CN107552412B - 废料分拣*** - Google Patents

废料分拣*** Download PDF

Info

Publication number
CN107552412B
CN107552412B CN201710526981.7A CN201710526981A CN107552412B CN 107552412 B CN107552412 B CN 107552412B CN 201710526981 A CN201710526981 A CN 201710526981A CN 107552412 B CN107552412 B CN 107552412B
Authority
CN
China
Prior art keywords
particle
particles
color
image
color input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710526981.7A
Other languages
English (en)
Other versions
CN107552412A (zh
Inventor
保罗·托雷克
本杰明·奥布琼
卡利亚尼·查甘蒂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huron Valley Steel Corp
Original Assignee
Huron Valley Steel Corp
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 Huron Valley Steel Corp filed Critical Huron Valley Steel Corp
Publication of CN107552412A publication Critical patent/CN107552412A/zh
Application granted granted Critical
Publication of CN107552412B publication Critical patent/CN107552412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
    • B07C5/367—Sorting apparatus characterised by the means used for distribution by means of air using a plurality of separation means
    • B07C5/368—Sorting apparatus characterised by the means used for distribution by means of air using a plurality of separation means actuated independently
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0054—Sorting of waste or refuse
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Sorting Of Articles (AREA)

Abstract

一种分拣废料颗粒的***和方法包括使用视觉***将包含废料颗粒的移动输送机进行成像以创建图像。计算机将图像作为单元的矩阵进行分析，识别矩阵中包含颗粒的单元，并且通过确定与该颗粒相关联的每个单元的颜色分量根据颜色模型来计算颗粒的颜色输入。光束被引导到视觉***下游的输送机上的颗粒上，并且至少一个来自颗粒的发射光束被隔离并在选定的频带被检测以提供颗粒的光谱数据。计算机生成包含颜色输入和光谱数据的颗粒的数据向量，并且将颗粒分类到作为该向量的函数的至少两个材料分类中的一个。

