或分類和每種材料。然後根據分類和執行淘選。

Description

用於淘選材料之方法和系統以及儲存在電腦可讀儲存媒體上的電腦程式產品 根據化學組成淘選

本案請求美國臨時專利申請序列號63/249,069和美國臨時專利申請序列號63/285,964的優先權。本案是美國專利申請序列號17/667,397的部分延續案，該案請求美國臨時專利申請序列號63/146,892和美國臨時專利申請序列號63/173,301的優先權，並且是美國專利申請序列號17/495,291的部分延續案，該案是美國專利申請序列號17/380,928的延續案，美國專利申請序列號17/380,928是美國專利申請序列號17/227,245的部分延續案，它是美國專利申請序列號16/939,011的部分延續案，它是美國專利申請序列號16/375,675(頒發作為美國專利號10,722,922)的延續案，其是美國專利申請序列號15/963,755(頒發作為美國專利第10,710,119號)的部分延續 案，該案請求美國臨時專利申請第62/490,219號的優先權，並且是美國專利申請序列號15/213,129(頒發作為美國專利第10,207,296號)的部分延續案，該案請求美國臨時專利申請序列號62/193,332的優先權，在此藉由引用將其全部併入本文。美國專利申請序列號17/495,291也是美國專利申請序列號17/491,415(頒發作為美國專利第11,278,937號)的部分延續案，它是美國專利申請序列號16/852,514(頒發作為美國專利號11,260,426)的部分延續案，它是美國專利申請序列號16/358,374(頒發作為美國專利號10,625,304)的分割案，它是美國專利申請序列號15/963,755(頒發作為美國專利號10,710,119)的部分延續案，其全部藉由引用併入本文。

政府許可權

本公開是在美國政府支持下根據美國能源部授予的第DE-AR0000422號撥款進行的。美國政府可能在本公開中享有某些權利。

所屬技術領域

本公開總體上關於材料的淘選，並且特別地，關於材料的淘選以在淘選的材料內實現化學元素的特定組成。

回收是收集和處理原本會作為垃圾丟棄的材料並將其轉化為新產品的過程。回收對社區和環境都有好處，因為它減少了送往垃圾填埋場和焚化爐的廢物量，保護自然資源，藉由利用國內材料來源提高經濟安全性，藉由減少收集新原材料的需要來防止污染，並節省能源。收集後，可回收物通常被送到材料回收設施進行淘選、清潔和處理成可用於製造的材料。

本公開的各態樣提供了一種方法，該方法包括確定多個材料件中的每一個材料件的近似質量，其中多個材料件中的至少一個具有與其他材料件不同的材料分類；將多個材料件中的每一個材料件分類為屬於多個不同材料分類中的一個；並且作為多個材料件中的每一個材料件的被確定的近似質量和分類之函數，從多個材料件中淘選某些材料件，其中淘選產生具有預定的特定集體化學組成的材料件的集合。淘選可以包括將某些材料件轉移到容器中。淘選可包括連續確定轉移材料件的集體化學組成。淘選可以包括將下一個材料件轉移到容器中，以便增加轉移的材料件的集體化學組成的特定化學元素的重量百分比。淘選可以包括不將下一個材料件轉移到容器中，以便降低轉移的材料件的集體化學組成的特定化學元素的重量百分比。淘選可以包括不將下一個材料件轉移到容器中，因為它包含在預定的特定集體化學組成內不需要的污染 物。淘選可以被繼續，直到預定的最小數量的轉移材料件的集體化學組成等於預定的特定集體化學組成的閾值準位。具有預定的特定集體化學組成的材料件的集合可以包含至少一個材料件，該材料件具有不同於該集合中的其他材料件的材料分類。多個材料件可以包括具有不同金屬合金組成的材料件。預定的特定集體化學組成可以不同於多個材料件中的每一個的化學組成。預定的特定集體化學組成可以不同於所有多個材料件的集體化學組成。材料件的集合可以包括具有不同材料分類的材料件。材料件的集合可以包括具有與其他材料件不同的材料分類的材料件中的至少一個。多個件可以包括鍛造鋁合金件和鑄造鋁合金件，其中材料件的集合可以包括至少一個鍛造鋁合金件和至少一個鑄造鋁合金件，並且其中預定的特定集體化學組成不同於鍛造鋁合金件的化學組成，並且其中預定的特定集體化學組成不同於鑄造鋁合金件的化學組成。分類可以包括透過機器學習系統處理從多個材料件中的每一個捕獲的影像資料。

本公開的多個態樣提供了一種系統，該系統包括感測器，該感測器被配置為捕獲材料件的混合物中的每一個的一個或多個特性，其中材料件的混合物可以包括具有不同材料分類的材料件；資料處理系統，被配置為將材料件的混合物的每一個材料件分類為屬於多個不同材料分類中的一個；以及淘選裝置，其被配置為作為材料件的混合物的每一個材料件的分類之函數，從材料件的混合物 中淘選某些材料件，其中，所述淘選產生具有預定的特定集體化學組成的材料件的集合。感測器可以是攝影機，其中一個或多個捕獲的特性由被配置為在材料件被輸送經過攝影機時捕獲每一個材料件的混合物的影像的攝影機捕獲，其中該攝影機被配置為捕獲每一個材料件的視覺影像以產生影像資料，並且其中所述特徵是視覺觀察到的特徵。資料處理系統可以包括實施神經網路的機器學習系統，該神經網路被配置為基於捕獲的視覺觀察特性將材料件的混合物的每一個材料件分類為屬於多個不同材料分類中的一個。該系統還可以包括被配置為確定多個材料件中的每一個材料件的近似質量的設備，其中根據所確定的每一個材料件的近似質量和分類來執行淘選。該設備可以包括被配置為測量每一個材料件的近似大小的線掃描儀。

本公開的各態樣提供了一種儲存在電腦可讀儲存媒體上的電腦程式產品，該電腦程式產品在由資料處理系統執行時執行包括確定多個材料件中的每一個材料件的近似質量的處理，其中，所述多個材料件中的至少一個具有與其他材料件不同的材料分類；將多個材料件中的每一個材料件分類為屬於多個不同材料分類中的一個；並且引導從多個材料件中淘選某些材料件以產生具有預定的特定集體化學組成的材料件的集合，其中所述淘選作為多個材料件的每一個材料件的確定的近似質量和分類之函數來執行，其中材料件的集合包括具有不同材料分類的材料件。分類可以包括透過機器學習系統處理從多個材料件中 的每一個捕獲的影像資料。預定的特定集體化學組成可以不同於多個材料件中的每一個的化學組成。

101:材料件

102:輸送機系統或料斗

103:輸送機系統

104:輸送機系統馬達

105:定位檢測器

106:轉筒/振動器/單一化器

107:電腦系統

108:自動化控制系統

109:攝影機

110:視覺(或光學認出)系統

111:測量裝置

112:控制系統

120:感測器系統

121:發射源

122:電源供應

124:檢測器

125:檢測器電子裝置

126:淘選裝置

127:淘選裝置

128:淘選裝置

129:淘選裝置

136:淘選容器

137:淘選容器

138:淘選容器

139:淘選容器

140:淘選容器

400:系統和處理

401:處理方塊

402:處理方塊

403:處理方塊

404:處理方塊

405:處理方塊

406:處理方塊

500:系統和處理

501:處理方塊

502:處理方塊

503:處理方塊

504:處理方塊

505:處理方塊

506:處理方塊

507:處理方塊

508:處理方塊

509:處理方塊

1000:處理

1001:處理方塊

1002:處理方塊

1003:處理方塊

1004:處理方塊

1005:處理方塊

1006:處理方塊

1007:處理方塊

3400:資料處理(“電腦”)系統

3401:圖形處理器單元

3405:區域匯流排

3412:使用者介面適配器

3413:鍵盤

3414:滑鼠

3415:處理器

3416:顯示適配器

3420:揮發性記憶體

3425:網路(LAN)適配器

3430:I/O適配器

3431:硬碟驅動器

3432:固態驅動器

3435:非揮發性記憶體

3440:顯示器

3500:處理

3501:處理方塊

3502:處理方塊

3503:處理方塊

3504:處理方塊

3505:處理方塊

3506:處理方塊

3507:處理方塊

3508:處理方塊

3509:處理方塊

3510:處理方塊

3511:處理方塊

3512:處理方塊

3513:處理方塊

[圖1]圖示了根據本公開的實施例配置的淘選系統的示意圖。

[圖2]圖示了列出常見鋁合金化學組成的表格。

[圖3]圖示了列出根據本公開的實施例生產的示例性鋁合金的化學組成的表格。

[圖4]圖示了根據本公開的實施例配置的流程圖。

[圖5]圖示了根據本公開的實施例被配置用於確定材料件的大小的流程圖。

[圖6]顯示來自鑄造鋁的示例性材料件的視覺影像。

[圖7]顯示了來自鋁擠壓件的示例性材料件的視覺影像。

[圖8]顯示了來自鍛造鋁的示例性材料件的視覺影像。

[圖9]圖示了根據本公開的實施例配置的流程圖。

[圖10]圖示了根據本公開的實施例配置的流程圖。

[圖11]圖示了根據本公開的實施例配置的資料處理系統的方塊圖。

本文公開了本公開的各種詳細實施例。然而，應當理解，所公開的實施例僅僅是本公開的示例，其可以以各種和替代的形式體現。這些數字不一定按比例繪製；某些特徵可被誇大或最小化以顯示特定組件的細節。因此，本文公開的具體結構和功能細節不應被解釋為限制性的，而僅作為教導本領域技術人員採用本公開的各種實施例的代表性基礎。

如本文所用，“化學元素”是指化學元素週期表中的化學元素，包括在本案的申請日之後可能發現的化學元素。如本文所用，“材料”可以包括由一種或多種化學元素的化合物或混合物組成的固體，其中化合物或混合物的複雜性可以從簡單到復雜(所有這些也可以在本文中提及)作為具有特定“化學組成”的材料)。

如本文所用，“集體化學組成”是指化學元素的成分及其在單個、分離的材料件的集合或組中的相對重量百分比(wt%)。(注意，重量的百分比(或重量百分比)也稱為質量分率，是材料或物質中特定化學元素的質量佔材料或物質的總質量的百分比。)例如，如果將單獨的金屬合金件的集合被熔化在一起，則所得的“熔體”將具有與集體化學組成等效的化學組成。如本文所提及的，“熔體”是當選定的材料件熔化在一起並且對熔化在一起的材料件進行組成分析時，用以確定存在於熔體中的各種化學元素的百分比(例如，重量百分比)。

材料類別可能包括金屬(鐵質金屬和非鐵金 屬)、金屬合金、塑膠(包括但不限於PCB、HDPE、UHMWPE和各種有色塑膠)、橡膠、泡沫、玻璃(包括但不限於硼矽酸鹽或鈉鈣玻璃和各種有色玻璃)、陶瓷、紙張、紙板、鐵氟龍、PE、成束電線、絕緣包覆電線、稀土元素、樹葉、木材、植物、植物部分、紡織品、生物廢物、包裝、電子廢物、電池、蓄電池、來自報廢車輛、採礦、建築和拆除廢物的廢料件、農作物廢物、森林殘留物、專用草、木本能源作物、微藻、城市食物垃圾、食品廢物、危險化學和生物醫學廢物、建築垃圾、農場廢物、生物物品、非生物物品、具有特定碳含量的物體、可能在城市固體廢物中發現的任何其他物體，以及本文公開的任何其他物體、物品或材料，包括進一步可以相互區分的上述任何類型或類別，包括但不限於藉由一個或多個感測器系統，包括但不限於本文公開的任何感測器技術。在本公開中，術語“廢料”、“廢料件”、“材料”、“材料件”和“件”可以互換使用。如本文所用，被稱為具有金屬合金組成的材料件或廢料件是具有將其與其他金屬合金區分開來的特定化學組成的金屬合金。

眾所周知，“聚合物”是由非常大的分子組成的物質或材料，或由許多重複的次單元組成的大分子。聚合物可以是自然界中發現的天然聚合物或合成聚合物。

“多層聚合物薄膜”由兩種或多種不同的組成物組成，厚度可達約7.5^-8×10^-4m。這些層至少部分連續並且較佳但任選地是共同延伸的。

如本文所用，術語“塑膠”、“塑膠件”和“塑膠材料件”(所有這些都可以互換使用)是指包括或由一種或多種聚合物和/或多層聚合物薄膜的聚合物組成物組成的任何物體。

如本文所用，術語“化學標記”是指由一種或多種分析儀器產生的獨特模式(例如指紋光譜)，表明存在一種或多種特定元素或分子(包括聚合物)在樣本中。元素或分子可以是有機的和/或無機的。這種分析儀器包括本文公開的任何感測器系統。根據本公開的實施例，本文公開的一個或多個感測器系統可以被配置為產生材料件(例如，塑膠件)的化學標記。

