Recyclingefficiëntie verhogen: Geavanceerde verpakkingsselectietechnieken

Tijdens het recyclingsproces is een van de belangrijkste en minst bekende taken de selectie van verpakkingen. De selectie van containers wordt uitgevoerd in specifieke installaties en de taak ervan bestaat uit het scheiden van de verschillende containers (uit de gele containers) volgens hun materiaal en aard (meestal kunststoffen, metalen containers en briks).

Dit werk is van het grootste belang omdat het noodzakelijk is om het recyclen van deze afvalstoffen op de juiste manier uit te voeren. In de afgelopen jaren is dit proces geëvolueerd, van handmatig naar geautomatiseerd, naarmate Industrie 4.0 technologieën zich verbeterden en in de bloei kwamen, wat grotere efficiëntie door het hele proces mogelijk maakte.

Technologieën voor verpakkingsselectie

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

• Computer Vision

  Het bestaat uit de toepassing van diverse operaties op eerder verkregen afbeeldingen om informatie te verkrijgen. Door deze methode kunnen gegevens verkregen worden zoals de kleur van het waargenomen object of zijn contour. Met deze technieken is het mogelijk om het materiaal te bepalen waaruit de objecten gemaakt zijn of de afbeelding te manipuleren om de informatie te extraheren die het meest interessant is voor de toepassing.

• Machine Learning / Deep Learning

  Verzameling van algoritmen die in staat zijn een set kenmerken te leren waaruit ze diverse conclusies kunnen trekken, zoals het classificeren of detecteren van objecten. Van deze technieken vallen neurale netwerken op, die het gedrag van een menselijke hersenen simuleren om te leren van de data die het ontvangt. Deze methode is zeer nuttig voor het verpakkingsselectieproces omdat het een hoog percentage succes heeft in dit type toepassing, essentieel om afval en verpakkingen in de bijbehorende categorie te scheiden. Het wordt vaak gebruikt in combinatie met Computer Vision bij het extraheren van informatie uit eerder verwerkte afbeeldingen.

• Robotica

  Het gebruik van cobots is essentieel in het containerselectieproces, omdat het de automatisering van de scheiding van containers op een fysieke manier mogelijk maakt, 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 benodigde informatie leveren om verpakkingen en afval te localiseren, en de categorie waartoe ze behoren. Ze kunnen ook in combinatie met AGVs worden gebruikt, voor het geval het nodig is om de objecten naar een andere plek te transporteren.

Implementatieproces verpakkingsselectie

Om een betrouwbare en geschikte selectiemethode voor gebruik in de verschillende installaties te vestigen, is het noodzakelijk om een ontwikkeling uit te voeren waarin data verzameld kan worden en de verschillende te gebruiken technologieën geconfigureerd kunnen worden. Dit proces hangt af van meerdere factoren: het type uit te voeren toepassing, installatieplaats, externe factoren ... Echter, in bijna alle situaties kunnen specifieke stappen te volgen worden gedifferentieerd:

• Dataverzameling

  Het bestaat uit de acquisitie van de informatie die nodig is om de detectie en classificatie uit te voeren die nodig is voor de toepassing. In het geval van de selectie van containers, bestaat het uit het nemen van afbeeldingen en data van de objecten door middel van camera's en sensoren.

• Labelen

  Methode waarmee de kenmerken die gezocht worden en waartoe ze behoren, worden aangegeven in de verkregen data. Voor een containerselectietoepassing zoals de voorgestelde, gaat het om het aangeven in een afbeelding waar de objecten die we willen vinden zich bevinden en wat voor type ze zijn.

• Training

  De gelabelde data wordt geëxtraheerd door het gebruikte detectie-algoritme zodat het de te detecteren informatie leert. Een goed getraind systeem zal in staat zijn de kenmerken te extraheren die de verschillende typen containers differentiëren en ze te localiseren en classificeren voor latere scheiding.

• Evaluatie

  Om te bevestigen dat de prestaties van het getrainde algoritme correct zijn, wordt het gebruikt met nieuwe data waaruit objectief prestatiemetriche verkregen kunnen worden. Voor de selectie van containers, gelabelde afbeeldingen die niet in het trainingsproces zijn gebruikt, zullen worden gebruikt. Op deze manier kan gecontroleerd worden dat het zich in nieuwe situaties gedraagt door metriche te verkrijgen zoals precisie of verwarringsmatrices.

• Installatie

  Ten slotte, zodra al het bovenstaande gedaan is, en het algoritme met de beste evaluatie gekozen is, wordt het systeem in de echte omgeving gebruikt. Hiervoor wordt het algoritme zo nodig geconfigureerd zodat het de informatie teruggeeft die interessant is voor de toepassing en verder gebruikt wordt. Voor de selectie van containers, worden afbeeldingen van het afval gemaakt, het algoritme zal detecteren en classificeren ze en deze informatie naar het systeem sturen, dat het zal behandelen zoals nodig om door te gaan met de scheiding van het corresponderende afval.

Bij ATRIA hebben we een identificatiesysteem voor groot afval ontwikkeld genaamd SIARA dat gebaseerd is op kunstmatige visie en Deep learning en dat ons in staat stelt de objecten te identificeren die obstructies veroorzaken in huidige plastic afvalscheidingsinstallaties. Dit proces is belangrijk voor de rest van de installatie om goed te functioneren.

Voordelen van het gebruik van Industrie 4.0 technologie in verpakkingsselectie

Zoals vermeld, worden het gebruik van nieuwe technologieën en automatisering gebruikt om de efficiëntie in verpakkingsselectie-installaties te verbeteren. Deze verbetering vertaalt zich in diverse voordelen:

• Mogelijkheid van data vastleggen. Omdat het hele proces geautomatiseerd is, kunt u de gemaakte classificaties, de tijd waarop ze gemaakt werden, of zelfs afbeeldingen die van belang kunnen zijn, opslaan.
• Hogere verwerkingssnelheid. Omdat alles geautomatiseerd is, is het systeem in staat de classificatie veel sneller uit te voeren dan een persoon die het handmatig moest doen.
• Door het gebruik van visiesystemen is het niet nodig grote aantallen mensen in te zetten voor de taak van het identificeren van residuen, onafhankelijk van de werkbelasting. Dus het personeel kan zich toeleggen op andere functies.
• Continu verbetering Omdat het een leergebaseerd systeem is, kunnen veranderingen en verbeteringen eenvoudig worden aangebracht indien nodig.

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