Description

废料分拣***
技术领域
本发明涉及在流水线操作中用于分拣废颗粒的方法和***。
背景技术
废金属目前使用传送带或其他流水线操作以高速或大量地进行分拣，使用包括如下的各种技术：通过流水线操作员进行手工分拣，空气分拣，振动分拣，基于颜色的分拣，磁选分拣，光谱分拣等。废料在进行分拣之前通常被切碎，并且需要分拣以便于废料中材料的分离和再利用，例如通过基于材料类型或分类进行分拣。通过分拣，废料可以重新使用，而不是去垃圾填埋场或焚化炉。此外，与从石油提炼塑料或从矿石提炼原始原料相比，使用经分拣的废料可以减少污染和排放。如果经分拣的材料的质量符合指定标准，则可以使用经过分拣的废料来代替制造商的原始原料。废料可以分类为金属、塑料等，也可以进一步分类为金属类，塑料类等。例如，期望的是将废料分类和分拣为铁金属和有色金属、重金属、如镍或钛的高价值金属、铸造或锻造金属、以及其他各种合金。
发明内容
在一个实施例中，提供了分拣废料颗粒的方法。使用视觉***对于包含废料颗粒的移动输送机进行成像，以产生与输送机的定时位置相对应的图像。使用计算机将图像作为单元矩阵进行分析，通过将颗粒与指示输送机的背景区分开来识别包含颗粒的矩阵中的单元，并通过确定与颗粒相关联的矩阵中的每个单元的颜色分量根据颜色模型来计算颗粒的颜色输入，通过将与颗粒相关联的矩阵的每个单元的两个颜色分量作为一对判别输入到校准表中来计算出颜色输入，如果该对判别是预定义的判别对中的一个，则标记该单元，并且通过该颗粒相关联的单元的总数将已标记单元的总和归一化来计算颜色输入。使用包括光束偏转器的扫描器组件，产生光束并将其引导到目标区域内并且处于视觉***下游的输送机上的颗粒上。使用检测器将来自目标区域中的颗粒的至少一个发射光束带隔离并在选定的频带处进行测量，以提供颗粒的光谱数据。使用计算机生成包含颜色输入和光谱数据的颗粒的数据矢量，并且将颗粒分类成作为数据向量的函数的至少两个材料分类中的一个分类。
在另一个实施例中，提供了一种分拣废料颗粒的方法。使用视觉***对于包含废料颗粒的移动输送机进行成像，以产生与输送机的定时位置相对应的图像。使用计算机将图像作为单元矩阵进行分析，通过将颗粒与指示输送机的背景区分开来识别包含颗粒的矩阵中的单元，并通过确定与颗粒相关联的矩阵中的每个单元的颜色分量，根据颜色模型来计算颗粒的颜色输入。使用包括光束偏转器的扫描器组件，产生光束并将其引导到目标区域内并且处于视觉***下游的输送机上的颗粒上。使用检测器将来自目标区域中的颗粒的至少一个发射光束带隔离并在选定的频带处进行测量，以提供颗粒的光谱数据。使用计算机生成包含颜色输入和光谱数据的颗粒的数据矢量，并且将颗粒分类成作为数据向量的函数的至少两个材料分类中的一个分类。
在另一个实施例中，提供了用于在移动的输送机上分选随机定位的废料颗粒的扫描***。视觉***具有传感器和被照明的预定义的观看区域，以在时间间隔内对通过其的皮带进行成像。光束导向器从光源接收光束并且将光束重新导向到具有安装在光束的路径中的光束偏转器的目标扫描器组件，以进一步将光束导向到二维目标区域内的选定位置。安装在光束路径中的聚焦光学元件聚焦光束并沿着聚焦表面提供大致均匀的光功率密度。光谱传感器与目标物相邻。至少一个控制器接收并处理从视觉***获取到的图像数据以识别观察区域中的输送机上的废料颗粒，通过对图像施加颜色标准，从由视觉***拍摄的图像根据颗粒的颜色模型计算颜色输入，瞄准目标区域中的废料颗粒并控制光束指向器，瞄准扫描器组件以将光束定向在目标废料颗粒处，响应于光束与颗粒相互作用，基于指示从颗粒发射出的光束一个或多个所选频率的信号来确定颗粒的光谱数据，并且使用包含颜色输入和光谱数据的数据向量将颗粒分类为材料的分类。
附图说明
图1示出根据实施例的分拣***的侧视图；
图2示出图1的分拣***的顶视图；
图3示出根据实施例的采用至少两个同步激光器与图1的分拣***一起使用的激光***的示意图；
图4示出用于与图1的分拣***一起使用的激光***的透视示意图；
图5示出使用图1的***来对废料分类的方法的流程图；
图6示出提供与图5的方法一起使用的颜色输入的方法的流程图，其中左侧示出校准过程，右侧示出分拣过程；
图7示出与图6的方法一起使用的校准表；
图8示出与图6的方法相关联的颗粒图像和步骤的简化示例；
图9示出提供与图5的方法一起使用的颜色输入的方法的流程图；
图10示出使用与图9的方法相关的步骤的来自图8的颗粒图像的简化示例的直方图；以及
图11示出使用数据向量和图5的方法对于颗粒进行分类的神经网络。
具体实施方式
根据需要，在此提供本公开文本的详细实施例；然而，应当理解的是，所公开的实施例是示例并且可以以各种和替代形式实施。示意图不一定按比例；一些特征可能被夸大或最小化以显示特定组件的细节。因此，在此所公开的具体结构和功能的细节不应被解释为限制性的，而是仅作为教导本领域技术人员各种应用本公开文本的代表性基础。
应当认识到，在此所公开的任何电路或其它电子设备可以包括任何数量的微处理器，集成电路，存储器件(例如，FLASH、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或其它合适的变型)以及彼此协作以执行在此公开的操作的软件。此外，在此公开的任何一个或多个电子设备可以用于执行体现在非瞬态计算机可读介质中的计算机程序，其被编程为执行在此所公开的任何数量的功能。
图1至图2示出用于将废料分类成两种或更多种材料分类然后将材料分拣到其指定的分类中的***100或装置。
传送带102或用于将物体沿着路径或方向(这里示出为y方向)移动的其它机构支撑待分拣的颗粒104。待分拣的颗粒104由多片废料构成，如来自车辆、飞机、回收中心的废料；或本领域已知的其它固体废料。在通过分拣***100或更大的分拣设备之前，材料104通常经过切碎过程等分解成厘米或毫米数量级的更小的片。颗粒104可以随机地定位并定向在输送机102上，具有随机和广泛变化的形状，并且具有变化的性质，例如宽范围的反射率。
***100将颗粒分类并分拣成两种或更多种所选择的材料类别。在一个示例中，执行二进制排序以将材料104分拣为两个类别。在另一例子中，材料被分拣为三类或更多类材料。传送带102在x方向上沿宽度方向延伸，并且材料104的碎片或颗粒随机地定位在带102上。在各种示例中，可以对不同的废料进行分类，例如混合金属、铸造与锻造、合金等类型。
***100具有视觉***106，该视觉***106在皮带102穿过视觉***106的观看区域时对其进行成像。在一个示例中，视觉***106提供可见光谱中的彩色图像。在其他示例中，视觉***106提供另一多通道图像。控制单元108接收来自视觉***106的图像，并且使用图像来定位皮带上材料的颗粒104并且当这些颗粒沿着皮带移动时对其进行跟踪。控制单元108还使用成像数据来确定与皮带102上的每个颗粒104相关联的颜色数据。控制单元108可以由采用多个处理器的联网计算机***来提供，以实现高速多任务的环境，其中处理在多个不同的处理器上连续地且同时地进行。在控制单元108中，每个处理器依次能够提供多任务环境，其中多个功能不同的程序可以同时处于活跃，在优先级和需要的基础上共享处理器。支持执行进程组中识别出的功能的硬件的选择也可能取决于***的大小和速度，以及分拣的类别。
***100具有激光光谱***110，该激光光谱***110具有一个或多个激光器和光束转向***。当颗粒通过皮带102上的***110时，来自激光器的光脉冲由光束转向***导向至已知的颗粒位置。激光束或脉冲与颗粒相互作用以形成等离子体。***110测量等离子体发射的光，例如在一个或多个指定的频带中，以向控制单元108提供指示光谱数据的信号。
控制单元108使用每个颗粒的光谱数据和颜色数据，并执行颗粒的多判别分析，从而将颗粒分类为两个或更多个预选分类中的一个。基于分类结果，控制单元108控制分拣装置112根据它们相关联的分类对于颗粒104进行分拣。控制单元108还可以包括一个或多个显示屏和人机界面114，用于在操作期间控制***100并且还用于校准或***设置。
废料的颗粒104被提供到皮带102的第一端区域116。使用一个或多个电动机和支撑辊118移动皮带102。控制单元108控制电动机118来控制皮带102的运动和速度。控制单元108可以包括一个或多个位置传感器120，以确定皮带102的位置和时间，用于当颗粒104移动通过带上的***时定位和跟踪它们。在一个示例中，尽管考虑了其他速度，输送机102以每分钟200至400英尺的速度线性移动。
皮带102上的颗粒104可经过清洁***或设备122。清洁***122沿着皮带102的宽度延伸，并且可以包括去除灰尘的加压空气源和/或将液体喷雾(例如水)提供到输送机102的表面上的润湿设备，以形成输送机的变暗、更均匀的表面作为背景。
皮带102穿过视觉***106，该视觉***106包括在材料移动通过***106时将材料进行成像的成像装置124。视觉***106基于相关联的成像装置124的观看区域来创建皮带102的区域的图像，并且将该图像与皮带102的定时相关联。
视觉***106包括带102和颗粒104穿过的成像装置124和照明***126。成像装置124可以是具有诸如电荷耦合器件(CCD)或互补金属氧化物半导体(CMOS)传感器的数字颜色传感器的照相机。在一个示例中，成像装置124是以足够的频率进行扫描以提供输送机102的有序图像帧的连续进给的线扫描相机，并且是三芯片RGB彩色CCD相机。在其他示例中，成像设备可以包括CMOS传感器或另一传感器，或者可以使用另一个颜色模型(诸如，HSV和HSL或其它通道)提供图像。相机124具有聚焦在皮带102上的关联的观看区域。相机124可以是提供紫外线、可见光和/或红外通道的多光谱或高光谱相机。
视觉***106还可以包括具有其自己的照明***127的三维(3-D)成像装置125。3-D成像装置125可以是观看由线激光器127所产生的激光线轮廓的相机或相机对，并且使用线激光器的垂直位移来确定颗粒104的顶表面轮廓。在另一个实施例中，它可以是与扫描皮带102宽度的快速一维(1-D)扫描镜进行耦合的飞行时间激光测距***。替换地，如本领域已知的，可以使用立体/双相机3D***或任何其他3D成像***。
照明***126照亮皮带102的观看区域，从而为成像装置124提供观看区域的受控均匀照明。照明***126可以具备护罩128，其包括支撑诸如荧光灯泡、宽带LED或卤素灯泡的发射宽带可见光的一个或多个灯的框架。照明***126还可以包括用于准直和均匀照明的柱面透镜和/或定位在灯和输送机102之间的一个或多个扩散板。
控制单元108使用关于输送机102位置的信息来控制视觉***106，例如使用来自位置传感器120的输入来确定传送带102的线性行进以及废料颗粒104在皮带上的相关联行进。当传送带102已行进等于观看区域的长度的距离时，控制单元108可以控制视觉***106获取观看区域的图像。
成像装置124包括图像检测器或传感器，其电子地记录通过输送机102所传送废料颗粒穿过的观察区域的图像。图像处理单元130设置在控制单元中以周期性地获取和处理图像。处理器单元130包括用于组合来自线扫描照相机的每个图像的逻辑。处理器单元130可以将观看区域的每个图像划分为单元的矩阵，并分析对应于图像的数字数据，以确定颗粒104在输送机102上的位置，用于激光光谱***110和分离设备112，并且确定每个颗粒104的颜色输入，用于分类和分拣过程。图像处理单元130接收指示输送机102的位置以及何时获取图像信号，使得传送带在通过观察区域时，以输送机的离散化部分的一系列连续图像的形式被成像。如下所述，控制单元108的控制器132和处理器130可以对于图像被记录的每个数字像素值执行各种分析。1997年10月14日授权的美国专利No.5,676,256中提供了基于颜色的视觉分拣***的示例，其全部内容通过引用并入本文。