如本文所用，“分率”是指有機和/或無機元素或分子、聚合物類型、塑膠類型、聚合物組成物、塑膠的化學標記、塑膠件的物理特性(例如，顏色、透明度、強度、熔點、密度、形狀、大小、製造類型、均勻性、對刺激的反應等)等的任何指定的組合，包括本文公開的任何和所有的塑膠的各種分類和類型。分率的非限制性示例是一種或多種不同類型的塑膠件，它們包含：LDPE加上相對高百分比的鋁；LDPE和PP加上相對較低百分比的鐵；PP加鋅；PE、PET和HDPE的組合；任何類型的紅色LDPE塑膠件；除PVC外的任何塑膠件組合；黑色塑膠件；#3-#7型塑膠的組合，其中包含特定的有機和無機分子組合；一種或多種不同類型的多層聚合物薄膜的組合；不含特定污染物或添加劑的指定塑膠組合；熔點高於 指定閾值的任何類型的塑膠；複數種指定類型的任何熱固性塑膠件；不含氯的指定塑膠；具有相似密度的塑膠組合；具有相似極性的塑膠組合；不帶蓋的塑膠瓶，或反之亦然。

“催化熱解”涉及藉由在沒有氧氣但有催化劑存在的情況下加熱聚合物材料來降解聚合物材料。

“預定”一詞是指事先確立或決定的事物。

“光譜成像”是在電磁光譜中使用跨越多個波段的成像。雖然普通攝影機可以捕獲可見光譜中的三個波段的光，即紅色、綠色和藍色(“red、green、blue；RGB”)，但光譜成像包含多種技術，包括但不限於RGB。光譜成像可以使用紅外線、可見光、紫外線和/或X射線光譜，或以上的一些組合。光譜資料或光譜影像資料是光譜影像的數位資料表示。光譜成像可包括同時獲取可見和不可見波段的光譜資料，從可見範圍之外的照明，或使用濾光片來捕獲特定光譜範圍。還可以為光譜影像中的每一個像素捕獲數百個波長帶。

如本文所用，術語“影像資料封包”是指與捕獲的單個材料件的光譜影像有關的數位資料封包。

如本文所用，術語“分類”、“識別”、“選擇”和“認出”以及術語“將...分類”、“將...識別”、“將...選擇”和“將...認出”以及上述術語的任何衍生詞，可以互換使用。如本文所用，對材料件進行“分類”是確定(即，識別)材料件所屬(或至少應根據該材料件 的感測特性所屬)的材料類型或類別。例如，根據本公開的某些實施例，感測器系統(如本文進一步描述的)可以被配置為收集和分析用於對材料進行分類的任何類型的資訊，這些分類可以作為一個或多個感測物理和/或化學特徵(例如，可以是使用者定義的)的集合之函數在淘選系統內用於選擇性地淘選材料，物理和/或化學特徵包括但不限於材料件的顏色、紋理、色調、形狀、亮度、重量、密度、組成、大小、均勻性、製造類型、化學標記、預定分率、放射性特徵、對光、聲音或其他訊號的透射率，以及對諸如各種場的刺激的反應，包括發射和/或反射的電磁輻射(“EM”)。如本文所用，“製造類型”是指製造材料件的製造處理的類型，例如藉由鍛造處理形成的金屬部件已經被鑄造(包括但不限於一次性模具鑄造、永久型鑄造和粉末冶金)、已鍛造、材料去除處理等。

材料的類型或類別(即分類)可以是使用者可定義的，並且不限於任何已知的材料分類。類型或類別的粒度範圍可以從非常粗到非常細。例如，類型或類別可以包括塑膠、陶瓷、玻璃、金屬和其他材料，這些類型或類別的粒度相對較粗；不同的金屬和金屬合金，例如鋅、銅、黃銅、鉻板和鋁，其中這些類型或類別的粒度更細；或在金屬合金的特定子類之間，其中此類類型或分類別的粒度相對精細。因此，這些類型或類別可以被配置為區分具有顯著不同組成的材料，例如塑膠和金屬合金，或區分具有實質相似或幾乎相同化學組成的材料，例如金屬合金 的不同子類。應當理解，本文討論的方法和系統可用於識別/分類在分類之前其化學組成完全未知的材料件。

如本文所述，“輸送機系統”可以是任何已知的將材料從一個位置移動到另一個位置的機械搬運設備件，包括但不限於航空機械輸送機、汽車輸送機、皮帶輸送機、皮帶驅動轉筒輸送機、斗式輸送機、鏈式輸送機、鏈條驅動轉筒輸送機、牽引輸送機、防塵輸送機、電動軌道車輛系統、柔性輸送機、重力輸送機、重力滑板輸送機、直線軸轉筒輸送機、馬達驅動轉筒輸送機、高架工字梁輸送機、陸上輸送機、藥品輸送機、塑膠帶式輸送機、氣力輸送機、螺紋或螺輸送機、螺旋輸送機、管廊輸送機、垂直輸送機、振動輸送機和金屬絲網輸送機。

根據本公開的某些實施例的本文所述的系統和方法接收複數個材料件的混合物，其中該混合物中的至少一個材料件包括不同於一種或多種其他材料件的化學組成(例如，金屬合金組成、化學標記)，和/或該混合物中的至少一個材料件與一種或多種其他材料不同地製造，和/或該混合物中的至少一種材料件與其他材料件是可區分的(例如，視覺上可辨別的特性或特徵、不同的化學標記等)，並且該等系統和該等方法被配置為相應地識別/分類/淘選該材料件。本公開的實施例可被利用於對如本文所定義的材料的任何類型或類別或分率進行淘選。

應注意，待淘選的材料件可具有不規則的大小和形狀(例如，參見圖6-8)。例如，材料(例如，Zorba和 /或Twitch)之前可能已經透過將材料切碎成此類形狀和大小不規則的碎片(產生廢料件)之某種切碎機構，然後可以將其饋入或擺放到輸送機系統上。

本公開的實施例將在本文中描述為藉由將材料件物理地擺放(例如，轉移或彈出)到單獨的容器或多個容器中，或到另一個輸送系統上，作為使用者定義的單獨的組或集合(例如，預定的特定集體化學組成、特定材料類型分類或分率)之函數，將材料件淘選成這樣的單獨的組或集合。作為示例，在本公開的某些實施例中，可以將材料件淘選到單獨的容器或多個容器中，以便將由一種或多種特定化學組成構成的材料件與由不同的特定化學組成構成的其他材料件分開，以在淘選的材料件的集合或組中產生預定的特定集體化學組成。在非限制性示例中，可以根據本公開的實施例對包括各種鋁合金(例如，各種不同的鍛造和/或鑄造鋁合金)的Twitch集合進行淘選，以生產具有所期望的化學組成的鋁合金(可能包括具有不同於已知鋁合金的獨特化學組成的鋁合金)。

圖1圖示了根據本公開的各種實施例配置的系統100的示例。輸送機系統103可以被實施以輸送單個材料件101的一個或多個流(有組織的或隨機的)通過系統100，使得可以追蹤、分類和淘選單個材料件101的每一個到預定的期望組或集合中(例如，一種或多種預定的特定集體化學組成)。這樣的輸送機系統103可以用一個或多個輸送帶實現，材料件101在輸送帶上典型地以預定的恆定 速度行進。然而，本公開的某些實施例可以用其他類型的輸送機系統(如本文所公開的)來實施，包括其中材料件自由落下經過系統100(或任何其他類型的垂直淘選機)的選定組件的系統，或振動輸送機系統。在下文中，在適用的情況下，輸送機系統103也可稱為輸送帶103。在一個或多個實施例中，輸送、追蹤、刺激、檢測、分類和淘選的一些或全部動作可以自動執行，即，無需人工干預。例如，在系統100中，一個或多個刺激源、一個或多個發射檢測器、分類模組、淘選設備和/或其他系統組件可以被配置為自動執行這些和其他操作。

此外，儘管圖1中的簡化圖示描繪了輸送帶103上材料件101的單個流，但是可以實施本公開的實施例，其中複數個這樣的材料件的流彼此平行地經過系統100的各種組件。例如，如美國專利第10,207,296號中進一步描述的，材料件可以分佈成在單個輸送帶或一組平行輸送帶上行進的兩個或更多個平行的單一化的流。根據本公開的某些實施例，不需要併入或使用單一化器。相反地，輸送機系統(例如，輸送機系統103)可以簡單地輸送大量材料件，這些材料件已經以隨機方式擺放在輸送機系統103上(或大量擺放至輸送機系統103上，然後使它們分離，例如藉由振動機構)。因此，本公開的某些實施例能夠同時追蹤、分類和/或淘選複數個這樣的輸送的材料件。

根據本公開的某些實施例，某種合適的饋送 器機構(例如，另一個輸送機系統或料斗102)可用於將材料件101饋送到輸送機系統103上，由此輸送機系統103輸送材料件101經過系統100內的各種組件。在材料件101被輸送機系統103接收之後，可選的轉筒/振動器/單一化器106可用於從組合的大量材料件中分離單獨的材料件。在本公開的某些實施例中，藉由輸送機系統馬達104，輸送機系統103被操作而以預定速度行進。該預定速度可以由操作者以任何眾所周知的方式程式化和/或調整。輸送機系統103的預定速度的監測可以替代地用定位檢測器105來執行。在本公開的某些實施例中，輸送機系統馬達104和/或定位檢測器105的控制可以由自動化控制系統108來執行。這樣的自動化控制系統108可以在電腦系統107的控制下操作和/或用於執行自動化控制的功能可以在電腦系統107內的軟體中實現。

因此，如將在本文中進一步描述的，透過利用對輸送帶驅動馬達104和/或自動化控制系統108(並且可選地包括定位檢測器105)的控制，當該等材料件101中的每一個在輸送帶103上的行進被識別時，它們可以藉由位置和時間(相對於系統100的各種組件)被追蹤，使得系統100的各種組件可以當該等材料件101中的每一個在它們附近經過時被啟用/停用。結果，自動化控制系統108能夠在該等材料件101中的每一個沿著輸送帶103行進時追蹤它們的位置。

根據本公開的某些實施例，在材料件101被 輸送帶103接收之後，轉筒和/或振動器可用於將單獨的材料件與大量(例如，物理堆)的材料件分離。根據本公開的替代實施例，可以將材料件定位到一個或多個單一化(即，一路縱隊)流中，這可以由主動或被動單一化器106執行。被動單一化器的示例在美國專利號10,207,296中被進一步描述。如前所述，不需要併入或使用單一化器。相反地，輸送機系統(例如輸送帶103)可以簡單地輸送已經以隨機方式放置在輸送帶103上的材料件的集合。

再次參考圖1，本公開的某些實施例可以利用視覺(或光學認出)系統110和/或材料追蹤和測量裝置111來追蹤當在輸送帶103上行進時該等材料件101中的每一個。視覺系統110可以利用一個或多個靜止或實景的攝影機109來記錄移動輸送帶103上的該等材料件101中的每一個的定位(即，位置和時間)。

視覺系統110可以進一步或替代地被配置為執行材料件101的全部或一部分的某些類型的識別(例如，分類)，如將在本文中進一步描述的。例如，這樣的視覺系統110可以用於捕捉或獲取關於該等材料件101中的每一個的資訊。例如，視覺系統110可以被配置為(例如，利用機器學習系統)從材料件捕捉或收集任何類型的資訊，其可以作為如本文所述一組一個或多個特性(例如，物理和/或化學和/或放射性等)之函數在系統100內被利用以分類和/或選擇性地淘選材料件101。根據本公開的某些實施例，視覺系統110可以例如藉由使用典型數位攝影機和視 訊設備中利用的光學感測器，捕獲該等材料件101中的每一個的視覺影像(包括一維、二維、三維或全像成像)。然後將由光學感測器捕獲的這種視覺影像儲存在記憶體裝置中作為影像資料(例如，格式化為影像資料封包)。根據本公開的某些實施例，這樣的影像資料可以表示在光的光學波長(即，藉由典型的人眼可觀察到的光的波長)內捕獲的影像。然而，本公開的替代實施例可以利用感測器系統，該感測器系統被配置為捕獲由人眼可見波長之外的光波長所作出的材料的影像。所有這些影像在本文中也可以稱為光譜影像。

