Verbeterde efficiëntie bij het selecteren van verpakkingen

Tijdens het recyclingproces is een van de belangrijkste en minst bekende taken de selectie van verpakkingen. De selectie van containers wordt uitgevoerd in specifieke fabrieken en haar taak bestaat uit het scheiden van de verschillende containers (van de gele containers) op basis van hun materiaal en aard (meestal plastic, metalen containers en briks).

Dit werk is van het grootste belang omdat het noodzakelijk is om dit afval op de juiste manier te recyclen. In de afgelopen jaren is dit proces geëvolueerd, van handmatig naar geautomatiseerd alsIndustrie 4.0 technologieën zijn verbeterd en hebben een hoge vlucht genomen, waardoor een grotere efficiëntie gedurende het hele proces mogelijk is.

Technologieën voor verpakkingsselectie

Bij de selectie van containers worden verschillende technologieën gebruikt die op verschillende manieren bijdragen aan het verbeteren van de efficiëntie en optimalisatie van dit proces:

• Computervisie

  Het bestaat uit het toepassen van verschillende bewerkingen op eerder verkregen beelden om informatie te verkrijgen. Via deze methode kunnen gegevens zoals de kleur van het waargenomen object of de omtrek ervan worden verkregen. Met behulp van deze technieken is het mogelijk om het materiaal te bepalen waaruit de objecten zijn gemaakt of om het beeld te manipuleren om de informatie te extraheren die het meest interessant is voor de toepassing.

• Machineleren / diep leren

  Reeks algoritmen die in staat zijn om een ​​reeks kenmerken te leren waaruit ze verschillende conclusies kunnen trekken, zoals het classificeren of detecteren van objecten. Van deze technieken vallen neurale netwerken op, die het gedrag van een menselijk brein simuleren om te leren van de gegevens die het ontvangt. Deze methode is erg handig voor het verpakkingsselectieproces, omdat het een hoog succespercentage heeft in dit soort toepassingen, wat essentieel is om afval en verpakking in de overeenkomstige categorie te kunnen scheiden. Het wordt vaak gebruikt in combinatie met Computer Vision bij het extraheren van informatie uit eerder bewerkte afbeeldingen.

• Robotica

  Het gebruik van collaboratieve robots is essentieel in het containerselectieproces, omdat het de scheiding van containers op een fysieke manier kan automatiseren, afhankelijk van de categorie waartoe ze behoren. Om deze functie uit te voeren, wordt het meestal gebruikt in combinatie met Computer Vision en Deep Learning, die de nodige informatie bieden om verpakkingen en afval te lokaliseren en de categorie waartoe ze behoren. Ze kunnen ook worden gebruikt in combinatie met AGV's, voor het geval het nodig is om de objecten naar een andere plaats te vervoeren.

Implementatieproces voor verpakkingsselectie

Om een ​​betrouwbare en geschikte selectiemethode voor gebruik in de verschillende fabrieken tot stand te brengen, is het noodzakelijk om een ​​ontwikkeling door te voeren waarin gegevens kunnen worden verzameld en de verschillende te gebruiken technologieën kunnen worden geconfigureerd. Dit proces is afhankelijk van meerdere factoren:het type toepassing dat moet worden uitgevoerd, de plaats van installatie, externe factoren ... In bijna alle situaties kunnen echter specifieke stappen worden onderscheiden:

• Gegevensverzameling

  Het bestaat uit het verkrijgen van de informatie die nodig is om de detectie en classificatie uit te voeren die nodig zijn voor de toepassing. Bij de selectie van containers bestaat deze uit het maken van beelden en gegevens van de objecten door middel van camera's en sensoren.

• Gelabeld

  Methode waarmee de kenmerken die geïnteresseerd zijn in het vinden en tot welke klasse ze behoren, worden aangegeven in de verkregen gegevens. Voor een toepassing voor containerselectie zoals de voorgestelde is het een kwestie van in een afbeelding aan te geven waar de objecten die we willen vinden zich bevinden en tot welk type ze behoren.

• Training

  De getagde gegevens worden geëxtraheerd door het gebruikte detectie-algoritme, zodat het de informatie leert die moet worden gedetecteerd. Een goed opgeleid systeem zal de kenmerken kunnen extraheren die de verschillende soorten containers onderscheiden en zal ze kunnen lokaliseren en classificeren voor latere scheiding.

• Evaluatie

  Om te bevestigen dat de prestaties van het getrainde algoritme correct zijn, wordt het gebruikt met nieuwe gegevens waaruit het mogelijk is om metrieken te verkrijgen die de prestaties objectief kwalificeren. Voor de selectie van containers worden gelabelde afbeeldingen gebruikt die niet in het trainingsproces zijn gebruikt. Op deze manier kan worden geverifieerd dat het zich in nieuwe situaties gedraagt ​​door metrieken te verkrijgen zoals precisie- of verwarringsmatrices.

• Installatie

  Ten slotte, als al het bovenstaande is gedaan en het algoritme met de beste evaluatie is gekozen, wordt het systeem in de echte omgeving gebruikt. Hiervoor wordt het algoritme zo nodig geconfigureerd dat het de informatie retourneert die interessant is voor de applicatie en het dienovereenkomstig gaat gebruiken. Voor de selectie van containers worden beelden van het afval gemaakt, het algoritme detecteert en classificeert en stuur deze informatie naar het systeem, dat het zo nodig zal behandelen om over te gaan tot de scheiding van het overeenkomstige afval.

Bij ATRIA hebben we een identificatiesysteem voor grofvuil ontwikkeld genaamd SIARA dat is gebaseerd op artificiële visie en Deep learning en stelt ons in staat om de objecten te identificeren die hindernissen veroorzaken in de huidige scheidingsinstallaties voor plastic afval. Dit proces is belangrijk om de rest van de plant goed te laten functioneren.

Voordelen van het gebruik van Industrie 4.0-technologie bij het selecteren van verpakkingen

Zoals vermeld, wordt het gebruik van nieuwe technologieën en automatisering gebruikt om de efficiëntie in fabrieken voor verpakkingsselectie te verbeteren. Deze verbetering vertaalt zich in verschillende voordelen:

• Mogelijkheid om gegevens op te nemen . Omdat het hele proces geautomatiseerd is, kunt u de gemaakte classificaties vastleggen, het tijdstip waarop ze zijn gemaakt of zelfs afbeeldingen opslaan die van belang kunnen zijn.
• Hogere verwerkingssnelheid . Omdat alles geautomatiseerd is, kan het systeem de classificatie veel sneller uitvoeren dan iemand die het handmatig moest doen.
• Door vision-systemen te gebruiken, is het niet nodig om grote aantallen mensen in dienst te nemen voor het identificeren van restanten, ongeacht de werkdruk . Zodat het personeel zich kan wijden aan andere functies.
• Continue verbetering Omdat het een op leren gebaseerd systeem is, kunnen indien nodig gemakkelijk wijzigingen en verbeteringen worden aangebracht.

Wilt u de verpakkingsselectie toepassen in een van uw projecten? Neem contact met ons op!