皮带102然后通过激光光谱***110。激光光谱***110可以运行为激光诱导击穿光谱(LIBS)，激光火花光谱(LSS)或激光诱发光发射光谱(LIOES)***，并且使用聚焦激光束来蒸发并随后从样品材料(例如，颗粒104)产生谱线发射物，从而分析颗粒104的化学组成。LIBS***110在对控制单元108进行LIBS询问之后提供颗粒的激光诱导等离子体的光发射数据，以用于对颗粒104进行分类和分拣。在2003年4月8日授权的美国专利No.6,545,240B2中提供了激光诱导光谱分拣***的示例，其全部内容通过引用并入本文。
激光光谱***110向激光***134提供产生激光束的至少一个激光器，该激光束在所选择的时间间隔内包括至少一个激光脉冲，并且在一些示例中，包括多个激光脉冲的流，以及至少一个扫描器组件136。扫描器组件136定位在激光器134和输送机102之间，具有可定位的光束偏转器，以将激光脉冲引导至输送机102上的被选择目标区域中的任何位置处的被选择颗粒，以及聚焦元件，安装该聚焦元件用于聚焦光束并且沿着与输送机大致一致的平面提供均匀的激光功率密度。***110还包括至少一个光收集器或检测器，用于在颗粒104被激光脉冲照射时收集由颗粒104产生的等离子体所发射的光。
激光***134包括至少一个激光器，用于在预选的时间间隔内提供至少一个激光脉冲，并且在一些示例中提供多个激光束脉冲。在一个示例中，激光***134由一对固态固定频率脉冲Q开关钕-钇铝石榴石(通常称为Nd-YAG)激光器138、140，同步单元142，一对反射镜144、146，以及用于将来自每个激光器138、140的适当偏振的脉冲流组合成单个选定路径150的偏振分束器148提供。每个激光器138、140可以以双脉冲模式进行操作，通过在闪光灯循环期间两次Q切换激光器来产生分开1-200微秒的两个脉冲。在一个示例中，双脉冲中的激光脉冲被分开大约50微秒，使得具有两个激光器138,140的激光***134提供在150微秒的时段内发射的四个脉冲。基于传送带102的速度，在该时间段期间，颗粒104的平移运动是可以忽略的，使得所有四个脉冲都被引导到相同的位置，并且相同的颗粒使用单个扫描器位置。在另外的示例中，***100包括多于一个的激光***134，或者向颗粒传送更少或大于四个脉冲的激光***134。在另一示例中，激光***134以两微秒间隔的两个脉冲从两个激光器传送激光脉冲，其中激光以100赫兹照射或50赫兹交错。
在一个示例中，激光器138、140以固定频率模式进行操作以产生可预测特征的脉冲。在其他示例中，可以使用在固定频率模式下在时间跨度中也产生足够的激光脉冲的其它激光器，以与***100一起使用，而不需要重新定位扫描器。
扫描器组件136由控制单元108控制，将多个激光脉冲沿着路径引导至与目标区域中的颗粒相关联的目标位置。扫描器组件136可以包括与扫描器组件的不同功能相关联的一个或多个子组件。在一个示例中，每个激光***134具有相关联的扫描器组件136。扫描器组件136可以用于将激光束沿着输送机102的行进方向以及横向跨越输送机102的宽度进行引导，从而当颗粒104与输送机102一起移动时提供对准颗粒104的灵活性。
扫描器组件136包括光束偏转器子组件152，其包括具有可控的、可定位镜子的扫描器的至少一个光束偏转器154。在一个示例中，光束偏转器154是具有镜子的可定位的电流计量扫描器。每个反射镜可以由控制单元108在非干扰位置和激光脉冲与反射镜相互作用的可操作位置之间旋转。光束偏转器子组件152将来自激光器134的恒定间隔可用的激光束脉冲进行引导，并且以均匀功率密度聚焦到沿着输送机102上的目标区域内的选定位置。选择足够短的预选时间间隔，从而在不重新定位扫描器136的情况下，消除已经传送到具有多个脉冲的位置的检测到的废料颗粒104上所选择的目标点。检测器子组件152的反射镜154将来自相关联的激光***134的激光脉冲沿着固定路径引导到扫描器子组件156。当***不需要激光脉冲时，检测器子组件可将激光脉冲重新引导到激光转储(laser dump)。如果需要比由第一激光***所能够提供的脉冲更快的一组激光脉冲，则可以重新定位反射镜154以将来自第二激光***的一组多个脉冲沿着相同的固定路径引导到扫描器子组件156中的一个。通过提供多于一个或一组的激光***以及多于一个偏转器子组件，用于光谱***的激光脉冲的频率可以增加到超过一个多脉冲激光***的可用频率。
扫描器子组件156还包括沿着固定路径从光束偏转器子组件136接收激光脉冲的光束偏转器158。在一个示例中，基于目标区域中的颗粒104的密度和速度提供多个扫描器子组件156。每个扫描器子组件156可以具有与相邻的扫描器子组件重叠的目标区域。扫描器子组件156包括光束偏转器158，例如可定位的电流计量扫描器160，当颗粒104在输送机102上移动通过目标区域时，该可定位的电流计量扫描器160定位相关联的反射镜162将激光脉冲从偏转器子组件136引导到目标区域中的选定位置和选定的颗粒104。扫描器子组件156还包括聚焦元件164，例如聚焦激光脉冲的透镜。透镜164可以是包括失真特性的F-Theta透镜或类似的聚焦元件，使得图像距离与场角成比例，并且扫描与扫描反射镜的角位移成线性关系。在一个示例中，透镜164是远心F-Theta透镜，其还提供激光脉冲在整个目标区域沿着垂直于目标区域的扫描平面的轴的聚焦，使得激光脉冲流与颗粒的表面之间的角度关系是一致的，并且不取决于颗粒的位置，增加结果的均匀性。在另一示例中，透镜是通常由至少一个移动透镜和一个固定透镜组成的望远镜的一部分。使用来自3-D成像装置125的表面轮廓信息以及几何目标距离，针对改善、均匀的LIBS性能来调整z方向上的焦点。此外，颗粒104上的选定位置可以选择为具有最小表面粗糙度或本领域已知的其他特征的颗粒的平坦子区域，以提供优异的LIBS信号。
***100可以包括一个或多个光收集器166。光收集器166包括分布为收集来自所生成的等离子体的光的光纤，并且连接到光分布和光谱分析器单元168以隔离并测量收集到的光的选定光谱分量。在一个示例中，光收集器166包括多个紫外级熔融石英光纤，这些光纤被定位成收集由于与废料颗粒104的材料相互作用的激光脉冲的所产生的等离子体的光。光纤可以由扫描器壳体支撑并且分布为在每个目标区域上收集光。光纤将等离子体发射的光提供给光分布和光谱分析单元。
光分布和光谱分析单元168可以包括将收集到的光的均匀分布提供到一个或多个光谱滤光器的集成室。在一个示例中，光谱滤波器由单色仪***170提供，将以围绕选定频率为中心的窄带光(大约0.05至0.1纳米波长)传输到检测器172。在另一示例中，光谱滤波器由多色仪来提供。检测器172向控制单元108中的光谱处理器174提供指示从相关联的单色仪的发射强度的信号。在各种示例中，每个检测器172由光电倍增管(PMT)、光电二极管、增强二极管阵列、CCD检测器等来提供。在一个示例中，光收集器166用于具有PMT检测器172的光谱分析单元168。在另一示例中，集光器166被省略或被用于与CCD检测器172进行露天连接的反射镜代替。
控制单元108至少使用如下所述的颜色输入和光谱数据，来将每个颗粒104分类成多个分类中的一个。控制单元108然后控制分离器单元112，使用每个颗粒104的分类、颗粒的位置以及输送机102的位置来分拣和分离颗粒104。
***100包括位于输送机102的第二端180处的分离器单元112。分离器单元112包括用于基于其分类来分离颗粒104的喷射器182的***。分离器单元112具有与控制单元108和位置传感器120通信的分离器控制器184，从而选择性地激活适当的喷射器182来分离位于输送机上的已经到达皮带的排出端180的选定废料颗粒。喷射器182可以用于将颗粒104分成两类、三类或任何其它数量的材料类别。喷射器182可以是气动的，机械的或如本领域已知的其他。在一个示例中，喷射器182是空气喷嘴，其被选择性地激活以将空气喷流引导到所选择的废料颗粒上，从而在所选择的颗粒离开传送带时改变所选颗粒的轨迹，使得颗粒被选择性地引导并分拣到成单独的箱184，例如使用分配箱186。
循环回路也可以存在于***100中。如果存在，循环回路取走无法分类的颗粒104，并通过***100将它们按新路线重新发送，以便重新扫描并分拣至类别。
参考图5，示出使用如图1至图2所示***100的控制单元108分类颗粒的方法。在其他实施例中，该方法中的各种步骤可以组合、重新排列或省略。控制单元108向摄像机提供线触发信号，以基于输送机102的位置获取单条线。响应于接收到线触发信号，相机在步骤200获取行扫描图像。
控制单元108形成与线扫描图像相关联的矩阵，该矩阵也与皮带102的位置或坐标相关联，以供分离器单元112使用。该矩阵覆盖图像使得矩阵中的每个单元与图像中的一个或多个像素相关联。在一个示例中，矩阵可以具有与每个像素相关联的单元。在其他示例中，该矩阵可以具有与多个相邻像素相关联的一个单元。
图像处理器130接收来自相机124的信号，该信号包括与相机124中的传感器所检测到的观看区域的每个红色、绿色和蓝色部分或颜色分量对应的一系列RGB信号。在其他示例中，可以向图像处理器提供基于不同颜色空间和颜色模型的其它颜色信号，以指示包括至少三个颜色分量的图像的颜色，或者可以从相机提供其他通道，例如，灰度、非可见光谱等。来自相机124的RGB信号由图像处理器130组合或转换成三个阵列，每个阵列对应于红色、绿色和蓝色图像中的一个。图像处理器130可以将线扫描图像数据进行组合以形成较大的合成图像或矩阵作为阵列。每个阵列对于每个红色、绿色和蓝色图像可以是1024×1024个数字像素值(从0到255)，并且可以是24位。阵列可以重叠从而为矩阵中的每个单元或每个像素提供具有三个通道或RGB通道的彩色图像。RGB值作为[R，G，B]值的数据集(每个值范围从0到255)提供给像素或单元。
在步骤202，图像处理器130可以使用快速傅里叶变换(FFT)来转换阵列、图像或矩阵，拒绝高频噪声和/或拒绝表示带状噪声的X方向和/或Y方向上的特定频率，然后应用逆FFT来恢复改进的阵列、图像或矩阵。控制单元108用于通过以下方式来减少图像上的噪声：经由FFT转换图像，从而在频域中创建图像的表示，从表示中移除至少一个指定的频率，并且经由逆FFT将表示转换回图像。
在步骤202，控制单元108可以另外对于图像的每个颜色通道进行归一化，例如RGB颜色空间的R图像或阵列、B图像或阵列、以及G图像或阵列，以校正光源中的任何光谱不平衡。例如，图像中的每个像素可以具有使用与每个颜色相关联的查找表或校准表进行修改的R值、G值和/或B值。基于使用中性背景、校准卡等的校准过程可以获得用于图像的颜色校正的校准或查找表。
在步骤204，控制单元108通过将颗粒与指示输送机102的背景进行区分，来识别可能包含颗粒104的矩阵中的单元或图像中的像素。通过在图像或矩阵的至少一个通道上施加阈值，并且当至少一个通道的值超过该阈值时对于像素或单元进行标记以指示颗粒104的存在，来将颗粒104与背景区分开。
图像处理器130另外确定每个颗粒104的目标信息以供激光***110使用。在一个示例中，图像处理器130使用颗粒的形状和高于阈值的颜色或灰度通道的值，基于颗粒104的估计重心来确定目标位置。在另一示例中，图像处理器130使用距离变换算法(例如棋盘变换)来确定目标位置，通过计算从每个像素到颗粒104的最近边缘的距离，并将目标位置偏向到距离边缘最远的像素。需要注意的是，颗粒104中的任何孔或其它不连续可以产生边缘。在另一示例中，假设目标位置距离任何边缘足够远，则图像处理器130可以使用3-D成像信息来选择颗粒上平滑的目标位置。
图像处理器130或控制单元108可以使用具有单元的矩阵和包括[R，G，B]颜色通道数据的矩阵，以及关于如下确定的颗粒位置和颗粒特性的附加信息。图像处理器130或控制单元108可以替代地使用诸如MATROX的成像库处理工具来创建包括[R，G，B]值、边界信息以及如下确定的其他颗粒性质的每个颗粒的填充有像素数据的表或其他数据库。