根據本公開的某些實施例，系統100可以用一個或多個感測器系統120來實現，該感測器系統120可以單獨使用或與視覺系統110結合使用來分類/識別材料件101。感測器系統120可以配置有任何類型的感測器技術，包括利用輻射或反射電磁輻射(例如：利用紅外線(“infrared；IR”)、傅里葉變換IR(“Fourier Transform infrared；FTIR”)、前視紅外線(“Forward-looking Infrared；FLIR”)、甚近紅外線(“Very Near Infrared；VNIR”)、近紅外線(“Near Infrared；NIR”)、短波長紅外線(“Short Wavelength Infrared；SWIR”)、長波長紅外線(“Long Wavelength Infrared；LWIR”)、中波長紅外線(“Medium Wavelength Infrared；MWIR”或“MIR”)、X-射線透射(“X-Ray Transmission；XRT”)、伽馬射線、紫外線(“Ultraviolet；UV”)、X射 線螢光(“X-Ray Fluorescence；XRF”)、雷射誘發爆破光譜法(“Laser Induced Breakdown Spectroscopy；LIBS”)、拉曼光譜法、反斯托克斯拉曼光譜法、伽瑪光譜法、高光譜光譜法(例如，超出可見波長的任何範圍)、聲學光譜法、核磁共振光譜法、微波光譜法、兆赫光譜法，包括一維成像、二維成像、三維成像或具有上述任何一種的全像成像)的感測器系統，或藉由任何其他類型的感測器技術，包括但不限於化學或放射性。在美國專利號10,207,296中進一步描述了示例性XRF系統(例如，用作本文中的感測器系統120)的實現。

應該注意的是，雖然圖1用視覺系統110和一個或多個感測器系統120的組合來說明，但是本公開的實施例可以利用本文公開的任何感測器技術，或當前可用的或者未來發展起來的任何其他感測器技術的感測器系統的任何組合來實施。雖然圖1被圖示為包括一個或多個感測器系統120，但這種感測器系統的實施在本公開的某些實施例中是可選的。在本公開的某些實施例中，視覺系統110和一個或多個感測器系統120的組合可用於對材料件101進行分類。在本公開的某些實施例中，本文公開的不同感測器技術中的一種或多種的任意組合可用於在不使用視覺系統110的情況下對材料件101進行分類。此外，本公開的實施例可包括一個或多個感測器系統和/或視覺系統的任何組合，其中這種感測器和/或視覺系統的輸出在機器學習系統(如本文進一步公開的)內進行處理，以便從材 料的混合物中分類/識別材料，然後可以將其相互淘選。如果淘選系統(例如，系統100)被配置為單獨以這樣的視覺系統110操作，則感測器系統120可以從系統100中省略(或簡單地停用)。

根據本公開的某些實施例，並且如本文關於圖4進一步描述的那樣，視覺系統110和/或感測器系統可以被配置為識別哪些材料件101不是要由系統100淘選以包含在集合中以產生特定集體化學組成的類型(例如，包含特定污染物或化學元素的材料件)，並發送訊號以不將此類材料件與其他淘選的材料件一起轉移。

在本公開的某些實施例中，材料追蹤和測量裝置111和伴隨的控制系統112可以被利用和配置為當在該等材料件101中的每一個經過材料追蹤和測量裝置111附近時測量該等材料件101中的每一個的大小和/或形狀，可以被系統100利用來確定每一個材料件的近似質量，以及該等材料件101中的每一個在移動輸送機系統103上的定位(即，位置和時間)。替代地，視覺系統110可用於追蹤每一個材料件101當它們被輸送機系統103傳輸時的定位(即，位置和時間)。

本文參考圖5描述了這種材料追蹤和測量裝置111和控制系統112的非限制性示例性操作。這種材料追蹤和測量裝置111可以用眾所周知的雷射系統來實現，該雷射系統連續測量雷射在被反射回雷射系統的檢測器之前行進的距離。這樣，當該等材料件101中的每一個在裝置 111附近經過時，它向控制系統112輸出指示這種距離測量的訊號。因此，這樣的訊號可以實質上代表間歇的一系列脈衝，從而該訊號的基線作為在材料件不在裝置111附近的那些時刻期間的測量裝置111和輸送帶103之間的距離的結果產生，同時每一個脈衝提供裝置111和輸送帶103上經過的材料件101之間的距離的測量值。由於材料件101可具有不規則的形狀，因此這種脈衝訊號有時也可能具有不規則的高度。儘管如此，由裝置111產生的每一個脈衝訊號可以提供該等材料件101中的每一個的部分在輸送帶103上經過時的高度。每一個這樣的脈衝的長度還提供了沿著與輸送帶103的行進方向實質平行的線測量該等材料件101中的每一個的長度的測量值。正是這種長度測量(對應於圖5的處理方塊506的時間戳)(或者高度測量)可以在本公開的實施例中，被利用來確定或至少近似該等材料件101中的每一個的質量，然後可以將其用於幫助對材料件進行淘選，如本文進一步描述的那樣。

接下來參考圖5，示出了用於確定每一個材料件的近似大小、形狀和/或質量的示例性系統和處理500的流程圖。這樣的系統和處理500可以在本文描述的任何視覺/光學認出系統和/或材料追蹤和測量裝置中實施，例如圖1中所示的材料追蹤和測量裝置111和控制系統112。在處理方塊501中，材料追蹤和測量裝置可以在n=0處初始化，其中n表示沿輸送機系統輸送的第一材料件尚未被測量的條件。如前所述，這樣的材料追蹤和測量裝置可以建 立表示材料追蹤和測量裝置與輸送帶之間的距離而輸送帶上不存在任何承載的物體(即，材料件)的基線訊號。在處理方塊502中，材料追蹤和測量裝置產生連續的或實質連續的距離測量。處理方塊503表示在材料追蹤和測量裝置內判定檢測到的距離是否已經從預定閾值量改變。回想一下，一旦系統100已經啟動，在某個時間點，材料件101將沿著輸送機系統行進到足夠接近材料追蹤和測量裝置，以被所採用的用於測量距離的機構檢測到。在本公開的實施例中，這可以在行進的材料件101經過用於測量距離的雷射光的線內時發生。一旦諸如材料件101的物體開始被材料追蹤和測量裝置(例如，雷射)檢測到，材料追蹤和測量裝置測量的距離將從其基線值改變。如果材料件101的任何部分的高度大於預定的閾值距離值，則材料追蹤和測量裝置可以被預定為僅檢測材料件101在其附近經過的存在。圖5示出了這樣的閾值為0.15(例如，表示0.15mm)的示例，但是本公開的實施例不應限於任何特定值。

只要尚未達到該閾值距離值，系統和處理500將繼續(即，重複處理方塊502-503)以測量當前距離。一旦已經檢測到大於閾值的測量高度，該處理將進行到處理方塊504以記錄在輸送機系統上已經檢測到在材料追蹤和測量裝置附近經過的材料件101。此後，在處理方塊505中，變量n可以被增加以向系統100指示在輸送機系統上已經檢測到另一個材料件101。該變量n可以用於幫助追蹤該等材料件101中的每一個。在處理方塊506中，記錄檢測到 的材料件101的時間戳，系統100可以利用該時間戳來追蹤檢測到的材料件101在輸送機系統上行進時的特定位置和時間，同時還表示檢測到的材料件101的長度。在可選的處理方塊507中，該記錄的時間戳隨後可用於確定何時啟用(開始)和停用(停止)與時間戳相關聯的感測器啟動的測量訊號(例如，來自材料件101的X射線螢光光譜)的獲取。時間戳的開始和停止時間可以對應於材料追蹤和測量裝置產生的前述脈衝訊號。在處理方塊508中，該時間戳連同記錄的材料件101的高度可被記錄在系統100用來追蹤該等材料件101中的每一個及其結果分類的表內。

此後，在可選的處理方塊509中，然後可以將訊號發送到感測器系統，指示啟用/停用來自材料件101的感測器啟動測量訊號的獲取的時間段，這可以包括材料追蹤和測量裝置確定的材料件101的長度對應的開始與停止時間。本公開的實施例能夠完成這樣的任務，因為從材料追蹤和測量裝置接收到的輸送機系統的時間戳和已知的預定速度指示材料件101的前緣何時將經過照射源，以及材料件101的後緣隨後何時將經過照射源。

然後，用於沿著輸送機系統行進的該等材料件101中的每一個的距離測量的系統和處理500可以針對每一個經過的材料件101被重複。

在實施一個或多個感測器系統120的本公開的某些實施例中，一個或多個感測器系統120可以被配置為當該等材料件101中的每一個在一個或多個感測器系統 120附近經過時，幫助視覺系統110識別該等材料件101中的每一個的化學組成、相對化學組成和/或製造類型。一個或多個感測器系統120可以包括能量發射源121，該能量發射源121可以由電源供應122供電，例如，在為了刺激來自該等材料件101中的每一個的響應。

根據將XRF系統實現為感測器系統120的本公開的某些實施例，源121可包括成行X射線螢光(“IL-XRF”)管，例如在美國專利號10,207,296中進一步描述者。這種IL-XRF管可以包括單獨的x射線源，每一個x射線源專用於輸送材料件的一個或多個(例如，單一化的)流。在這種情況下，一個或多個檢測器124可以實現為XRF檢測器，以檢測來自每一個分離流內的材料件101的螢光x射線。

在本公開的某些實施例中，當每一個材料件101在發射源121附近經過時，感測器系統120可以向材料件101發射適當的感測訊號。一個或多個檢測器124可以被定位並且被配置為以適合於所使用的感測器技術類型的形式從材料件101感測/檢測一個或多個特性。一個或多個檢測器124和相關聯的檢測器電子裝置125捕獲這些接收到的感測特性以在其上執行訊號處理並產生表示感測特性的數位化資訊(例如光譜資料)，然後根據本公開的某些實施例對其進行分析，其可用於分類(單獨或與視覺系統110組合)該等材料件101中的每一個。可在電腦系統107內執行的該分類，然後可由自動化控制系統108使用以啟用淘選 設備的N(N

1)個淘選裝置126…129中的一個，淘選設備用於根據確定的分類將材料件101淘選(例如，轉移/彈出)到一個或多個N(N

1)淘選容器136…139中。四個淘選裝置126…129和四個與淘選裝置相關的淘選容器136…139在圖1中示出僅作為非限制性示例。

淘選設備可以包括用於將所選材料件101重新導向到期望位置的任何眾所周知的機構，包括但不限於將材料件101從輸送帶系統轉移到多個淘選容器中。例如，淘選設備可以使用空氣噴射器，每一個空氣噴射器分配給該等分類的一個或多個。當該等空氣噴射器(例如，127)中的一個接收到來自自動化控制系統108的訊號時，該空氣噴射器發出一股空氣流，導致材料件101從輸送機系統103轉移/彈出到對應於該空氣噴射器的淘選箱(例如，137)中。

其他機構可用於轉移/彈出材料件，例如機器人從輸送帶上去除材料件，從輸送帶上推動材料件(例如，使用油漆刷型柱塞)，造成材料件可以從其中落下的在輸送機系統103中的開口(例如，活板門)，或者當材料件從輸送帶的邊緣落下時，使用空氣噴射器將材料件轉移到分開的容器中。如本文所用的該術語，推動器裝置可指任何形式的裝置，其可被啟用以動態地將物體位移在輸送機系統/裝置上或從輸送機系統/裝置移出，採用氣動、機械或其他方式來做到這一點，例如任何適當類型的機械推動機構(例如ACME螺桿驅動)、氣動推動機構或空氣噴射 器推動機構。一些實施例可包括位於不同位置和/或沿輸送機系統的路徑具有不同轉移路徑取向的多個推動器裝置。在各種不同的實施方式中，本文描述的這些淘選系統可以取決於機器學習系統執行的材料件的分類來確定啟用哪個推動器裝置(如果有的話)。此外，確定啟用哪個推動器裝置可以基於檢測到也可與目標物品(例如，分類材料件)同時在推動器裝置的轉移路徑內的其他物體的存在和/或特性。此外，即使對於沿輸送機系統的單一化不完美的設施，所公開的淘選系統也可以認出當多個物體沒有被很好地單一化，並從多個基於哪個推動器裝置提供用於潛在地分離近距離內物體的最好的轉移路徑而應該被啟用的推動器裝置中動態選擇。在一些實施例中，被識別為目標物體的物體可以代表應該被轉移出輸送機系統的材料。在其他實施例中，被識別為目標物體的物體表示應該被允許保留在輸送機系統上的材料，使非目標材料被轉移。