在步骤206，控制单元108调整与颗粒104相关联或被分配为颗粒104的每个区域的图像和矩阵，以增强颗粒。在其他示例中，省略步骤206，并且该方法从步骤204直接进行到步骤208。在步骤206，与颗粒104相关联的图像或矩阵的区域可以由控制单元108和图像处理器130使用各种机器视觉处理技术进行修改，从而侵蚀、扩大、填补孔，或以其他方式修改或校正与识别出的颗粒104相关联的图像或矩阵。
在步骤208，控制单元108通过使用与颗粒相关联的矩阵中的单元或图像中的每个像素的颜色分量，根据颜色模型计算颗粒104的颜色输入。控制单元108可以将颜色标准应用于与颗粒104相关联的矩阵单元或图像像素，以确定颗粒的颜色输入。在其他示例中，控制单元108可以评估与颗粒104相关联的图像的像素或单元的群组。例如，控制单元108可以在确定颗粒104的整体颜色输入时分析相邻像素或单元中的颜色分量的频率和/或分布。下面的图6和图9提供了确定颜色输入的方法的示例。
在图5的步骤210中，控制单元108可以从图像或矩阵计算识别出的颗粒的形状、纹理特征、颜色分量标准偏差、灰度体积、宽高比或另一视觉特征，作为颗粒的视觉特征。纹理特征可以包括等级，无量纲周长(周长除以面积的平方根)，通过设置颗粒的阈值或通过从另一个减去一个等级图像所产生的孔数，总孔面积占总面积的比例，最大孔面积占总面积的比例，以及哈拉利克(Haralick)纹理特征。在其他示例中，省略步骤210，并且该方法从步骤208直接进行到步骤212。
控制单元108可以通过经由快速傅立叶变换(FFT)变换图像来将纹理值分配给颗粒。FFT幅度图像中不同频带的平均对数标度的幅度可以用作区分纹理特征。
在步骤212，激光光谱***110使用从视觉***106提供的目标位置信息和颗粒104在输送机102上的位置或坐标以及输送机102的位置来对准颗粒104。控制单元108控制扫描器组件136和光束偏转器将激光***134所产生的光脉冲引导到视觉***108的下游且在激光光谱***110的目标区域内的输送机102上的颗粒104。控制单元108控制激光***134和扫描仪组件136的光束或激光脉冲引导到目标区域中的颗粒持续预定时间。激光光谱***110可以使用来自视觉***的形状和特征信息来识别用于烧蚀颗粒的优选位置。
激光光谱***110使用检测器172在选定的频带上分离并测量来自目标区域中的颗粒104的至少一个发射光带，以提供与指向颗粒的激光照射相关联的颗粒的光谱数据。控制单元108响应于与颗粒相互作用的光束或激光照射，基于指示从颗粒发射的光的选定频带的信号来确定颗粒104的光谱数据。需要注意的是，激光照射可以包括多个激光脉冲，并且包括两个激光、双发激光***的四个激光脉冲。
在其他示例中，控制单元108可以控制激光光谱***110将不止一个激光照射引导到颗粒104，或者将多个顺序激光照射引导到目标区域中的颗粒。控制单元108确定针对颗粒的每个激光束的光谱数据，使得每个激光照射提供清楚的光谱数据。在另一示例中，光谱数据可以通过频谱数据对于每种照射不明确的方式进行平均或组合。光谱数据可以包括与由单色器或检测器识别出的光谱发射的一个或多个选定的窄带有关的强度。在一个示例中，针对四个激光脉冲中的每一个来收集光谱数据。观察到的特定谱线、发射观察开始时从脉冲射击开始的延迟时间(门延迟)以及收集数据的持续时间(门宽)都取决于废料颗粒中待识别的元素。光谱数据可以包括位于指定波长的任何数量的发射线，并且可以基于颗粒104的期望分类。例如，光谱数据可以包括八个元素线、十六条元素线或任何其它数量的元素线。光谱数据可以被归一化或者以其他方式使用校准技术对进行修改。在一个示例中，利用PMT检测器172，通过每行的峰值来提供光谱数据。对于来自颗粒104的多发光谱数据，给定线的光谱数据进行比较、平均、加权、评分、舍弃或以其他方式进行处理。在另一示例中，利用CCD检测器172，在各种谱带中可以提供一个或多个CCD检测器172，例如宽带或紫外线到红外，或宽带光谱的任何子集。颗粒104的光谱数据可以使用机器学习算法来提供，诸如使用加权像素和比较或通道的直方图等的偏最小二乘法判别分析(PLSDA)，支持向量机(SVM)或其他算法。可以从单色仪或检测器的输出以十到二十纳秒的采样间隔来采样光谱数据。
激光脉冲可以由控制单元108在时间上分离或间隔开，以便提供足够的等待周期，从而允许由于先前脉冲所发射的等离子体的光谱激发充分消失，使得从指向颗粒104的后续脉冲所获取的光谱数据不受来自先前脉冲的激励的影响。例如，激光脉冲可以分隔大约50微秒。
在步骤214中，控制单元108针对包含颜色输入和光谱数据两者的激光发射来生成颗粒104的数据矢量。该矢量还可以包括与颗粒相关联的附加视觉数据，例如在步骤210确定的一个或多个视觉特征。
在步骤216，控制单元108通过将数据向量输入到机器学习算法中，将颗粒104分类为作为数据向量的函数的至少两个材料分类中的一个。控制单元可以使用支持向量机(SVM)、偏最小二乘法判别分析(PLSDA)、神经网络、决策树随机森林、或另一种机器学习和分类技术来评估数据向量并分类颗粒104。在一个示例中，神经网络用于基于对光谱数据和颜色输入数据的分析，将每个废料颗粒104分类为基于元素或化学成分的基于元素或化学组成的预选的合金族列表或其他预选的材料列表中的一个。
可以在步骤216分析一个或多个数据向量中每个颗粒104的多个脉冲的频谱数据。例如，可以通过分离一个或两个光谱带并利用简单比例技术通过将一个或多个分析物谱线的强度与参考线的强度进行比较，然后比较这些比率与对应于不同合金的不同范围的值，以结合数据向量中的颜色输入将颗粒进行归类，来区分和分拣两类颗粒的光谱数据。
在一个示例中，当分类具有类似成分的几类颗粒104(例如几种不同的铝合金)时，该方法可以使用复杂分类方案，例如神经网络，其使用包括多个选定光谱的数据矢量线、颜色输入，并且可以包括诸如形状、纹理等的其他颗粒特征以对颗粒进行分类。数据向量还可以包括用于对颗粒进行分类的其他数据，例如来自单色仪的输入，包括与激光器的工作波长处的散射辐射量对应的值和由其它单色仪/检测器监视的所选择的发射线，产生的激光能量，以及颗粒在输送机上的位置。
对于实施使用数据向量对颗粒104进行分类的神经网络的控制单元108，神经网络程序可以通过运行神经网络通过“监督学习”过程来进行“训练”以“学习”输入和输出数据组之间的关系。然后学习到的关系可以用于使用包含光谱数据的数据矢量来预测输出并且分类废料颗粒104，其中的光谱数据包括由已知化学、颜色输入和其它颗粒特征数据的废料的代表性样品所产生的发射强度和散射。以下参考图11示出和描述神经网络的示例。神经网络可以用于提供在输入和输出数据集之间已知的广义函数关系。诸如反向传播和竞争性学习的算法技术可以用于估计给定类型的输入和输出数据的各种参数或权重。
为了结合LIBS和机器视觉分类，每个可以单独提供每个待分离的材料的分数，然后在单独的最后步骤中将分数进行组合。可替换地，在应用分类器之前追加来自LIBS和机器视觉的数据向量，形成单个的更长数据向量，其中的分类器可以是神经网络、PLSDA、SVM、判别分析或其他机器学习和分类方法。在前面的方法中，不同的技术可以用于LIBS、机器视觉和最终组合步骤。例如，可以利用PLSDA来评估LIBS数据以生成每类材料的数值分数，而利用多重判别分析来评估视觉数据以生成每个类别的得分；那么这些得分可以由支持向量机来评估以产生最终分类。
在一个示例中，颗粒104的分类可以是多级分类。例如，可以使用二进制SVM来以二进制排序对两个较大的材料组进行分类，然后可以将PLSDA与每个组一起使用以对于每组材料内的各个金属进行分类。在一个示例中，即使在将结果与视觉数据进行组合之前，这些多个阶段也可以仅与LIBS数据向量一起使用。在另一示例中，LIBS和视觉数据(作为单个长向量)可以在每个阶段中使用，在这种情况下，结果是最终决定。
在步骤218，如果颗粒遭受多于一次激光照射和/或在多于一个的目标位置被询问，因为每个激光照射可以导致相关联的分类，则控制单元108可以仲裁颗粒104的多个分类。控制单元108组合每个颗粒104上的针对所有激光照射的分类判别，以使用多种仲裁技术中的一种技术来达到最终的分类判别，包括分数的加权平均或投票，或者机器学习领域中已知的其它学习方法。
例如，当两个激光照射被引导到相同的颗粒104时，利用来自相关联的激光照射的光谱数据和颜色输入可以针对每次激光照射生成数据矢量。颗粒104被分类到作为每个发射的对应向量的函数的至少两个材料分类中的一个，使得颗粒具有两个相关联的分类。然后，控制单元108从两个发射中的每一个发射对于颗粒104的两个分类进行仲裁，以确定颗粒104的总体分类。
在步骤220，控制单元108控制分离器单元112以选择性地激活喷射器，从而基于颗粒的分类将颗粒喷射到期望的箱中。控制单元108基于分配给颗粒相关联的矩阵中的单元的分类，并且基于输送机的位置和定时来控制喷射器。
图6示出在图5的步骤208中控制单元108所采用的用于确定颗粒的颜色输入的方法250。在其他实施例中，方法250中的各种步骤可以组合、重新排列或省略。在一个示例中，控制单元108使用方法250根据颜色模型来计算颗粒的颜色输入。
在步骤252，控制单元108从与颗粒相关联的矩阵的单元或图像的每个像素接收颜色分量。图像的每个像素可以具有三个或更多个颜色分量，例如，如上所述的三个RGB通道。对于每个识别出的颗粒104的每个像素，控制单元108因此获得颜色分量，例如，R，G，B；或H，S，V；或其他颜色空间基础，例如来自具有多于3种颜色分量的多光谱相机数据的颜色分量。
在步骤254，控制单元108采用多重判别分析(MDA)将三个(或更多个)颜色分量或维数减少到提供一对判别的两个颜色分量。控制单元108使用MDA基于待分拣的材料和两个分类来识别每个像素的更相关的两个颜色分量。控制单元108可以针对与多个分类的颗粒104相关联的像素或单元执行多于一个MDA。每个MDA用于将所有颗粒104分成两组；即，它用于二进制分类。
在步骤256，控制单元108将使用MDA针对与颗粒相关联的每个像素或单元识别出的两个颜色分量所提供的判别对输入到存储在与控制单元相关联的校准表、校准图、查找表等中。控制单元108确定该对判别是否是校准表中的预定义的判别对。如果该对判别是经由下面描述的校准过程所确定的一系列预定义的判别对中的一个，则控制单元108例如利用值“1”标记图像中的像素或单元。如果该对判别不是预定义的判别对系列中的一个，则控制单元108不标记图像中像素或单元，例如作为值“0”。
在步骤258，控制单元108计算颗粒104的颜色输入。控制单元108将与颗粒104相关联的所有标记像素或单元相加，以提供标记像素的求和。控制单元108计算与颗粒104相关联的像素或单元的总数。控制单元108通过归一化或将标记像素的总和除以与该颗粒相关联的像素的总数来计算颗粒104的填充率。控制单元108然后将填充率作为颗粒104的颜色输入设置到数据向量中。
控制单元108可以通过重复方法250并使用来自颗粒的另外两个颜色分量作为另一对判别来输入另一个校准表，以确定颗粒的第二填充率和第二颜色输入，来提供颗粒104的多于一个颜色输入。诸如此类：控制单元108可以使用第三对判别、第三校准表和第三填充率等来计算颗粒104的第三颜色输入。用于第一颜色输入确定的第一对判别与用于第二颜色输入确定的第二对判别相比具有至少一个不同的颜色分量。例如，[R，G]可以用作第一颜色输入的一对判别，而[R，B]或[G，B]可以用作第二颜色输入的另一对判别。一对判别中的一个颜色分量可以是另外的值，例如灰度、亮度等。如果针对颗粒确定多于一个填充率和相关联的颜色输入，则每个颜色输入可以是包括在方法200中的数据向量中的单独的标量值。添加第二对、第三对判别等的一个常见原因是区分两种以上的材料。然而，附加的判别对以及关联的校准表和填充率可能有助于提高简单二进制分类的准确性。
图6中示出校准方法260，以提供在步骤256中使用的校准或查找表。
在步骤262，使用包括相同成像装置和照明条件的与***100中所使用的相同的视觉***106，对于针对二进制MDA的每个选定分类的已知材料形成的第一和第二颗粒进行成像。颗粒的图像可以例如使用方法200中的步骤202和/或206来处理。控制单元108从与已知颗粒相关联的矩阵的单元或图像的每个像素接收颜色分量。图像的每个像素可以具有三个或更多个颜色分量，使得控制单元108接收颜色分量，例如，R，G，B；或H，S，V；等。
在步骤264，对图像执行MDA以将三个(或更多个)颜色分量或维度降低到两个颜色分量，从而为每个颗粒的每个像素或单元提供一对判别。控制单元108使用MDA来识别每个像素的更相关的两个颜色分量。然后由控制单元108绘制出判别对，如图7所示。图表可以例如经由控制单元的HMI和显示器对于用户可查看。
图7绘出一对判别，如由一个轴上的第一颜色分量或第一判别和另一个轴上的第二颜色分量或第二判别式所示，每个轴的范围为0-255。来自第一颗粒或与第一分类相关联的判别对落在区域266内。来自第二颗粒或与第二分类相关联的判别对落在区域268内。需要注意的是，两个区域266、268可以在一个或多个连续区域中重叠，如区域270所示。在方法260的步骤280，区域272由用户绘制或选择为连续区域，并被分配到材料的目标分类，或二分类二进制分类中的一种分类，例如针对第一颗粒材料。区域272可以是单个连续区域，或者区域272可以包括由用户分配的针对一个类别的多于一个连续区域。当用户选择区域272时，所得到的查找表或校准表可以是非线性的，这使得分类过程具有额外的灵活性。
在本示例中，只有当判别对在与该颗粒相关联的至少三个像素或单元中出现时，才绘制出该判别对。在其他示例中，如果判别对出现在颗粒图像的至少一个像素或单元中，或者在颗粒图像的多于四个像素或单元中，则该判别对可以被绘制或输入到表。
填充率可以计算为落在区域272的颗粒的像素或单元的百分比。在步骤282中，控制单元108将校准或查找表与关联于分类且在限定区域272中的预定义的判别对集合进行保存。
图8示出了颗粒的填充率计算的简化示例。矩阵或阵列290表示颗粒的图像。尽管考虑其他尺寸的阵列用于本公开文本，颗粒的图像包括9个总像素。图中的每个单元或像素都具有关联的R、G和B值，如图所示。图像290对应于方法250中的步骤252。
控制单元108在步骤254中处理图像290，这产生图像中的每个像素的判别对。在矩阵292中列出每个像素的代表性判别对。在一个示例中，判别对的第一分量被计算为关联像素的[R，G，B]值的函数，并且可以基于诸如aR+bG+cB+d的等式，其中a、b、c和d是常数。在该示例中，判别对的第二分量被计算为关联像素的[R，G，B]值的另一个函数，并且可以基于诸如eR+fG+gB+h的等式，其中e、f、g和h是常数值。
矩阵292中的每个判别对在步骤256被输入到查找表中。在本示例中，矩阵292中的每个判别对被输入到图7所示的查找表中。如果判别对是一系列预定义对中的一个，例如区域272中的判别对，则将“一”值分配给该单元。如果该判别对不是预定义对中的一个，则将零值分配给该单元。在矩阵294中示出将矩阵292输入到图7的查找表中的结果。
控制单元108然后可以计算颗粒的填充率。在本示例中，基于具有标记值的九个单元的一个单元，颗粒的填充率为0.111。然后可以将填充率提供给颗粒的数据矢量用于分类。在另外的示例中，控制单元108可以另外将计算出的填充率与阈值进行比较。例如，当颗粒的填充率低于0.65的阈值时，控制单元108可以确定颗粒不是与高于阈值的填充率相关联的分类。
控制单元108还可以提取另外的参数，例如数据向量中使用的纹理和其他颗粒和图像数据。例如，图8中的图像290具有8个像素的周长和9个像素的面积。图像290还具有以下纹理特征：等级为69.0，周长比面积平方根(P/sqrt(A))为2.667，零孔，零像素作为最大孔面积，零像素作为图像的总孔面积。还可以从图像中提取附加参数和纹理特征以用于数据矢量和颗粒的分类。
图9示出在图5的步骤208中控制单元108所采用的用于确定颗粒104的颜色输入的方法300。在其他实施例中，方法300中的各种步骤可以组合、重新排列或省略。在一个示例中，控制单元108使用方法300根据颜色模型来计算颗粒的颜色输入。
在步骤302，控制单元108从与颗粒104相关联的矩阵的单元或图像的每个像素接收颜色分量。图像的每个像素可以具有三个或更多个颜色分量，例如，如上所述的三个RGB通道。对于每个识别出的颗粒的每个像素，控制单元108因此获得颜色分量，例如R，G，B；或H，S，V；或其他颜色空间基础，例如来自具有多于3种颜色分量的多光谱相机数据。
该方法可以经由方法300的第一变型A或方法300的第二变型B提供颜色输入。
对于变型A，该方法从框302进行到框304。在框304，控制单元108将相关联并被识别为颗粒的所有像素或单元的每个颜色分量平均化。例如，控制单元108可以平均化与颗粒相关联的所有像素的R值，与颗粒相关联的所有像素的B值以及与颗粒相关联的所有像素的G值，得到用于具有三个标量值的颗粒的颜色数集，如[Raverage,Baverage,Gaverage]。在其他示例中，控制单元108可以基于另一颜色模型或空间(例如，HSV等)来计算颗粒的平均颜色分量值。
在步骤306，控制单元108将颗粒104的颜色输入设置为在步骤304中识别的数据集，并且进行到方法300结束的步骤308，并且颜色输入与方法200一起使用。
在一个示例中，控制单元108将方法300，变型A应用于如图8所示的颗粒图像290。控制单元108使用图8中的图像290如步骤S304中所示计算颗粒的[Raverage,Baverage,Gaverage]值，其在本例中得到[Raverage,Baverage,Gaverage]的颜色数据集[189，83，133]。
对于变型B，该方法从框302进行到框310。在框310，控制单元108为颗粒104的每个颜色分量创建直方图，使得存在使用RGB颜色空间的颗粒的R直方图、G直方图和B直方图。可替换地，控制单元108为具有三组分区的颗粒104创建单个直方图，其中每组分区与颜色空间的不同颜色分量相关联。在一个示例中，8位颜色分量用于直方图，使得用于颜色分量的分区具有落入其中一个分区内的相关联的值。例如，对于8位的红色分量，图像中的像素或单元的R值将落入范围为0-25,26-50，...和230-255的10个分区中的一个。对于使用RGB颜色空间的单个直方图，所得到的直方图因此具有三十个分区。当然，分区可以通过其他方式来限定，例如对于16位颜色、32位颜色分区，限定为具有不同范围或不同尺寸等的分区。
控制单元108检查与颗粒104相关联的图像的单元的每个像素，并且通过将适当的直方图单元值增加1来为该像素的颜色分量的值进行分区。控制单元108对于与颗粒相关联的所有像素或单元重复该步骤。
一旦基于颗粒颜色数据填入直方图，则控制单元108可以通过图像上的颗粒104的面积在步骤312将直方图归一化。颗粒104的面积可以由控制单元通过将被识别为颗粒或与颗粒相关联的像素数或单元的数量相加来计算。
在步骤314，控制单元108将颗粒104的颜色输入设置为在步骤312中识别的直方图。因此，颜色输入是包含多个标量值的数据集，其中的多个标量值基于与每个分区相关联的值。在一个示例中，归一化的直方图包含基于8位RGB颜色空间的30个分区，因此颜色输入将是具有30个归一化标量值的数据集。然后，方法300进行到方法300结束的步骤308，并且颜色输入与方法200一起使用。
在一个示例中，控制单元108将方法300，变型B应用于如图8所示的颗粒图像290。控制单元108使用步骤310，利用适当地分配到直方图的分区的图像290中的每个像素的[R，G，B]值，创建如图10所示的直方图。例如，图像290中仅一个像素具有50至75之间的R值，因此关联的分区计数为1。在步骤312，图10所示的直方图还可进一步由控制单元108进行归一化，并且在步骤314提供归一化或非归一化直方图作为颜色输入。
根据本公开，可以使用包括颜色数据和光谱数据两者的数据向量来分类颗粒，并且如关于图5的方法所述。在一个示例中，图5所示的方法在步骤216将数据向量输入到神经网络中以对该颗粒进行分类。图11中示出与图5的方法一起使用的神经网络的示意图。通过运行神经网络经过“监督学习”过程，神经网络程序可以被“训练”以“学习”输入和输出数据组之间的关系。如此所学习的关系然后能够用于，基于与例如从具有已知化学性质的废料的代表性样品所产生的颜色和光谱输入有关的给定输入组，来预测输出(即，分类每个废料颗粒)。
在图11中，控制单元108使用神经网络340和分析/决策逻辑，为所选择的废料提供分类方案，以使用二进制分类***对材料进行分类，或将该颗粒分类为三个或更多个分类中的一种。可以采用市售的神经网络配置工具来建立输入和输出数据集之间的已知的广义函数关系。可以应用诸如反向传播和竞争性学习的已知算法技术来估计给定类别的输入和输出数据的各种参数或权重。
神经网络340使用在步骤214确定的数据矢量作为神经网络的输入，利用包含颜色输入数据、光谱数据等的数据矢量。如上所述，数据矢量包括来自LIBS的光谱数据，以及颜色输入。数据向量可能包含代表其他颗粒或***参数的附加数据。
如图11所示，神经网络340具有基于在LIBS处理期间所获得的光谱数据的数据向量的输入。在一个示例中，光谱数据包括十六线，每条线由强度值表示。在其他示例中，光谱数据可以包括基于材料的期望分类或与激光脉冲流中的不同激光脉冲相关联的更多或更少数量的谱线。因此，提供给神经网络的数据向量包括由控制单元从光分布和光谱分析***28作为数据输入所获取的光谱数据。例如，与所选择的颗粒的光谱数据相对应的多个输入350可以包括，与在第一脉冲(P)之后的所选择的时间段(t)针对所选择的光谱带(L)来自检测器的强度读数对应的一系列数据输入(L1Plt1，L1P1t2...LlPltn)，与第二脉冲之后的相同选择频带的检测器读数相对应的数据(L1P2t1，L1P2t2，...，LlPztn)，以及针对颗粒的每个附加脉冲的所选频谱带的类似数据输入(L1Pnt1，L1Pnt2...LlPztn)，以及针对每个所选择的频带的这些集合的附加(L2P1t1...LZPntn，LnPlt1...LnPntn)，等等。
神经网络340具有来自数据向量的输入，这些输入基于数据向量中所包含的颗粒的颜色输入352。在一个示例中，颜色输入352是针对颗粒确定的填充率标量值，如关于图6所述。可替换地，颜色输入352可以是颗粒的平均[R，G，B]值的数据集，如关于图8的变型A所示和所描述。颜色输入352还可以是基于来自直方图的归一化分区值的标量值的数据集，例如，在数据向量中提供30个分区值作为颜色输入，如关于图8变型B所示和描述。
神经网络340具有来自数据向量的输入，这些输入基于包含在数据向量中的颗粒的其他图像特征354，例如如步骤210所确定的，包括形状、纹理和其他特征。
神经网络340还可以被提供各种其它期望的输入，包括与散射的激光能量358有关的数据，以及与产生的激光能量相关的数据360。颗粒在皮带上的位置可以作为数据向量的一部分提供给神经网络，如在362处所示的位置X和位置Y。类似地，被认为对决策过程有影响的其他输入362可以包括在数据向量中。
如前所述，使用已知的神经网络编程技术，能够通过提供输入集合以及可能输出370-376中所期望的一个输出来训练网络。一旦获得输入和输出之间的特定功能关系，网络可以与新的输入集合一起使用来预测输出值。将清楚的是，一旦开发出来，神经网络可以将来自多个输入的信息合并到决策过程中以有效的方式对颗粒进行分类。
虽然上面描述了示例性实施例，但是并不旨在这些实施例描述本公开文本的所有可能形式。相反，说明书中使用的词是描述性的而不是限制性的，并且应当理解，在不脱离本公开的精神和范围的情况下，可以进行各种改变。另外，各种实现实施例的特征可以被组合以形成本公开文本的另外的实施例。