除了材料件101被轉移/排出到其中的N個淘選容器136…139之外，系統100還可以包括淘選容器140，該容器接收沒有從輸送機系統103轉移/排出進入任何上述淘選容器136…139的材料件101。例如，當材料件101的分類未確定(或僅僅因為淘選裝置未能充分轉移/排出件)時，當材料件101包含由視覺系統110和/或感測器系統120檢測到的污染物時，或者因為材料件101不需要產生特定集體化學組成時，材料件101可以不從輸送機系統103轉移/排出到N個淘選容器36…139中的一個中。替代地，淘選容器 140可用於接收材料件的一個或多個分類，這些分類故意沒有分配給N個淘選容器136…139中的任何一個。然後可以根據其他特性和/或藉由另一個淘選系統對這些材料件進行進一步淘選。

取決於預定的特定集體化學組成的特定要求，可以將多個分類映射到單個淘選裝置和相關的容器。換句話說，分類和容器之間不需要一對一的關聯。例如，使用者可希望將某些分類的材料淘選到同一個容器中，以便達到特定集體化學組成。為了完成這種淘選，當材料件101被分類為滿足用於實現特定集體化學組成的一個或多個要求時，可以啟動相同的淘選裝置以將它們淘選到相同的容器中。這種組合淘選可用於產生任何期望的淘選材料件組合(例如，一種或多種特定集體化學組成)。分類的映射可以由使用者程式化(例如，使用由電腦系統107操作的淘選算法(例如，參見圖4))以產生這樣的期望組合。此外，材料件的分類是使用者可定義的，並且不限於任何特定的已知材料件分類。

在本公開的某些實施例中，輸送機系統103可以分為串聯配置的多個帶，例如兩個帶，其中第一輸送帶將材料件輸送經過視覺系統110和/或實施的感測器系統120，並且第二輸送帶將某些淘選的材料件輸送經過實施的感測器系統120以進行後續淘選。此外，這樣的第二輸送帶可以具有低於第一輸送帶的高度的高度，使得材料件從第一輸送帶落到第二輸送帶上。

在實施感測器系統120的本公開的某些實施例中，發射源121可以位於檢測區域上方(即，在輸送機系統103上方)；然而，本公開的某些實施例可以將發射源121和/或檢測器124位在仍然產生可接受的感測/檢測物理特性的其他定位。

應當理解，儘管本文描述的系統和方法主要是關於對固態材料件進行分類來描述的，但是本公開不限於此。本文所述的系統和方法可應用於對具有任何物理狀態範圍的材料進行分類，包括但不限於液體、熔融、氣體或粉末狀固態、另一種狀態及其任何合適的組合。

無論從材料件上捕獲的感測特性/資訊的類型如何，該資訊都可以隨後被發送到電腦系統(例如，電腦系統107)以由機器學習系統處理，以便識別和/或分類每一個材料件。這樣的機器學習系統可以實現任何眾所周知的機器學習系統，包括實現以下者的機器學習系統：神經網路(例如，人工神經網路、深度神經網路、卷積神經網路、遞迴神經網路、自動編碼器、強化學習等)，監督學習、無監督學習、半監督學習、強化學習、自我學習、特徵學習、稀疏字典學習、異常檢測、機器人學習、關聯規則學習、模糊邏輯、人工智慧(“artificial intelligence；AI”)、深度學習算法、深度結構化學習分層學習算法、支持向量機(“support vector machine；SVM”)(例如，線性SVM、非線性SVM、SVM回歸等)、決策樹學習(例如，分類和回歸樹(“classification and regression tree；CART”)、整體方法(例如，整體學習、隨機森林、裝袋(自助重抽總合法)和貼附、補綴和子空間、推升法、堆積等)、降維(例如，投影、流形學習、主成份分析等)和/或深度機器學習算法，例如在deeplearning.net網站(包括此網站引用的所有軟體、出版物和可用軟體的超鏈接)中描述和公開可用的算法，在此藉由引用併入。可以在本公開的實施例中使用的公開可用的機器學習軟體和庫的非限制性示例包括Python、OpenCV、Inception、Theano、Torch、PyTorch、Pylearn2、Numpy、Blocks、TensorFlow、MXNet、Caffe、Lasagne、Keras、Chainer、Matlab Deep Learning、CNTK、MatConvNet(MATLAB工具箱，實現了用於電腦視覺應用的捲積神經網路)、DeepLearnToolbox(用於深度學習的Matlab工具箱(來自Rasmus Berg Palm))、BigDL、Cuda-Convnet(快速的C++/卷積(或更一般地，前饋)神經網路的CUDA實現)、Deep Belief Network、RNNLM、RNNLIB-RNNLIB、matrbm、deeplearning4j、Eblearn.lsh、deepmat、MShadow、Matplotlib、SciPy、CXXNET、Nengo-Nengo、Eblearn、cudamat、Gnumpy、三通因數化RBM和mcRBM、mPoT(使用CUDAmat和Gnumpy訓練自然影像模型的Python代碼)、ConvNet、Elektronn、OpenNN、NeuralDesigner、Theano Generalized Hebbian Learning、Apache Singa、Lightnet、和SimpleDNN。

根據本公開的某些實施例，機器學習可以分兩個階段執行。例如，首先發生訓練，這可以離線執行，其中系統100沒有被用於執行材料件的實際分類/淘選。系統100可用於訓練機器學習系統，其中材料件(即，具有相同類型或類別的材料，或落入相同的預定分率)的同質集合(在本文中也稱為控制樣本)經過系統100(例如，藉由輸送機系統103)；並且所有這些材料件可以不被淘選，但可以被收集在一個共同的容器中(例如，淘選容器140)。替代地，可以在遠離系統100的另一個位置執行訓練，包括使用一些其他機構來收集材料件控制集合的感測資訊(特性)。在這個訓練階段期間，機器學習系統中的算法從捕獲的資訊中提取特徵(例如，使用本領域眾所周知的影像處理技術)。訓練算法的非限制性示例包括但不限於線性回歸、梯度下降、前饋、多項式回歸、學習曲線、正規化學習模型和邏輯回歸。正是在這個訓練階段期間，機器學習系統中的算法學習材料及其特徵/特性(例如，如由視覺系統和/或感測器系統捕獲的)之間的關係，創建用於系統100所接收的材料件的混合物以後的分類的知識庫。這種知識庫可以包括一個或多個庫，其中每一個庫包括供機器學習系統在對材料件進行分類時使用的參數(例如，神經網路參數)。例如，一個特定庫可以包括由訓練階段配置的參數，以認出和分類特定類型或類別的材料，或者落入預定分率的一種或多種材料。根據本公開的某些實施例，這樣的庫可以被輸入到機器學習系統中，然後系統100的 使用者可以調整某些參數以便調整系統100的操作(例如，調整機器學習系統從材料的混合中認出特定材料件的程度的閾值有效性)。

此外，在材料件(例如，金屬合金)中包含某些材料(例如，化學元素或化合物)，或某些化學元素或化合物的組合，可導致在材料上可識別的物理特徵(例如，視覺上可辨別的特性)。結果，當包含這種特定組成的複數個材料件經過上述訓練階段時，機器學習系統可以學習如何將這些材料件與其他材料件區分開來。因此，根據本公開的某些實施例配置的機器學習系統可以配置為作為材料件各自的化學組成之函數在材料件之間淘選。例如，可以配置這樣的機器學習系統，使得可以作為包含在鋁合金化內的特定合金化材料的百分比之函數對不同的鋁合金進行淘選。

例如，圖6示出了可在前述訓練階段期間使用的示例性鑄造鋁合金材料件的捕獲或獲取的影像。圖7示出了可在前述訓練階段期間使用的示例性擠壓鋁合金材料件的捕獲或獲取的影像。圖8示出了可在前述訓練階段期間使用的鍛造鋁合金的示例性材料件的捕獲或獲取的影像。在訓練階段期間，作為控制樣本的特定(同質)分類(類型)材料的複數個材料件可以傳送經過視覺系統和/或一個或多個感測器系統(例如，藉由輸送機系統)，使機器學習系統中的算法檢測、提取和學習哪些特徵(例如，視覺可辨別的特徵)代表這種類型或類別的材料。換言之，如圖6 所示的鑄造鋁合金材料件的影像可以經過這樣的訓練階段，使機器學習系統中的算法“學習”(被訓練)如何檢測、認出和分類由鑄造鋁合金組成的材料件。在訓練視覺系統(例如，視覺系統110)的情況下，被訓練以視覺辨別材料件。這將創建一個特定於鑄造鋁合金材料件的參數庫。然後，可以對擠壓鋁合金材料件的影像(如圖7所示)進行相同的處理，創建一個特定於擠壓鋁合金材料件的參數庫。並且，可以相對於鍛造鋁合金材料件的影像(如圖8所示)執行相同的處理，創建專用於鍛造鋁合金材料件的參數庫。從圖6中所示的示例性的鑄造鋁合金影像可以看出，這種鑄造鋁合金材料具有視覺上可辨別的特徵，例如銳利、明確的角度。從圖7中所示的擠壓鋁合金的示例性影像可以看出，這種擠壓鋁合金材料具有視覺上可辨別的特徵，例如圓角和錘紋。從圖8中所示的鍛造鋁合金的示例性影像可以看出，這種鍛造鋁合金材料具有視覺上可辨別的特徵，例如材料的折疊和比鑄造和擠壓材料更光滑的質地。

本公開的實施例不限於圖6-8中所示的材料。對於要由視覺系統分類的每種類型的材料，該類型材料的任意數量的示例性材料件可以經過視覺系統。假設捕獲的感測資訊作為輸入資料，機器學習系統中的算法可以使用N個分類器，每一個分類器測試N個不同材料類型、類別或分率中的一個。請注意，機器學習系統可以被“教導”(訓練)以檢測任何類型、類別或分率的材料，包括在 MSW中發現的任何類型、類別或分率的材料，或其化學組成產生視覺上可辨別的特徵的其他材料。

在算法中的參數已經建立並且機器學習系統已經充分學習(經過訓練)材料分類的差異(例如，視覺上可辨別的差異)之後(例如，在使用者定義的統計信賴準位內)，然後將用於不同材料分類的庫實現到材料分類和/或淘選系統(例如，系統100)中，以用於從材料件的混合物中識別和/或分類材料件，然後如果要進行淘選(例如，以產生特定集體化學組成)，對這些分類的材料件進行淘選。

構建、最佳化和利用機器學習系統的技術對於本領域普通技術人員來說是已知的，如相關文獻中所見。此類文獻的示例包括以下出版物：Krizhevsky等人所著“具有深度卷積網路之影像網分類(ImageNet Classification with Deep Convolutional Networks)”，第25屆神經資訊處理系統國際會議論文集，2012年12月3-6日，內華達州太浩湖；和LeCun等人所著“應用於文件識別的基於梯度的學習(Gradient-Based Learning Applied to Document Recognition)”，IEEE電氣和電子工程師會議記錄(Proceedings of Electrical and Electronic Engineers；IEEE)，1998年11月，在此藉由引用將其全部內容併入本文。

在示例性技術中，由感測器和/或視覺系統捕獲的關於特定材料件的資料可以被處理作為資料處理系 統(例如，圖11的資料處理系統3400實施(配置有)機器學習系統)內的資料值陣列。例如，資料可以是由數位攝影機或其他類型的感測器系統捕獲的關於特定材料件的光譜資料，並被處理作為資料值的陣列(例如，影像資料封包)。每一個資料值可以由單個數字表示，或作為表示複數個值的一系列數字。這些值可以乘以神經元權重參數(例如，使用神經網路)，並且可能添加了偏差。這可被饋送到神經元非線性中。神經元輸出的結果數字可以像以該輸出乘以隨後的神經元權重值，可選地添加偏差，並再次饋入神經元非線性的值一樣被處理。該處理的每次迭代都稱為神經網路的“層”。最終層的最終輸出可以解釋為在與材料件有關的捕獲資料中材料存在或不存在的概率。在前面提到的“應用於文件識別的基於梯度的學習(Gradient-Based Learning Applied to Document Recognition)”和“應用於文件識別的基於梯度的學習(Gradient-Based Learning Applied to Document Recognition)”的參考資料中都詳細描述了這種處理的示例。

根據其中實施神經網路的本公開的某些實施例，作為最終層(“分類層”)，神經元的輸出的最終集合被訓練以表示材料件與捕獲的資料的關聯的可能性。在操作期間，如果材料件與捕獲資料相關聯的可能性超過使用者指定的閾值，則確定材料件確實與捕獲資料相關聯。這些技術可以擴展到不僅確定與特定捕獲資料相關聯的材料類型的存在，而且確定特定捕獲資料的子區域是屬於一種 類型的材料或另一種類型的材料。這個處理被稱為分割，文獻中存在使用神經網路的技術，例如那些被稱為“完全卷積”的神經網路，或者如果不是完全卷積的話，包括卷積部分(即，部分卷積)的網路。這允許確定材料的位置和大小。