Claims (25)

1.一种分拣废料颗粒的方法，包括：
使用视觉***对于包括废料颗粒的移动输送机进行成像，以创建与所述输送机的定时位置相对应的图像；
使用计算机将所述图像作为单元矩阵进行分析，通过区分所述颗粒与表示所述输送机的背景来识别包括颗粒的矩阵单元，并且通过确定与所述颗粒相关联的矩阵中的每个单元的颜色分量，根据颜色模型来计算所述颗粒的颜色输入，通过将来自与颗粒相关联的矩阵的每个单元的两个颜色分量作为一对判别输入到校准表中来计算所述颜色输入，如果该对判别是预定义判别对中的一个，则标记该单元，并且通过与所述颗粒相关联的单元总数将已标记单元的总和归一化，来计算所述颜色输入；
生成光束，并且使用包括光束偏转器的扫描器组件将光束引向目标区域内且位于视觉***下游的输送机上的颗粒；
使用检测器在选定的频带上分离并测量目标区域中来自颗粒的至少一个发射光带，以提供所述颗粒的光谱数据；以及
使用计算机生成包括所述颜色输入和所述光谱数据的颗粒的数据向量，并且将所述颗粒分类到作为所述数据向量的函数的至少两个材料分类中的一个分类中。
2.根据权利要求1所述的方法，其中所述颜色输入是第一颜色输入，所述方法进一步包括：
使用计算机通过将来自与颗粒相关联的每个单元的另两个颜色分量作为另一对判别输入到另一校准表中，来计算所述颗粒的第二颜色输入；
其中所述第一颜色输入的颜色分量中的至少一个颜色分量不同于所述第二颜色输入的另一颜色分量中的至少一个颜色分量；并且
其中使用所述第一颜色输入、第二颜色输入和所述光谱数据针对所述颗粒生成所述数据向量。
3.根据权利要求1所述的方法，进一步包括使用计算机经由使用来自所述至少两个材料分类中的一个分类的已知颗粒的校准处理通过以下方式来创建所述校准表：
将所述已知颗粒进行成像，并且执行所述已知颗粒的图像的每个单元的颜色分量的多判别分析，以提供两个判别，并且
将所述两个判别的图表中的至少一个连续区域分配到所述至少两个材料分类中的一个分类，以限定所述校准表的所述至少两个材料分类中的一个分类的预定义判别对的集合。
4.根据权利要求3所述的方法，其中所述至少一个连续区域涉及材料的相关联分类；并且
其中所述图表的另一区域被分配到所述材料另外的相关联分类。
5.一种分拣废料颗粒的方法，包括：
使用视觉***对于包括废料颗粒的移动输送机进行成像，以创建与所述输送机的定时位置相对应的图像；
使用计算机将图像作为单元矩阵进行分析，通过将所述颗粒与表示所述输送机的背景区分开来识别矩阵中包含所述颗粒的单元，并通过确定与颗粒相关联的矩阵中的每个单元的颜色分量，根据颜色模型来计算所述颗粒的颜色输入；
生成光束，并且使用包括光束偏转器的扫描器组件将光束引向目标区域内且位于视觉***下游的输送机上的颗粒；
使用检测器在选定的频带上分离并测量目标区域中来自颗粒的至少一个发射光带，以提供所述颗粒的光谱数据；以及
使用计算机生成包含所述颜色输入和所述光谱数据的颗粒的数据向量，并且将所述颗粒分类到作为所述数据向量的函数的至少两个材料分类中的一个分类中。
6.根据权利要求5所述的方法，其中计算所述颗粒的所述颜色输入进一步包括将所述颗粒的至少一个颜色分量沿着与所述颗粒相关联的矩阵中的单元进行平均。
7.根据权利要求5所述的方法，其中计算所述颗粒的所述颜色输入进一步包括将所述颗粒的三个颜色分量沿着与所述颗粒相关联的矩阵中的单元进行平均。
8.根据权利要求5所述的方法，其中计算所述颗粒的所述颜色输入进一步包括将与所述颗粒相关联的矩阵中的每个单元的颜色分量分配到分区中，以获得颗粒的每个颜色分量的直方图。
9.根据权利要求8所述的方法，其中每个直方图通过与颗粒相关联的矩阵中的多个单元所确定的颗粒的面积进行归一化。
10.根据权利要求5所述的方法，其中所述颜色输入包括至少三个颜色分量。
11.根据权利要求5所述的方法，进一步包括使用计算机通过以下方式来减少图像上的噪声：经由快速傅里叶变换来转换图像，以在频域中创建所述图像的表示，从所述表示中移除至少一个指定的频率，并且经由快速傅里叶逆变换将所述表示转换回图像。
12.根据权利要求5所述的方法，其中通过以下方式在矩阵上识别所述颗粒：在矩阵的至少一个通道上施加阈值，并且当所述至少一个通道的值超过所述阈值时，对于该单元进行标记以表示颗粒的存在。
13.根据权利要求5所述的方法，进一步包括，使用计算机从所述矩阵确定所述颗粒的至少一个特征，特征包括纹理、形状、颜色分量标准偏差以及灰度体积；
其中使用计算机进一步生成所述数据向量以包含所述至少一个特征。
14.根据权利要求5所述的方法，其中使用计算机通过将所述数据向量输入到机器学习算法中，将所述颗粒分类到作为数据向量的函数的所述至少两个材料分类中的一个分类。
15.根据权利要求14所述的方法，其中所述机器学习算法包括支持向量机、偏最小二乘法判别分析、神经网络、决策树随机森林中的至少一个。
16.根据权利要求5所述的方法，其中光束是预定时间内被引导至目标区域中的颗粒的激光发射。
17.根据权利要求5所述的方法，其中所述光束是被引导至目标区域中的颗粒的多个顺次激光发射；
其中使用来自相关联的激光发射的颜色输入和光谱数据生成针对每个激光发射的对应数据向量；并且
其中所述颗粒被分类到所述至少两个材料分类中的一个分类，其中的材料分类作为针对每个发射的对应数据向量的函数，并且由计算机仲裁与多个发射中的每个发射相关联的分类以确定所述颗粒的全部分类。
18.根据权利要求5所述的方法，进一步包括使用计算机经由快速傅里叶变换FFT对图像进行变换，并且创建体现FFT图像中不同频率区域中的对数标度幅值的平均值的一维阵列，以体现与所述颗粒相关联的纹理信息。
19.根据权利要求5所述的方法，进一步基于施加到所述图像的棋盘距离变换，将所述光束瞄准在所述颗粒的区域上。
20.根据权利要求5所述的方法，进一步通过基于所述颗粒的分类和所述输送机的定时位置来控制分离设备，将所述颗粒进行分拣。
21.根据权利要求5所述的方法，其中矩阵中的每个单元对应于图像中的像素。
22.根据权利要求5所述的方法，其中使用计算机通过确定与所述颗粒相关联的矩阵中的每个单元的颜色分量根据颜色模型来计算所述颗粒的颜色输入进一步包括，使用计算机将来自与颗粒相关联的矩阵的每个单元的两个颜色分量作为一对判别来输入到校准表中，如果该对判别是预定义判别对中的一个则标记该单元，并且通过与所述颗粒的单元总数将已标记单元的总和归一化，来计算所述颜色输入。
23.根据权利要求22所述的方法，其中所述颜色输入是第一颜色输入，所述方法进一步包括：
使用计算机通过将来自与颗粒相关联的每个单元的另两个颜色分量作为另一对判别输入到另一校准表中，来计算所述颗粒的第二颜色输入；
其中所述第一颜色输入的颜色分量中的至少一个颜色分量不同于所述第二颜色输入的另一颜色分量中的至少一个颜色分量；并且
其中使用计算机来生成包括所述第一颜色输入、第二颜色输入和所述光谱数据的颗粒的数据向量。
24.根据权利要求22所述的方法，进一步包括使用计算机，经由使用来自所述至少两个材料分类中的一个分类的已知颗粒进行的校准处理通过以下方式来创建所述校准表：
将所述已知颗粒进行成像，并且执行所述已知颗粒的图像的每个单元的颜色分量的多判别分析，以提供两个判别，并且
将所述两个判别的图表中的至少一个连续区域分配到所述至少两个材料分类中的一个分类，以限定所述校准表的所述至少两个材料分类中的一个分类的预定义判别对的集合。
25.一种用于在移动输送机上分拣随机定位的废料颗粒的扫描***，所述扫描***包括：
视觉***，所述视觉***具有传感器和被照明的预定义的观看区域，以在时间间隔内对通过其的输送机进行成像；
光束导向器，所述光束导向器从光源接收光束，并且将光重新导向到具有安装在所述光束的路线中的光束偏转器的目标扫描器组件，以进一步将光束导向到二维目标区域内的选定位置，并且导向到安装在所述光束的路径中的聚焦光学元件以聚焦所述光束并沿着聚焦表面提供通常均匀的光功率密度；
光谱传感器，所述光谱传感器与所述目标区域相邻；并且
至少一个控制器，所述至少一个控制器接收并处理从所述视觉***获取到的图像数据以识别观察区域中的输送机上的废料颗粒，通过对图像施加颜色标准，从所述视觉***拍摄到的图像根据颗粒的颜色模型来计算颜色输入，瞄准目标区域中的废料颗粒并控制光束导向器，瞄准扫描器组件以将光束定向在目标废料颗粒，响应于光束与颗粒相互作用，基于指示从颗粒发射出的光束一个或多个所选频率的信号来确定颗粒的光谱数据，并且使用包含颜色输入和光谱数据的数据向量将颗粒分类为材料的分类。
CN201710526981.7A 2016-06-30 2017-06-30 废料分拣*** Active CN107552412B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/198,159 US9785851B1 (en) 2016-06-30 2016-06-30 Scrap sorting system
US15/198,159 2016-06-30

Publications (2)

Publication Number Publication Date
CN107552412A CN107552412A (zh) 2018-01-09
CN107552412B true CN107552412B (zh) 2021-04-27

Family

ID=59215552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710526981.7A Active CN107552412B (zh) 2016-06-30 2017-06-30 废料分拣***

Country Status (5)

Country Link
US (1) US9785851B1 (zh)
EP (1) EP3263234B1 (zh)
CN (1) CN107552412B (zh)
CA (1) CA2971622A1 (zh)
ES (1) ES2727201T3 (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11219927B2 (en) 2011-06-29 2022-01-11 Minesense Technologies Ltd. Sorting materials using pattern recognition, such as upgrading nickel laterite ores through electromagnetic sensor-based methods
US8958905B2 (en) 2011-06-29 2015-02-17 Minesense Technologies Ltd. Extracting mined ore, minerals or other materials using sensor-based sorting
WO2013163759A1 (en) * 2012-05-01 2013-11-07 Minesense Technologies Ltd. High capacity cascade-type mineral sorting machine and method
US9884346B2 (en) 2014-07-21 2018-02-06 Minesense Technologies Ltd. High capacity separation of coarse ore minerals from waste minerals
CN107002388B (zh) 2014-07-21 2020-12-08 感矿科技有限公司 来自废物矿物的粗矿石矿物的高容量分离
CN107847949B (zh) * 2015-07-06 2021-05-04 陶朗分选有限责任公司 用于分选物体的喷嘴装置和***
US10625304B2 (en) 2017-04-26 2020-04-21 UHV Technologies, Inc. Recycling coins from scrap
US20230053268A1 (en) * 2015-07-16 2023-02-16 Sortera Alloys, Inc. Classification and sorting with single-board computers
US10722922B2 (en) 2015-07-16 2020-07-28 UHV Technologies, Inc. Sorting cast and wrought aluminum
US12017255B2 (en) 2015-07-16 2024-06-25 Sortera Technologies, Inc. Sorting based on chemical composition
US20230044783A1 (en) * 2015-07-16 2023-02-09 Sortera Alloys, Inc. Metal separation in a scrap yard
US20220355342A1 (en) * 2015-07-16 2022-11-10 Sortera Alloys, Inc. Sorting of contaminants
US11969764B2 (en) 2016-07-18 2024-04-30 Sortera Technologies, Inc. Sorting of plastics
US11964304B2 (en) 2015-07-16 2024-04-23 Sortera Technologies, Inc. Sorting between metal alloys
US11278937B2 (en) * 2015-07-16 2022-03-22 Sortera Alloys, Inc. Multiple stage sorting
JP6653511B2 (ja) * 2016-07-15 2020-02-26 国立研究開発法人産業技術総合研究所 Ｌｉｂｓ型物体選別装置
WO2018200866A1 (en) 2017-04-26 2018-11-01 UHV Technologies, Inc. Material sorting using a vision system
US10898928B2 (en) * 2018-03-27 2021-01-26 Huron Valley Steel Corporation Vision and analog sensing scrap sorting system and method
WO2019209428A1 (en) 2018-04-26 2019-10-31 UHV Technologies, Inc. Recycling coins from scrap
CN108734122B (zh) * 2018-05-17 2022-05-20 北京理工大学 一种基于自适应样本选择的高光谱城区水体检测方法
CN110548697A (zh) * 2018-05-30 2019-12-10 中国科学院沈阳自动化研究所 一种基于光纤激光器的废旧金属智能分拣***和方法
CN109127459A (zh) * 2018-07-10 2019-01-04 华侨大学 一种建筑垃圾物料分拣方法
TWI726229B (zh) * 2018-08-13 2021-05-01 國立陽明交通大學 基於深度學習及電腦視覺技術之垃圾分類系統及方法
WO2020060753A1 (en) * 2018-09-18 2020-03-26 AMP Robotics Corporation Vacuum extraction for material sorting applications
US11590513B1 (en) 2018-11-21 2023-02-28 BlueScope Recycling and Materials LLC System and method for processing scrap material
JP6931805B2 (ja) * 2018-11-27 2021-09-08 パナソニックＩｐマネジメント株式会社 選別装置
CN113490556A (zh) 2019-02-27 2021-10-08 锂工科技股份有限公司 用于智能电池收集、分类和包装的方法和***
CN109834063A (zh) * 2019-04-11 2019-06-04 苏州嘉诺环境工程有限公司 垃圾分选***及垃圾分选方法
JP7213741B2 (ja) * 2019-04-17 2023-01-27 株式会社メタルワン 鉄スクラップ検品方法および鉄スクラップ検品システム
CN110108206B (zh) * 2019-05-16 2020-09-01 东北大学 一种废钢评级建库***及方法
CN110443299B (zh) * 2019-08-01 2023-05-30 东北大学 一种基于图像识别的自动化放矿实验方法及***
WO2021058063A2 (de) * 2019-09-23 2021-04-01 Polysecure Gmbh Sortierverfahren
CN110991479B (zh) * 2019-10-29 2021-04-13 重庆特斯联智慧科技股份有限公司 一种基于深度学习识别的社区垃圾分类***及方法
JP7469031B2 (ja) * 2019-12-06 2024-04-16 株式会社アーステクニカ 選別装置及び選別方法
JP7241011B2 (ja) * 2019-12-27 2023-03-16 株式会社メタルワン 情報処理装置、情報処理方法及びプログラム
CN111482381B (zh) * 2020-05-09 2021-09-28 苏州基列德智能制造有限公司 全自动分拣***及方法
CN111570332B (zh) * 2020-05-21 2021-12-24 广东弓叶科技有限公司 人机协作分选***及其作业方法
EP4196777A1 (en) * 2020-08-14 2023-06-21 Comex Polska Sp. z o.o. Material analysis and separation system for the determination of their chemical composition and material analysis and separation method for the determination of their chemical composition
JP7512853B2 (ja) * 2020-11-11 2024-07-09 株式会社サタケ 被選別物の識別方法、選別方法及び選別装置
DE102021200894B3 (de) * 2021-02-01 2022-04-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Optisches Untersuchen von Objekten eines Materialstroms wie beispielsweise Schüttgut
GB2604596A (en) * 2021-03-05 2022-09-14 Vigilant Scanning Ltd Detection and identification of objects in a waste load
US11480529B1 (en) 2021-09-13 2022-10-25 Borde, Inc. Optical inspection systems and methods for moving objects
US20230138374A1 (en) * 2021-11-01 2023-05-04 Tianjin University Of Commerce Sorting-based garbage classification method and device
CN116140230A (zh) * 2023-04-18 2023-05-23 北京霍里思特科技有限公司 用于物料分选的方法及其相关产品
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
CN117862189B (zh) * 2024-03-13 2024-05-28 北京大学 一种化工业固废再利用智能自动处置***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4426490A1 (de) * 1993-07-27 1995-02-23 Hohla Kristian Aufbau zur Anwendung der Laserfunkenspektroskopie zur Materialerkennung verschmutzter bewegter Metallteile
EP2198983A1 (en) * 2008-12-19 2010-06-23 Omya Development AG Method for separating mineral impurities from calcium carbonate-containing rocks by X-ray sorting
CN103857477A (zh) * 2011-08-10 2014-06-11 普罗阿索特有限责任公司 废金属分选
CN104394391A (zh) * 2014-11-25 2015-03-04 广东威创视讯科技股份有限公司 相机采集的点阵图像的图像数据处理方法和***
CN105312255A (zh) * 2015-11-26 2016-02-10 森蓝环保(上海)有限公司 一种废旧混合塑料自动分选设备及其方法