應當理解，本公開不排他地限於機器學習技術。也可以使用用於材料分類/識別的其他常用技術。例如，感測器系統可以利用使用多光譜或高光譜攝影機的光譜技術來提供訊號，該訊號可以藉由檢查材料的光譜發射(即光譜成像)指示材料的類型、類別或分率的存在或不存在。材料件的光譜影像也可用於模板匹配算法，其中將光譜影像資料庫與獲取的光譜影像進行比較，以從該資料庫中找出某些類型的材料的存在或不存在。還可以將捕獲的光譜影像的直方圖與直方圖資料庫進行比較。類似地，詞袋模型可以與諸如尺度不變特徵變換(“scale-invariant feature transform；SIFT”)之類的特徵提取技術一起使用，以比較捕獲的光譜影像和資料庫中的那些特徵之間的提取特徵。

因此，如本文所公開的，本公開的某些實施例提供對一種或多種不同類型、類別或分率的材料的識別/分類，以便在定義的組中(例如，根據一種或多種預定的特定集體化學組成)確定哪些材料件應從輸送機系統(即，淘選)轉移。根據某些實施例，使用機器學習技術來訓練(即配置)神經網路以識別一種或多種不同類型、分類或分 率的材料的多樣性。光譜影像或其他類型的感測資訊是由(例如，在輸送機系統上行進)材料所捕獲的，並且基於此類材料的識別/分類，本文描述的系統可以決定應允許保留哪個材料件在輸送機系統上，並且應該從輸送機系統轉移/去除(例如，進入收集容器，或轉移到另一個輸送機系統上)。

根據本公開的某些實施例，用於現有設施(例如，系統100)的機器學習系統可以被動態地重新配置以藉由一組新的神經網路參數替換當前的一組神經網路參數來識別/分類材料的新類型、分類或分率的特性。

這裡要提到的一點是，根據本公開的某些實施例，材料件的檢測/捕獲的特徵/特性(例如，光譜影像)可不一定是簡單地特別可識別或可辨別的物理特性；它們可以是只能用數學表達的抽象公式，或者根本不能用數學表達；然而，機器學習系統可以被配置為解析光譜資料以尋找允許在訓練階段期間對控制樣本進行分類的模式。此外，機器學習系統可以取材料件的捕獲資訊(例如，光譜影像)的子部分，並嘗試找到預定義分類之間的相關性。

根據本公開的某些實施例，取代利用材料件的控制樣本經過視覺系統和/或感測器系統的訓練階段，機器學習系統的訓練可以藉由利用一種標籤/註釋技術，當視覺/感測器系統捕獲材料件的資料/資訊時，使用者輸入識別每一個材料件的標籤或註釋，然後當在對材料件的混合物內的材料件進行分類時用於創建供機器學習系統使 用的庫。

根據本公開的某些實施例，由本文公開的任何感測器系統120輸出的任何感測特性可以輸入到機器學習系統中，以便對材料進行分類和/或淘選。例如，在實施監督學習的機器學習系統中，感測器系統120將材料的特定類型或組成(例如，特定金屬合金)獨特地特徵化的輸出可用於訓練機器學習系統。

圖9圖示了描繪根據本公開的某些實施例的利用視覺系統110和/或一個或多個感測器系統120對材料件進行分類/淘選的處理3500的示例性實施例的流程圖。可以執行處理3500以將材料件的混合物分類成預定類型、類別和/或分率的任何組合，包括產生預定的特定集體化學組成。處理3500可以被配置為在本文描述的本公開的任何實施例中操作，包括圖1的系統100。如將進一步描述的，處理3500可以在圖4的系統和處理400中使用。處理3500的操作可以由硬體和/或軟體執行，包括在控制該系統(例如圖1的電腦系統107、視覺系統110和/或感測器系統120)的電腦系統(例如圖11的電腦系統3400)內。

在處理方塊3501中，材料件101可以被放置到輸送機系統103上。在處理方塊3502中，該等材料件101中的每一個在輸送機系統103上的位置被檢測用於當該等材料件101中的每一個行進通過系統100時，追蹤該等材料件101中的每一個。這可以由視覺系統110執行(例如，藉由在與輸送機系統定位檢測器(例如，定位檢測器105)通 訊時將材料件101與下面的輸送機系統材料區分開來)。替代地，可以使用材料追蹤裝置111來追蹤材料件101。替代地，可以創建光源(包括但不限於可見光、UV和IR)並具有相應檢測器的任何系統可用於追蹤材料件101。在處理方塊3503中，當材料件101已經行進視覺系統110和/或感測器系統120中的一個或多個的附近時，感測材料件101的資訊/特性被捕獲/獲取。在處理方塊3504中，例如先前公開的視覺系統(例如，在電腦系統107內實現)可以執行捕獲資訊的預處理，其可以用於檢測(提取)每種材料件101的資訊(例如，來自背景(例如，輸送帶103)；換句話說，可以利用預處理來識別材料件101和背景之間的差異)。眾所周知的影像處理技術，例如膨脹、閾值化和輪廓化可用於將材料件101識別為與背景不同。在處理方塊3505中，可以執行分段。例如，捕獲的資訊可以包括與一個或多個材料件101有關的資訊。另外，特定材料件101在其影像被捕獲時可以位於輸送帶103的接縫上。因此，在這種情況下，可希望將單個材料件101的影像與影像的背景隔離開。在處理方塊3505的示例性技術中，第一步驟是應用高對比度的影像；以這種方式，背景像素被減少為實質上全部的黑色像素，並且與材料件101有關的至少一些像素被變亮為實質上全部的白色像素。然後將材料件101的白色影像像素擴大以覆蓋材料件101的整個大小。在此步驟之後，材料件101的位置是黑色背景上全部的白色像素的高對比度影像。然後，可以利用輪廓算法來檢測材料件101 的邊界。保存邊界資訊，然後將邊界位置轉移到原始影像。然後在大於先前定義的邊界的區域上對原始影像執行分段。以這種方式，材料件101被識別並與背景分離。

在可選的處理方塊3506中，材料件101可以在材料追蹤和測量裝置111和/或感測器系統120附近沿著輸送機系統103輸送，以便確定材料件101的大小和/或形狀。這樣的材料追蹤和測量裝置111可以被配置為測量每一個材料件的一個或多個尺寸，使得系統可以計算(確定)每一個材料件的近似質量。在處理方塊3507中，可以執行後處理。後處理可能涉及調整捕獲的資訊/資料的大小以準備在機器學習系統中使用。這也可以包括修改某些屬性(例如，增強影像對比度、改變影像背景或應用過濾器)，以增強機器學習系統對材料件101進行分類的能力。在處理方塊中3509，可以調整資料大小。在某些情況下可需要調整資料大小以匹配某些機器學習系統(例如，神經網路)的資料輸入要求。例如，與典型數位攝影機捕獲的影像大小相比，神經網路可需要小得多的影像資料大小(例如，225 x 255像素或299 x 299像素)。此外，輸入資料的大小越小，執行分類所需的處理時間就越少。因此，較小的資料大小可以增加系統100的吞吐量並增加其價值。

在處理方塊3510和3511中，基於感測/檢測的特徵識別/分類該等材料件101中的每一個。例如，處理方塊3510可以配置有採用一種或多種機器學習算法的神經網路，該算法將提取的特徵與儲存在先前產生的(例如， 在訓練階段產生的)知識庫中的特徵進行比較，並基於這樣的比較，將具有匹配度最高的分類分配至該等材料件101中的每一個。機器學習系統的算法可以藉由使用自動訓練的過濾器以分層方式處理捕獲的資訊/資料。然後過濾器響應在算法的下一個級別中成功地被組合，直到在最後一步中獲得概率。在處理方塊3511中，這些概率可以用於N個分類中的每一個，以決定各自的材料件101應該被淘選到N個淘選容器中的哪個。N個分類中的每一個可以涉及N個不同的預定的特定集體化學組成。例如，N個分類中的每一個可以被分配給一個淘選容器，並且所考慮的材料件101被淘選到與返回大於預定閾值的最高概率的分類相對應的那個容器中。在本公開的實施例中，這樣的預定義閾值可以由使用者預先設定。如果沒有一個概率大於預定閾值，則可以將特定材料件101淘選到離群值容器(例如，淘選容器140)中。

接下來，在處理方塊3512中，對應於材料件101的一個或多個分類的淘選裝置126...129被啟用。在材料件101的影像被捕獲的時間和淘選裝置126...129被啟用的時間之間，材料件101已經(例如，以輸送機系統的輸送速率)從視覺系統110和/或感測器系統120的附近移動到輸送機系統103下游的位置。在本公開的實施例中，對淘選裝置126...129的啟用進行定時，使得當材料件101經過映射到材料件101的分類的淘選裝置126...129時，淘選裝置126...129被啟用，並且材料件101從輸送機系統103轉移/ 彈出到其相關的淘選容器136...139中。在本公開的實施例中，淘選裝置126...129的啟用可以由各自的定位檢測器定時，該定位檢測器檢測材料件101何時在淘選裝置126...129之前經過並且發送訊號以致能淘選裝置126...129的啟用。在處理方塊3513中，對應於被啟用的淘選裝置126...129的淘選容器136...139接收被轉移/彈出的材料件101。

圖10描繪根據本公開的某些實施例的用於對材料件101進行分類/淘選的處理1000的示例性實施例的流程圖。處理1000可以被配置為在本文描述的本公開的任何實施例中操作，包括圖1的系統100。如將進一步描述的，處理1000可以在圖4的系統和處理400中使用。

處理1000可以被配置為與處理3500結合操作。例如，根據本公開的某些實施例，處理方塊1003和處理方塊1004可以併入處理3500中(例如，與處理方塊3503-3510串聯操作或並行操作)以便將結合機器學習系統實施的視覺系統110的工作與未結合機器學習系統實施的感測器系統(例如，感測器系統120)結合起來以分類和/或淘選材料件101，包括根據圖4的系統和處理400。

處理1000的操作可以由硬體和/或軟體執行，包括在控制該系統100(例如，圖1的電腦系統107)的各個態樣的電腦系統(例如，圖11的電腦系統3400)內。在處理方塊1001中，材料件101可以被放置到輸送機系統103上。接下來，在可選的處理方塊1002中，材料件101可以 在材料追蹤和測量裝置111和/或光學成像系統附近沿著輸送機系統103輸送以便追蹤每一個材料件和/或確定材料件101的大小和/或形狀。這種材料追蹤和測量裝置111可以被配置為測量每一個材料件的一個或多個尺寸，使系統可以計算(確定)每一個材料件的近似質量。在處理方塊1003中，當材料件101已經在感測器系統120附近行進時，材料件101可以用EM能量(波)或適合於感測器系統120使用的感測器技術的特定類型的一些其他類型的刺激被詢問或被刺激。在處理方塊1004中，材料件101的物理特性由感測器系統120感測/檢測和捕獲。在處理方塊1005中，對於材料件101中的至少一些，(至少部分地)基於捕獲的特性來識別/分類材料的類型，這可以與藉由機器學習系統結合視覺系統110的分類相結合(例如，當結合處理3500執行時)。

接下來，如果要執行材料件101的淘選，則在處理方塊1006中，對應於材料件101的該分類或該等分類的淘選裝置126...129被啟用。在感測到材料件的時間和啟動淘選裝置126...129的時間之間，材料件101已經以輸送機系統的輸送速度從感測器系統120的附近移動到輸送機系統103下游的位置。在本公開的某些實施例中，淘選裝置126...129的啟用被定時，使得當材料件101經過映射到材料件101的該分類的淘選裝置126...129時，該等淘選裝置126...129被啟用，並且材料件101從輸送機系統103轉移/彈出到其相關的淘選容器136...139中。在本公開的某 些實施例中，淘選裝置126...129的啟用可以由各自的定位檢測器定時，該定位檢測器檢測材料件101何時在淘選裝置126...129之前經過並且發送訊號以致能淘選裝置126...129的啟用。在處理方塊1007中，對應於被啟用的淘選裝置126...129的淘選容器136...139接收被轉移/彈出的材料件101。

根據本公開的各種實施例，可以藉由不同類型的感測器對不同類型或類別的材料進行分類，每一個感測器用於機器學習系統內，並組合以對廢料或廢物的流中的材料件進行分類。

根據本公開的各種實施例，來自兩個或更多個感測器的資料(例如，光譜資料)可以使用單個或多個機器學習系統進行組合以執行材料件的分類。

根據本公開的各種實施例，多個感測器系統可以安裝到單個輸送機系統上，每一個感測器系統利用不同的機器學習系統。根據本公開的各種實施例，多個感測器系統可以安裝到不同的輸送機系統上，每一個感測器系統利用不同的機器學習系統。

根據本公開的實施例，系統100可以被配置(例如，根據圖4的系統和處理400)以輸出在集體中具有特定化學組成(即預定的特定集體化學組成)的淘選材料的集合。換句話說，如果這種淘選材料的集合被或至少在理論上可以組合成一個單一的物體或物質(例如，熔化在一起或混合成溶液)，那麼這種單一的物體或物質將具有特定 化學組成。此外，本公開的實施例可以被配置為輸出具有特定化學組成的材料的集合，該特定化學組成不存在於饋入系統100的任何單個材料件內。

一個非限制性示例是生產具有根據特定重量百分比(wt.%)的鋁、矽、鎂、鐵、錳、銅和鋅的預定組合(例如，由系統100的使用者設計)的化學組成的鋁合金。可用於饋入系統100的鋁合金廢料件可以是圖2的表中列出的那些。並且，可期望從這些可用的鋁合金廢料件的淘選中生產具有與圖3的表中列出的化學組成實質相同的鋁合金。然而，即使系統100可以被配置為在圖2的表中列出的每種鋁合金之間作區分(即，藉由根據處理1000和處理3500中的一個或兩個對每一個鋁合金件101進行分類)，這些鋁合金中沒有一個具有與圖3的表中列出的化學組成相等的化學組成。因此，淘選出由圖2表中所列任一種鋁合金組成的廢料件不會產生在集體中具有與圖3的表中列出的化學組成相等的化學組成的鋁合金廢料件的集合。

然而，本公開的實施例可以被配置為生產鋁合金廢料件的集合，其具有與圖3的表中列出的化學組成相等或至少實質上相等的集體化學組成。這是藉由利用視覺系統110和/或感測器系統120中的一個或多個來分類、選擇和淘選用於以導致聚合化學組成(在本文中也稱為預定的特定集體化學組成)的比率輸出圖2的複數個鋁合金廢料件的組合來實現的。

由於單獨的鋁合金廢料件可具有不同的大 小，因此具有不同的質量，材料追蹤和測量裝置111可以用於估計每一個鋁合金廢料件的質量。例如，由材料追蹤和測量裝置111測量的每一個廢料件的大小可以被系統100用來確定(計算)每一個廢料件的質量，或至少近似質量。由於系統100已被配置為認出每一個廢料件並將廢料件分類為屬於在圖2的表中列出的複數種鋁合金中的一種，並且由於用於每種不同鋁合金的特定化學組成是已知的，系統100可以使用該資訊以及每一個廢料件的確定大小來確定(計算)每一個鋁合金廢料件中包含的每種不同的化學元素的質量，或至少近似質量。

為了產生具有集體化學組成的鋁合金廢料件的集合，系統100被配置為然後分類和選擇用於淘選被饋入系統100的那些鋁合金廢料件，當它們被組合時，獲得集體化學組成用於淘選後的鋁合金廢料件的組合質量。換言之，如果由系統100淘選和輸出的這種鋁合金廢料件的集合(它們很可能在某個點)被熔化在一起，則所得熔體將具有集體化學組成，或至少實質接近在所期望的準確度閾值內的集體化學組成。

因此，系統100可以被配置為在運行的基礎上計算當每一個鋁合金廢料件被添加到淘選出的集合時對集體化學組成內的每一個化學元素的單獨質量的貢獻，使得然後，系統100可以確定是否應該將下一個被分類的鋁合金廢料件添加到集合中(即，從鋁合金廢料件的混合物中淘選)。

圖4圖示了根據本公開的實施例配置的用於生產具有預定的特定集體化學組成的材料件的集合的系統和處理400的流程圖方塊圖。系統和處理400可以實現為在系統100內(例如，由電腦系統107)執行的電腦程式(或其他類型的算法)。系統和處理400可以結合圖9的系統和處理3500和/或圖10的系統和處理1000的態樣來執行。

在處理方塊401中，系統100接收或輸入預定的特定集體化學組成，該化學組成被期望在系統100內的淘選裝置126...129中的一個的輸出處產生。在處理方塊402，當每一個材料件101被輸送經過材料追蹤和測量裝置111時，材料追蹤和測量裝置111將確定該等材料件101中的每一個的大小和/或形狀，如本文所述。在處理方塊403中，分類被視覺系統110和/或感測器系統120中的一個或多個以本文所述的方式(例如，參見圖9和圖10)分配給該等材料件101中的每一個。在處理方塊404中，系統100將確定該等分類的材料件101中的每一個的化學組成。這可以使用能夠測量和確定特定材料件中的各種化學元素的重量百分比的一個或多個感測器系統120直接確定，例如XRF或LIBS系統。替代地，可以間接確定該等分類的材料件101中的每一個的化學組成，例如由於材料件101的分類的結果來推斷。例如，如果被饋入系統100中的各種不同類別或類型的材料件101是已知的(例如，如先前關於圖2所描述的)，然後可以將材料件101的每一類別或類型的特定化學組成輸入到系統100中(例如，並儲存在資料庫 中)，然後當特定材料件101被分類(例如，藉由視覺系統110和/或感測器系統120的一個或多個)時，其特定化學組成將被匹配(以某種方式關聯)其確定的分類。另外，在處理方塊404中，可以基於先前確定的大小和/或形狀來近似計算該等材料件101中的每一個的質量，並且因此可以確定材料件中的每一個化學元素的近似質量。這可以被實現，因為各種已知類型或類別的材料件的化學元素的相對質量將是已知的並且可以與已知化學組成類似的方式預先輸入到系統100中。

在處理方塊405中，系統100將基於確定的化學組成和質量對該等材料件101中的每一個進行淘選，以實現預定的特定集體化學組成。例如，系統100可以被配置為藉由預定的淘選裝置(例如，淘選裝置126)將這些材料件101中的每一個淘選(例如，轉移)到預定的容器(例如，淘選容器136)中。材料件101的剩餘部分可以被收集到淘選容器140中，或者系統100可以被配置為將該等材料件101的某些淘選到另一個容器(例如淘選容器137)中以實現第二(例如不同的)預定的特定集體化學組成。替代地，系統100可被配置為基於任何其他類型的所需分類對剩餘材料件101進行淘選，例如將剩餘材料件101淘選為兩個不同的分類(例如，鍛造、擠壓和/或鑄造鋁)。在處理方塊406中，用於實現特定集體化學組成的淘選材料件101被收集到預定容器(例如，淘選容器136)中。

可以根據需要重複處理方塊402-406以實現 特定集體化學組成，以在指定的準確度閾值內實現特定集體化學組成，或實現特定集體化學組成用於所需(預定)的收集的材料質量(可以藉由計算轉移到容器中的材料數量來確定)。例如，當每一個材料件被淘選時，系統可以持續地確定(即更新)然後所收集的材料件的集體化學組成，然後將繼續淘選，直到更新的集體化學組成在預定的特定集體化學組成的閾值準位之內。隨著每一個材料件被分類，系統將確定是否將該材料件轉移到加入集合中，例如該材料件是否會增加或減少在已經淘選和收集的材料件中特定化學元素的總重量百分比。此外，系統可以配置為不將某些材料件轉移到集合中，因為這些材料件包含不期望包含在預定的特定化學組成內的污染物(例如，包含含鐵材料，如螺栓等的鍛造鋁合金件)。替代地，可以實施其他系統以去除包含特定污染物的材料件。

材料追蹤和測量裝置111可以是眾所周知的一維或二維線掃描儀。如果是一維線掃描儀，那麼它將測量每一個材料件沿行進方向的長度。如果可以假設大多數材料件的長度和寬度大致相等，則可以使用這種長度測量來近似每一個材料件的質量。如果使用二維線掃描儀，則它可以測量每一個材料件的長度和寬度二者，以用於確定質量。

替代地，可以以眾所周知的方式使用一個或多個攝影機來對每一個材料件進行成像並確定每一個材料件的大致尺寸。這樣的攝影機可以定位在淘選設備之前的 輸送帶附近，或者可以定位在淘選設備的下游，以便僅對淘選的材料件成像以確定它們的近似質量。

如果可以假設足夠多的材料件都具有大約相同的大小和質量，則用於確定每一個塊的質量的這種實施方式可以被省略。

替代地，收集轉移的材料件的容器可以定位在連續地將收集的材料件稱重的重量秤上，從而在每一個材料件在容器內被淘選和收集時，針對每一個材料件提供近似的重量和合成質量。這些質量可以在如本文所述的系統和處理400中使用。

根據本公開的某些實施例，複數個系統100的至少一部分可以連續地鏈接在一起，以便執行淘選的多次迭代或多層。例如，當兩個或更多個系統100以這種方式連接時，輸送機系統可以用單個輸送帶或多個輸送帶實現，輸送材料件過第一視覺系統(並且，根據某些實施例感測器系統)被配置為藉由淘選機(例如，第一自動化控制系統108和相關的一個或多個淘選裝置126…129)將第一組材料的混合物的材料件淘選到第一組一個或多個容器(例如，淘選容器136…139)中，然後將材料件輸送經過第二視覺系統(並且根據某些實施例，另一個感測器系統)，該第二視覺系統被配置為藉由第二淘選機將第二組材料的混合物的材料件淘選將到第二組一個或多個淘選容器中。這種多級淘選的進一步討論在美國公開的專利申請號2022/0016675，其藉由引用併入本文。

這樣的一系列系統100可以包含以這樣的方式鏈接在一起的任意數量的這樣的系統。根據本公開的某些實施例，每一個連續的視覺系統或感測器系統可以被配置為淘選出與先前的視覺系統或感測器系統不同的材料，最終結果產生具有預定的特定集體化學組成的材料件的集合。

現在參考圖11，描繪了說明資料處理(“電腦”)系統3400的方塊圖，其中可以實現本公開的實施例的態樣。(術語“電腦”、“系統”、“電腦系統”和“資料處理系統”在本文中可以互換使用。)電腦系統107、自動化控制系統108、感測器系統120的態樣、和/或視覺系統110可以與電腦系統3400類似地配置。電腦系統3400可以使用區域匯流排3405。可以使用任何合適的匯流排架構，例如週邊組件互連(“peripheral component interconnect；PCI”)區域匯流排架構，加速圖形埠(“Accelerated Graphics Port；AGP”)架構或工業標準架構(“Industry Standard Architecture；ISA”)等。一個或多個處理器3415、揮發性記憶體3420和非揮發性記憶體3435可以連接到區域匯流排3405(例如，藉由PCI橋(未示出))。集成記憶體控制器和高速緩衝記憶體可以耦合到一個或多個處理器3415。一個或多個處理器3415可以包括一個或多個中央處理器單元和/或一個或多個圖形處理器單元3401和/或一個或多個張量處理單位。到區域匯流排3405的附加連接可以藉由直接組件互連或藉由附加板進行。在所描繪的 示例中，通訊(例如，網路(LAN))適配器3425、I/O(例如，小型電腦系統介面(“small computer system interface；SCSI”)主機匯流排)適配器3430和擴展匯流排介面(未示出)可以是藉由直接組件連接連接到區域匯流排3405。音頻適配器(未示出)、圖形適配器(未示出)和顯示適配器3416(耦合到顯示器3440)可以連接到區域匯流排3405(例如，藉由插入擴展槽的附加板)。

使用者介面適配器3412可以提供連接用於鍵盤3413和滑鼠3414、數據機(未示出)和附加記憶體(未示出)。I/O適配器3430可以提供連接用於硬碟驅動器3431、固態驅動器3432和CD-ROM驅動器(未示出)。

操作系統可以在一個或多個處理器3415上運行並且用於協調和提供對電腦系統3400內的各種組件的控制。參照圖11，操作系統可以是市售的操作系統。物件導向的程式化系統(例如，Java、Python等)可以與操作系統一起運行並且提供從程式或在電腦系統3400上執行的程式(例如，Java、Python等)對操作系統的呼叫。用於操作系統、物件導向操作系統和程式的指令可以位於非揮發性記憶體3435儲存裝置上，例如位於硬碟驅動器3431或固態驅動器3432上，並且可以加載到揮發性記憶體3420中以用於由處理器3415執行。

本領域的普通技術人員將理解，圖11中的硬體可以取決於實現而變化。其他內部硬體或外圍裝置，例如快閃唯讀記憶體(ROM)(或等效的非揮發性記憶體)或光 碟驅動器等，可用於圖11所示硬體的補充或替代。此外，本公開的任何處理可以應用於多處理器電腦系統，或由多個這樣的電腦系統3400執行。例如，機器學習系統的訓練可以由第一電腦系統3400執行，同時用於淘選的系統100的操作可以由第二電腦系統3400執行。

作為另一示例，電腦系統3400可以是被配置為可啟動的而不依賴於某種類型的網路通訊介面的獨立系統，無論電腦系統3400是否包括某種類型的網路通訊介面。作為另一示例，電腦系統3400可以是嵌入式控制器，其配置有ROM和/或快閃唯讀記憶體(ROM)，提供儲存操作系統文件或使用者產生資料的非揮發性記憶體。

圖11中描繪的示例和上述示例並不意味著暗示架構限制。此外，本公開的各態樣的電腦程式形式可以駐留在電腦系統使用的任何電腦可讀儲存媒體(即，軟碟、光碟、硬碟、磁帶、ROM、RAM等)上。

如本文所描述的，本公開的實施例可以被實施以執行所描述的用於識別、追蹤、分類和/或淘選材料件的各種功能。這樣的功能可以在硬體和/或軟體內被實現，例如在一個或多個資料處理系統(例如，圖11的資料處理系統3400)內，例如前面提到的電腦系統107、視覺系統110、感測器系統120的態樣和/或自動化控制系統108。然而，這裡描述的功能不限於實施到任何特定硬體/軟體平台中。

如本領域技術人員將理解的，本公開的各態 樣可以體現為系統、處理、方法和/或電腦程式產品。因此，本發明的各個態樣可以採取完全硬體實施例、完全軟體實施例(包括韌體、常駐軟體、微代碼等)或結合軟體和硬體態樣的實施例的形式，這些實施例通常可以參考在本文中稱為“電路”、“電路圖”、“模組”或“系統”。此外，本公開的各態樣可以採取體現在一個或多個電腦可讀儲存媒體中的電腦程式產品的形式，該電腦可讀儲存媒體具有體現在其上的電腦可讀程式代碼。(然而，可以使用一個或多個電腦可讀媒體的任何組合。電腦可讀媒體可以是電腦可讀訊號媒體或電腦可讀儲存媒體。)

電腦可讀儲存媒體可以是例如但不限於電子的、磁性的、光學的、電磁的、紅外線的、生物的、原子的或半導體系統、設備、控制器或裝置，或任何合適的組合前述，其中電腦可讀儲存媒體本身不是暫態訊號。電腦可讀儲存媒體的更具體示例(非詳盡列表)可包括以下：具有一根或多根電線的電連接、便攜式電腦軟碟、硬碟、固態記憶體、隨機存取記憶體(“RAM”)(例如，圖11的RAM 3420)、唯讀記憶體(“ROM”)(例如，圖11的ROM 3435)、可擦除可程式化唯讀記憶體(“EPROM”或快閃記憶體)、光纖、便攜式光碟唯讀記憶體(“CD-ROM”)、光儲存裝置、磁儲存裝置(例如，圖11的硬碟驅動器3431)，或前述的任何合適的組合。在本文檔的上下文中，電腦可讀儲存媒體可以是可以包含或儲存程式以供指令執行系統、設備、控制器或裝置使用或與其結合使用的任何有形 媒體。包含在電腦可讀訊號媒體上的程式代碼可以使用任何適當的媒體來傳輸，包括但不限於無線、有線、光纖電纜、RF等，或前述的任何合適的組合。

電腦可讀訊號媒體可以包括傳播的資料訊號與其中所實施的電腦可讀程式代碼，例如，在基帶中或作為載波的一部分。這種傳播的資料訊號可以採用多種形式中的任何一種，包括但不限於電磁、光或其任何合適的組合。電腦可讀訊號媒體可以是不是電腦可讀儲存媒體並且可以通訊、傳播或傳輸程式以供指令執行系統、設備、控制器或裝置使用或與其結合使用的任何電腦可讀媒體。

圖中的流程圖和方塊圖說明了根據本公開的各種實施例的系統、方法、處理和電腦程式產品的可能實現的體系結構、功能和操作。在這點上，流程圖或方塊圖中的每一方塊可表示包括用於實現指定邏輯功能的一個或多個可執行程式指令的代碼的模組、段或部分。還應注意，在一些實施方式中，方塊中標註的功能可不按圖中標註的順序出現。例如，連續顯示的兩個方塊實際上可以實質上同時執行，或者這些方塊有時可以以相反的順序執行，這取決於所涉及的功能。

在本文的描述中，流程圖技術可以用一系列順序動作來描述。動作的順序和執行動作的一方可以自由地被改變而不背離教導的範圍。可以藉由數種方式添加、刪除或更改動作。類似地，動作可以重新排序或循環。此外，雖然處理、方法、算法等可以按順序描述，但是這樣 的處理、方法、算法或它們的任何組合可以可操作地以替代順序執行。此外，處理、方法或算法內的一些動作可以在至少一個時間點期間同時執行(例如，並行執行的動作)，也可以全部、部分或它們的任何組合執行。

在軟體中實現以供各種類型的處理器(例如，GPU 3401、CPU 3415)執行的模組可以例如包括一個或多個電腦指令的物理或邏輯塊，例如，其可以被組織為物件、程序或函數。然而，已識別模組的可執行文件不需要物理上位在一起，而是可以包括儲存在不同位置的不同指令，當這些指令在邏輯上結合在一起時，包括該模組並實現該模組所述的目的。實際上，一個可執行代碼的模組可以是單個指令，也可以是多條指令，甚至可以分佈在幾個不同的代碼段上、不同的程式之間和跨多個儲存裝置。類似地，操作資料(例如，本文描述的材料分類庫)可以在模組內被識別和繪示說明，並且可以以任何合適的形式體現並組織在任何合適類型的資料結構中。操作資料可以被收集作為單個資料集，或者可以被分佈在不同的位置，包括於不同的儲存裝置。資料可以在系統或網路上提供電子訊號。

這些程式指令可以提供給通用電腦、專用電腦或其他可程式化資料處理設備(例如，控制器)的一個或多個處理器和/或控制器，以生產機器，使得經由電腦或其他可程式化資料處理設備的處理器(例如，GPU 3401、CPU 3415)執行的指令創建用於實現流程圖和/或方塊圖塊 或方塊中指定的功能/動作的電路圖或裝置。在特定實施例中，電腦程式指令可以被配置為向淘選設備發送淘選指令，以便指導從多個材料件中淘選某些材料件，以產生具有預定的特定集體化學品的材料件的集合。

還應注意，方塊圖和/或流程圖說明的每一個塊，以及方塊圖和/或流程圖說明中的塊的組合，可以由專用的基於硬體的系統(例如，可以包括一個或多個圖形處理單元(例如，GPU 3401))執行指定的功能或動作，或專用硬體和電腦指令的組合實現。例如，模組可以實現為硬體電路，包括定制的VLSI電路或閘陣列、現成的半導體(例如邏輯晶片、電晶體、控制器或其他離散元件)。模組也可以在可程式化硬體裝置中實現，例如現場可程式化閘陣列、可程式化陣列邏輯、可程式化邏輯裝置等。

用於執行本公開的態樣的操作的電腦程式代碼，即指令，可以用一種或多種程式化語言的任何組合來編寫，包括物件導向的程式化語言，例如Java、Smalltalk、Python、C++、等等，習知的處理程式化語言，例如“C”程式化語言或類似的程式化語言，或本文公開的任何機器學習軟體。程式代碼可以完全在使用者電腦系統上執行，部分在使用者電腦系統上，作為獨立軟體包，部分在使用者電腦系統(例如，用於淘選的電腦系統)上，部分在遠端電腦系統上執行(例如，用於訓練感測器系統的電腦系統)，或完全在遠端電腦系統或伺服器上。在後一種情況下，遠端電腦系統可以藉由任何類型的網路 連接到使用者的電腦系統，包括局域網(“local area network LAN”)或廣域網(“wide area network WAN”)，或者可以進行連接到外部電腦系統(例如，透過使用網路服務提供者的網際網路)。

這些程式指令也可以儲存在電腦可讀儲存媒體中，該儲存媒體可以指導電腦系統、其他可程式化資料處理設備、控制器或以特定方式運行的其他裝置，使得儲存在電腦可讀媒體中的指令生產包括執行流程圖和/或方塊圖塊或多個塊中指定的功能/動作的指令的製品。

一個或多個資料庫可以包括在主機中，用於儲存和提供對各種實現的資料的存取。本領域技術人員還將理解，出於安全原因，本公開的任何資料庫、系統或組件可以包括位於單個位置或多個位置的資料庫或組件的任何組合，其中每一個資料庫或系統可以包括任何各種合適的安全特徵，例如防火牆、存取代碼、加密、解密等。資料庫可以是任何類型的資料庫，例如關係型、分層型、物件導向等。可用於實現資料庫的常見資料庫產品包括IBM的DB2、甲骨文公司(Oracle Corporation)提供的任何資料庫產品、微軟公司(Microsoft Corporation)的Microsoft Access或任何其他資料庫產品。資料庫可以以任何合適的方式組織，包括作為資料表或查找表。

某些資料的關聯(例如，在分類材料件與其已知化學組成之間，或在分類材料件與其計算的近似質量之間)可以藉由本領域已知和實踐的任何資料關聯技術來 實現。例如，可以手動或自動完成關聯。自動關聯技術可以包括例如資料庫搜索、資料庫合併、GREP、AGREP、SQL等。關聯步驟可以藉由資料庫合併功能來完成，例如，使用每一個製造商和零售商資料表中的關鍵字段。關鍵字段根據關鍵字段所定義的高級物件類別對資料庫進行分區。例如，可以將某個類別指定為第一資料表和第二資料表二者中的關鍵字段，然後可以在關鍵字段中的類別資料的基礎上合併兩個資料表。在這些實施例中，每一個合併後的資料表中的關鍵字段對應的資料最佳是相同的。然而，在關鍵字段中具有相似但不相同的資料的資料表也可以藉由使用例如AGREP來合併。

本公開的各態樣提供了一種方法，該方法包括確定多個材料件中的每一個材料件的近似質量，其中多個材料件中的至少一個具有與其他材料件不同的材料分類；將多個材料件中的每一個材料件分類為屬於多個不同材料分類中的一個；並且作為多個材料件中的每一個材料件的被確定的近似質量和分類之函數，從多個材料件中淘選某些材料件，其中淘選產生具有預定的特定集體化學組成的材料件的集合。淘選可以包括將某些材料件轉移到容器中。淘選可包括連續確定轉移材料件的集體化學組成。淘選可以包括將下一個材料件轉移到容器中，以便增加轉移的材料件的集體化學組成的特定化學元素的重量百分比。淘選可以包括不將下一個材料件轉移到容器中，以便降低轉移的材料件的集體化學組成的特定化學元素的重量 百分比。淘選可以包括不將下一個材料件轉移到容器中，因為它包含在預定的特定集體化學組成內不需要的污染物。淘選可以被繼續，直到預定的最小數量的轉移材料件的集體化學組成等於預定的特定集體化學組成的閾值準位。具有預定的特定集體化學組成的材料件的集合可以包含至少一個材料件，該材料件具有不同於該集合中的其他材料件的材料分類。多個材料件可以包括具有不同金屬合金組成的材料件。預定的特定集體化學組成可以不同於多個材料件中的每一個的化學組成。預定的特定集體化學組成可以不同於所有多個材料件的集體化學組成。材料件的集合可以包括具有不同材料分類的材料件。材料件的集合可以包括具有與其他材料件不同的材料分類的材料件中的至少一個。多個件可以包括鍛造鋁合金件和鑄造鋁合金件，其中材料件的集合可以包括至少一個鍛造鋁合金件和至少一個鑄造鋁合金件，並且其中預定的特定集體化學組成不同於鍛造鋁合金件的化學組成，並且其中預定的特定集體化學組成不同於鑄造鋁合金件的化學組成。分類可以包括透過機器學習系統處理從多個材料件中的每一個捕獲的影像資料。

本公開的多個態樣提供了一種系統，該系統包括感測器，該感測器被配置為捕獲材料件的混合物中的每一個的一個或多個特性，其中材料件的混合物可以包括具有不同材料分類的材料件；資料處理系統，被配置為將材料件的混合物的每一個材料件分類為屬於多個不同材料 分類中的一個；以及淘選裝置，其被配置為作為材料件的混合物的每一個材料件的分類之函數，從材料件的混合物中淘選某些材料件，其中，所述淘選產生具有預定的特定集體化學組成的材料件的集合。感測器可以是攝影機，其中一個或多個捕獲的特性由被配置為在材料件被輸送經過攝影機時捕獲每一個材料件的混合物的影像的攝影機捕獲，其中該攝影機被配置為捕獲每一個材料件的視覺影像以產生影像資料，並且其中所述特徵是視覺觀察到的特徵。資料處理系統可以包括實施神經網路的機器學習系統，該神經網路被配置為基於捕獲的視覺觀察特性將材料件的混合物的每一個材料件分類為屬於多個不同材料分類中的一個。該系統還可以包括被配置為確定多個材料件中的每一個材料件的近似質量的設備，其中根據所確定的每一個材料件的近似質量和分類來執行淘選。該設備可以包括被配置為測量每一個材料件的近似大小的線掃描儀。

本公開的各態樣提供了一種儲存在電腦可讀儲存媒體上的電腦程式產品，該電腦程式產品在由資料處理系統執行時執行包括確定多個材料件中的每一個材料件的近似質量的處理，其中，所述多個材料件中的至少一個具有與其他材料件不同的材料分類；將多個材料件中的每一個材料件分類為屬於多個不同材料分類中的一個；並且引導從多個材料件中淘選某些材料件以產生具有預定的特定集體化學組成的材料件的集合，其中所述淘選作為多個材料件的每一個材料件的確定的近似質量和分類之函數來 執行，其中材料件的集合包括具有不同材料分類的材料件。分類可以包括透過機器學習系統處理從多個材料件中的每一個捕獲的影像資料。預定的特定集體化學組成可以不同於多個材料件中的每一個的化學組成。

在此參考“配置”裝置或“配置為”執行某些功能的裝置。應該理解，這可以包括選擇預定義的邏輯塊並在邏輯上關聯它們，使得它們提供特定的邏輯功能，包括監控或控制功能。它還可以包括對控制裝置的基於電腦軟體的邏輯進行程式化，對離散硬體組件進行佈線，或上述任何或所有的組合。

在本文的描述中，提供了許多具體細節，例如程式化、軟體模組、使用者選擇、網路事務、資料庫查詢、資料庫結構、硬體模組、硬體電路、硬體晶片、控制器等的示例，以提供對本公開的實施例的透徹理解。然而，相關領域的技術人員將認識到，本公開可以在沒有一個或多個具體細節的情況下或者用其他方法、組件、材料等來實踐。在其他情況下，可未詳細示出或描述眾所周知的結構、材料或操作以避免模糊本公開的態樣。

本領域技術人員應當理解，系統100的組件的各種設置和參數(包括神經網路參數)可以基於被分類和被淘選的材料的類型、期望的分類和淘選結果、正在使用的設備類型、先前分類的經驗結果、變成可用的資料和其他因素隨著時間而被定制、被最佳化和被重新配置。

貫穿本說明書對“實施例”、“實施例”或 類似語言的引用意味著結合實施例描述的特定特徵、結構或特性被包括在本公開的至少一個實施例中。因此，在整個說明書中出現的短語“在一個實施例中”、“在一個實施例中”、“實施例”、“某些實施例”、“各種實施例”和類似的語言可以但不一定都指代相同的實施例。此外，本公開的所描述的特徵、結構、態樣和/或特性可以以任何合適的方式組合在一個或多個實施例中。相應地，即使最初要求保護的特徵在某些組合中起作用，在某些情況下，要求保護的組合中的一個或多個特徵也可以從組合中刪除，並且要求保護的組合可以針對子組合或子組合的變體。

本文已經針對特定實施例描述了利益、優勢和問題的解決方案。然而，利益、優勢、問題的解決方案，以及任何可能導致任何利益、優勢或解決方案出現或變得更加明顯的元件，都不應被解釋為任何或所有申請專利範圍的關鍵的、必需的或基本的特徵或元件。此外，除非明確描述為必要的或關鍵的，否則本文所述的任何組件都不是實施本公開所必需的。

雖然本說明書包含許多細節，但這些不應被解釋為對本公開的範圍或可以要求保護的內容的限制，而是對特定於本公開的特定實施方式的特徵的描述。本文的標題可能不旨在限制本公開、本公開的實施例或在標題下公開的其他事項。

在本文中，術語“或”可以是包括在內的， 其中“A或B”包括A或B並且還包括A和B兩者。如本文所用，術語“和/或”當用於實體列表的上下文是指單獨或組合存在的實體。因此，例如，短語“A、B、C和/或D”單獨包括A、B、C和D，但也包括A、B、C和D的任何和所有組合和子組合。

本文使用的術語僅出於描述特定實施例的目的，並不旨在限制本公開。如本文所用，單數形式“一”、“一個”和“該”也可以旨在包括複數形式，除非上下文另有明確指示。

以下申請專利範圍中的所有裝置或步驟加上功能元件的相應結構、材料、動作和等同物可以旨在包括用於與如特別要求保護的其他要求保護的元件組合來執行功能的任何結構、材料或動作。

如本文所用，諸如“控制器”、“處理器”、“記憶體”、“神經網路”、“介面”、“淘選器”、“淘選器設備”、“淘選裝置”、“裝置”、“推動機構”、“推動裝置”、“成像感測器”、“箱”、“容器”、“系統”和“電路圖”均指本領域技術人員可以識別和理解的非通用裝置元件，用於援引35 U.S.C.112(f)。

如本文所用，關於已識別的性質或情況，“實質上”是指偏離程度足夠小，以至於不會顯著減損已識別的性質或情況。在某些情況下，允許的準確偏差程度可取決於具體情況。

如本文所用，多個物品、結構元件、組成元件、示例性部分和/或材料可以為了方便而呈現在共同列表中。然而，這些列表應該被解釋為好像列表的每一個構件都被單獨識別為一個單獨的和唯一的構件。因此，此類列表中的任何單個構件均不應僅基於其在沒有相反的指示的一個共同組中的呈現而被解釋為與同一列表中的任何其他構件事實上的等價物。

除非另有定義，否則本文使用的所有技術和科學術語(例如用於元素週期表中的化學元素的首字母縮寫詞)具有與本公開主題所屬領域的普通技術人員通常理解的相同含義。除非引用了特定段落，否則本文提及的所有出版物、專利申請、專利和其他參考文獻均藉由引用整體併入。在衝突的情況下，以本說明書(包括定義)為準。此外，材料、方法和示例僅是說明性的，而不是限制性的。

在本文未描述的範圍內，關於特定材料、處理動作和電路的許多細節是習知的，並且可以在教科書和計算、電子和軟體領域內的其他來源中找到。

除非另有說明，否則在說明書和申請專利範圍中使用的所有表示成分的量、反應條件等的數字都應理解為在所有情況下都被術語“約”修飾。因此，除非有相反的說明，否則本說明書和所附申請專利範圍中闡述的數值參數是近似值，其可以取決於本公開標的所尋求獲得的期望特性而變化。如本文所用，當提及質量、重量、時 間、體積、濃度或百分比的值或量時，術語“約”意在包括在一些實施例中±20%的變化、在一些實施例中±10%的變化、在一些實施例中±5%的變化、在一些實施例中±1%的變化、在一些實施例中±0.5%的變化以及在一些實施例中±0.1%的變化，因為這樣的變化適合於執行所公開的方法。如本文所用，術語“相似”可以指在彼此的特定偏移或百分比內的值(例如，1%、2%、5%、10%等)。

Claims (23)

1. 一種用於淘選材料之方法，包含：確定複數個材料件中的每一個材料件的近似質量，其中該複數個材料件中的至少一個具有與其他材料件不同的材料分類；將該複數個材料件中的每一個材料件分類為屬於複數個不同材料分類中的一個；並且作為該複數個材料件中的每一個材料件的確定的該近似質量和分類之函數，從該複數個材料件淘選該等材料件中的某些材料件，其中該淘選產生具有預定的特定集體化學組成的多個材料件的集合。
2. 根據請求項1之方法，其中，該淘選包含將該等材料件中的該某些材料件轉移到容器中。
3. 根據請求項2之方法，其中，該淘選包含連續地確定被轉移的該等材料件的集體化學組成。
4. 根據請求項3之方法，其中，該淘選包含將下一個材料件轉移到該容器中，以增加被轉移的該等材料件的該集體化學組成的特定化學元素的重量百分比。
5. 根據請求項3之方法，其中，該淘選包含不將下一個材料件轉移到該容器中，以降低被轉移的該等材料件的該集體化學組成的特定化學元素的重量百分比。
6. 根據請求項3之方法，其中，該淘選包含不將下一個材料件轉移到該容器中，因為它含有在該預定的特定集體化學組成內不期望的污染物。
7. 根據請求項3之方法，其中，該淘選被繼續，直到預定最小數量的多個被轉移的材料件的該集體化學組成等於該預定的特定集體化學組成的閾值準位。
8. 根據請求項1之方法，其中，具有預定的特定集體化學組成的該多個材料件的集合含有具有與該集合中的其他材料件不同的材料分類的至少一個材料件。
9. 根據請求項1之方法，其中，該複數個材料件包括具有不同金屬合金組成的多個材料件。
10. 根據請求項1之方法，其中，該預定的特定集體化學組成不同於該複數個材料件中的每一個的該化學組成。
11. 根據請求項10之方法，其中，該預定的特定集體化學組成不同於所有的該複數個材料件的該集體化學組成。
12. 根據請求項1之方法，其中，該多個材料件的集合包括具有不同材料分類的多個材料件。
13. 根據請求項12之方法，其中，該多個材料件的集合包括具有與該其他材料件不同的材料分類的該等材料件中的該至少一個。
14. 根據請求項1之方法，其中該複數個件包含多個鍛造鋁合金件和多個鑄造鋁合金件，並且其中該多個材料件的集合包含至少一個鍛造鋁合金件和至少一個鑄造鋁合金件，並且其中該預定的特定集體化學組成不同於該等鍛造鋁合金件的化學組成，並且其中該預定的特定 集體化學組成不同於該等鑄造鋁合金件的化學組成。
15. 根據請求項1之方法，其中，該分類包含透過機器學習系統處理從該複數個材料件中的每一個捕獲的影像資料。
16. 一種用於淘選材料之系統，包含：感測器，被配置為捕獲多個材料件的混合物中的每一個的一個或多個特性，其中該多個材料件的混合物包含具有不同材料分類的多個材料件；資料處理系統，被配置為將該多個材料件的混合物中的每一個材料件分類為屬於複數個不同材料分類中的一個；以及淘選裝置，被配置為作為該多個材料件的混合物中的每一個材料件的該分類之函數，從該多個材料件的混合物淘選該等材料件中的多個材料件，其中該淘選產生具有預定的特定集體化學組成的多個材料件的集合。
17. 根據請求項16之系統，其中該感測器是攝影機，並且其中被捕獲的該一個或多個特性由該攝影機捕獲，該攝影機被配置為當該多個材料件的混合物中的每一個被輸送經過該攝影機時捕獲該多個材料件的混合物中的每一個的多個影像，其中該攝影機被配置為捕獲該多個材料件的混合物中的每一個的多個視覺影像以產生影像資料，並且其中該等特性是多個被視覺觀察到的特性。
18. 根據請求項17之系統，其中該資料處理系統包含機器學習系統，該機器學習系統實施神經網路， 該神經網路被配置為基於被捕獲的該多個被視覺觀察到的特性將該多個材料件的混合物中的每一個材料件分類為屬於複數個不同材料分類中的一個。
19. 根據請求項16之系統，更包含被配置為確定複數個材料件中的每一個材料件的近似質量的設備，其中該淘選根據被確定的每一個材料件的該近似質量和分類被執行。
20. 根據請求項19之系統，其中該設備包含線掃描儀，該線掃描儀被配置為測量每一個材料件的近似大小。
21. 一種儲存在電腦可讀儲存媒體上的電腦程式產品，當由資料處理系統執行時，該電腦程式產品執行處理，包含：確定複數個材料件中的每一個材料件的近似質量，其中該複數個材料件中的至少一個具有與其他材料件不同的材料分類；將該複數個材料件中的每一個材料件分類為屬於複數個不同材料分類中的一個；並且引導從該複數個材料件的該等材料件中的某些材料件的淘選以產生具有預定的特定集體化學組成的多個材料件的集合，其中該淘選作為該複數個材料件中的每一個材料件的確定的該近似質量和分類之函數被執行，其中該多個材料件的集合包含具有不同材料分類的多個材料件。
22. 根據請求項21之電腦程式產品，其中該 分類包含透過機器學習系統處理從該複數個材料件中的每一個捕獲的影像資料。
23. 根據請求項21之電腦程式產品，其中該預定的特定集體化學組成不同於該複數個材料件中的每一個的該化學組成。

Images