Family Cites Families (70)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2717086A (en) 1954-07-14 1955-09-06 Teleregister Corp Control system for traveling conveyors
US3928183A (en) 1974-03-20 1975-12-23 Emil S Asfour Tobacco sorting apparatus
US3977526A (en) 1975-06-27 1976-08-31 Sphere Investments Limited Tracking systems for sorting apparatus
DE3174515D1 (en) 1981-01-19 1986-06-05 Gunsons Sortex Ltd Sorting machine
US4493420A (en) 1981-01-29 1985-01-15 Lockwood Graders (U.K.) Limited Method and apparatus for detecting bounded regions of images, and method and apparatus for sorting articles and detecting flaws
JPS57187628A (en) 1981-05-14 1982-11-18 Satake Eng Co Ltd Photo-electric detector for color selecting machine
EP0089212B1 (en) 1982-03-13 1987-10-28 Kabushiki Kaisha Ishida Koki Seisakusho Method and apparatus for sorting articles
US4504888A (en) 1983-03-23 1985-03-12 Pennywise Enterprises, Inc. Photographer's diffuser light
GB2151018B (en) 1983-12-06 1987-07-22 Gunsons Sortex Ltd Sorting machine and method
US4687107A (en) 1985-05-02 1987-08-18 Pennwalt Corporation Apparatus for sizing and sorting articles
JPH0690149B2 (ja) 1986-01-31 1994-11-14 東洋ガラス株式会社 透光度検査装置
CA1242260A (en) 1986-04-24 1988-09-20 Leonard Kelly Multisorting method and apparatus
DE3614400C1 (de) 1986-04-25 1987-08-06 Justus Technik Gmbh Verfahren und Vorrichtung zum Steuern einer Farbsortiermaschine
WO1988001379A1 (en) 1986-08-15 1988-02-25 Cra Services Limited Laser ablation inspection
US4745272A (en) 1986-09-15 1988-05-17 Rca Licensing Corporation Apparatus for identifying articles from received illumination with light adjustment means
DE3718672A1 (de) 1987-06-04 1988-12-15 Metallgesellschaft Ag Verfahren zur analyse von metallteilchen
ZA886696B (en) 1987-09-11 1989-04-26 Alcan Int Ltd Method of separating metal alloy particles
US5085325A (en) 1988-03-08 1992-02-04 Simco/Ramic Corporation Color sorting system and method
NL8803112A (nl) 1988-12-19 1990-07-16 Elbicon Nv Werkwijze en inrichting voor het sorteren van een stroom voorwerpen in afhankelijkheid van optische eigenschappen van de voorwerpen.
US5021645A (en) 1989-07-11 1991-06-04 Eaton Corporation Photoelectric color sensor for article sorting
JPH0781955B2 (ja) 1989-08-17 1995-09-06 東洋ガラス株式会社 透明体中の不透明異物除去方法
US5034613A (en) 1989-11-14 1991-07-23 Cornell Research Foundation, Inc. Two-photon laser microscopy
JPH0810188B2 (ja) 1990-08-03 1996-01-31 株式会社日立製作所 粒子状物質分析装置及び分析方法並びに超純水製造装置、半導体製造装置、高純度気体製造装置
DE4028102A1 (de) 1990-09-05 1992-03-12 Metallgesellschaft Ag Verfahren zur analyse von metallteilchen
GB9103552D0 (en) 1991-02-20 1991-04-10 Gersan Ets Classifying or sorting
ZA926325B (en) 1991-08-22 1993-03-11 Tecnological Resources Pty Ltd Ore sorting.
JPH0580497A (ja) 1991-09-20 1993-04-02 Canon Inc 面状態検査装置
US5305894A (en) 1992-05-29 1994-04-26 Simco/Ramic Corporation Center shot sorting system and method
DE4302283A1 (de) 1993-01-25 1994-07-28 Inst Umwelttechnologien Gmbh Verfahren und Vorrichtung zum Separieren und Sortieren von Kunststoffabfällen
DE4426475C2 (de) 1993-07-27 1996-01-11 Hohla Kristian Vorrichtung zur laserinduzierten Plasmaspektroskopie für die Materialanalyse von auf einer Transporteinheit geführten Teilen
EP0652430B1 (en) 1993-08-13 1999-12-29 PIRELLI PNEUMATICI S.p.A. Process for determining carbon black concentration and distribution in rubber compounds and other carbon black containing materials and device to carry out the process
US5381224A (en) 1993-08-30 1995-01-10 A. E. Dixon Scanning laser imaging system
US5520290A (en) * 1993-12-30 1996-05-28 Huron Valley Steel Corporation Scrap sorting system
US6060677A (en) 1994-08-19 2000-05-09 Tiedemanns-Jon H. Andresen Ans Determination of characteristics of material
CA2228594C (en) 1995-08-09 2001-03-27 Alcan International Limited Method of sorting pieces of material
US6545240B2 (en) 1996-02-16 2003-04-08 Huron Valley Steel Corporation Metal scrap sorting system
US5911327A (en) * 1996-10-02 1999-06-15 Nippon Steel Corporation Method of automatically discriminating and separating scraps containing copper from iron scraps
US5903341A (en) 1996-12-06 1999-05-11 Ensco, Inc. Produce grading and sorting system and method
US6008896A (en) 1998-07-01 1999-12-28 National Research Council Of Canada Method and apparatus for spectroscopic analysis of heterogeneous materials
US6008897A (en) 1999-01-19 1999-12-28 National Research Council Of Canada Method and apparatus for materials analysis by enhanced laser induced plasma spectroscopy
US6466309B1 (en) 1999-02-26 2002-10-15 California Institute Of Technology Method and apparatus for chemical and topographical microanalysis
US6509537B1 (en) 1999-05-14 2003-01-21 Gunther Krieg Method and device for detecting and differentiating between contaminations and accepts as well as between different colors in solid particles
DE19949656A1 (de) 1999-10-14 2001-04-19 Daimler Chrysler Ag Verfahren und Vorrichtung zur automatischen Fraktionierung von Kunststoffen, Metallen oder Gläsern
US6366353B1 (en) 1999-11-05 2002-04-02 Corning Incorporated Method to determine the identity of a material in an object
US7763820B1 (en) 2003-01-27 2010-07-27 Spectramet, Llc Sorting pieces of material based on photonic emissions resulting from multiple sources of stimuli
DE10304337A1 (de) 2003-02-03 2004-08-19 Luk Laser-Und Umweltmesstechnik Kiel Gmbh Verfahren und Sensorkopf zur berührungslosen Klassifizierung von Materialien
JP4708186B2 (ja) * 2003-05-02 2011-06-22 豊 木内 ２次元コード解読プログラム
US7564943B2 (en) 2004-03-01 2009-07-21 Spectramet, Llc Method and apparatus for sorting materials according to relative composition
US7326871B2 (en) 2004-08-18 2008-02-05 Mss, Inc. Sorting system using narrow-band electromagnetic radiation
DE102005060172B3 (de) 2005-12-14 2007-03-08 Secopta Gmbh Verfahren und Vorrichtung zur Detektion von Sprengstoff-Kontaminationen
US7924414B2 (en) 2006-05-10 2011-04-12 Abb Schweiz Ag Non-hazardous bulk material analyzer system
US7842896B1 (en) 2007-04-25 2010-11-30 Key Technology, Inc. Apparatus and method for sorting articles
US8125627B2 (en) 2007-04-27 2012-02-28 Alakai Defense Systems, Inc. Laser spectroscopy system
US7886915B2 (en) 2008-03-19 2011-02-15 Shulman Alvin D Method for bulk sorting shredded scrap metal
US8170291B2 (en) * 2008-05-09 2012-05-01 The United States Postal Service Methods and systems for analyzing the quality of digital signature confirmation images
US8396870B2 (en) * 2009-06-25 2013-03-12 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
FR2960800B1 (fr) 2010-06-07 2012-06-15 Pellenc Selective Technologies Procede et machine d'inspection et/ou de tri a canaux multiples
WO2011159269A1 (en) 2010-06-17 2011-12-22 Spectramet, Llc Sorting pieces of material based on optical and x - ray photon emissions
US8620054B2 (en) * 2010-09-08 2013-12-31 SOCPRA—Sciences Sante et Humaines, s.e.c. Image reconstruction based on accelerated method using polar symmetries
EP2661331B1 (en) * 2011-01-07 2019-03-13 Huron Valley Steel Corporation Scrap metal sorting system
DE102011012592B4 (de) 2011-02-28 2015-10-15 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Vorrichtung zum automatisierten Identifizieren, Abtrennen, Vereinzeln und Sortieren von Komponenten elektronischer Baugruppen und Geräte
CN103620374B (zh) 2011-06-09 2016-09-28 激光测距光谱有限公司 由激光诱导等离子体以定量样品分析的装置及方法
AU2012286597A1 (en) 2011-07-28 2014-01-16 Technological Resources Pty. Limited Sorting mined material
FR2982955B1 (fr) 2011-11-22 2015-03-13 Kweo En Procede et systeme d'identification et de tri de matiere bois de recyclage
FR2983419B1 (fr) 2011-12-06 2017-05-19 Pellenc Selective Tech Procede et installation d'inspection et/ou de tri combinant analyse de surface et analyse volumique
WO2013141862A1 (en) 2012-03-22 2013-09-26 Empire Technology Development Llc Augmented reality process for sorting materials
DE102012208865B4 (de) 2012-05-25 2016-09-29 Secopta Gmbh Optischer Sensor und Verfahren zur Detektion einer Substanz
DE102012216159B4 (de) 2012-09-12 2016-04-28 Secopta Gmbh Messkopfspitze für ein Spektrometer
DE102012217676B4 (de) 2012-09-27 2016-05-04 Secopta Gmbh Verfahren zur Identifikation der Zusammensetzung einer Probe
US10113910B2 (en) * 2014-08-26 2018-10-30 Digimarc Corporation Sensor-synchronized spectrally-structured-light imaging

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4426490A1 (de) * 1993-07-27 1995-02-23 Hohla Kristian Aufbau zur Anwendung der Laserfunkenspektroskopie zur Materialerkennung verschmutzter bewegter Metallteile
EP2198983A1 (en) * 2008-12-19 2010-06-23 Omya Development AG Method for separating mineral impurities from calcium carbonate-containing rocks by X-ray sorting
CN103857477A (zh) * 2011-08-10 2014-06-11 普罗阿索特有限责任公司 废金属分选
CN104394391A (zh) * 2014-11-25 2015-03-04 广东威创视讯科技股份有限公司 相机采集的点阵图像的图像数据处理方法和***
CN105312255A (zh) * 2015-11-26 2016-02-10 森蓝环保(上海)有限公司 一种废旧混合塑料自动分选设备及其方法

Also Published As

Publication number Publication date
EP3263234B1 (en) 2019-02-27
US9785851B1 (en) 2017-10-10
CN107552412A (zh) 2018-01-09
EP3263234A1 (en) 2018-01-03
ES2727201T3 (es) 2019-10-14
CA2971622A1 (en) 2017-12-30

Similar Documents

Publication Publication Date Title
CN107552412B (zh) 废料分拣***
EP3774089B1 (en) Vision and analog sensing scrap sorting method
US6795179B2 (en) Metal scrap sorting system
EP2643103B1 (de) Verfahren und einrichtung zur einzelkornsortierung von objekten aus schüttgütern
JP6653511B2 (ja) Ｌｉｂｓ型物体選別装置
CN101832941B (zh) 一种基于多光谱图像的水果品质评价装置
KR102103048B1 (ko) 광학식 입상물 선별기
CN1147384C (zh) 产生具有切割刀刃金属件的制造方法及其设备
JP6801312B2 (ja) レーザ加工機、及びレーザ加工方法
CN114600169A (zh) 用于堆料分选的神经网络
Chen et al. Sensor-based sorting
US20220196578A1 (en) An apparatus to operate a quality control in industrial production lines, corresponding method and computer program product
US9347892B2 (en) Optical inspection apparatus and optical sorting apparatus
NL1039247C2 (en) A method of separating scrap, and a device.
JP7501771B1 (ja) 光学式判別装置及び光学式選別装置
US20210318243A1 (en) Device and method for detecting and/or evaluating articles or products
Dumanay et al. A New Design of Olive Fruit Sorting Machine Using Color Image Processing
CN117708719B (zh) 基于波段数量约束的近红外高光谱塑料分选***及方法
EP4276448A1 (en) Measurement apparatus and sorting apparatus for sorting objects including the measurement apparatus
JPH11306362A (ja) 画像解析装置
Anabitarte et al. Automatic classification of steel plates based on laser induced breakdown spectroscopy and support vector machines
NO330164B1 (no) Skannesystem til bruk i sorteringssystem for metallavfall

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant