CN107737735A - 报废汽车回收金属的融合感知在线分选***及分选方法 - Google Patents
报废汽车回收金属的融合感知在线分选***及分选方法 Download PDFInfo
- Publication number
- CN107737735A CN107737735A CN201710915232.3A CN201710915232A CN107737735A CN 107737735 A CN107737735 A CN 107737735A CN 201710915232 A CN201710915232 A CN 201710915232A CN 107737735 A CN107737735 A CN 107737735A
- Authority
- CN
- China
- Prior art keywords
- data
- sorting
- module
- model
- fusion
- 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.)
- Pending
Links
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 49
- 239000002184 metal Substances 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000000926 separation method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011084 recovery Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 60
- 239000000463 material Substances 0.000 claims abstract description 57
- 239000002994 raw material Substances 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 150000002739 metals Chemical class 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000007664 blowing Methods 0.000 claims description 13
- 238000013499 data model Methods 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 229910001051 Magnalium Inorganic materials 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011946 reduction process Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 2
- 239000007921 spray Substances 0.000 claims 1
- 239000000956 alloy Substances 0.000 abstract description 7
- 229910045601 alloy Inorganic materials 0.000 abstract description 5
- 239000007769 metal material Substances 0.000 abstract description 4
- -1 magnaliums Chemical class 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000019771 cognition Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000005060 rubber Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003923 scrap metal Substances 0.000 description 2
- ACLJAFRNPZVVIW-SBCQLKMNSA-N 4-[(3s,5r,8r,9s,10s,13r,14s,17s)-14-hydroxy-10,13-dimethyl-3-[3,4,5-trihydroxy-6-(hydroxymethyl)oxan-2-yl]oxy-1,2,3,4,5,6,7,8,9,11,12,15,16,17-tetradecahydrocyclopenta[a]phenanthren-17-yl]-2h-furan-5-one Chemical compound O([C@@H]1C[C@H]2CC[C@@H]3[C@@H]([C@]2(CC1)C)CC[C@]1([C@]3(O)CC[C@@H]1C=1C(OCC=1)=O)C)C1OC(CO)C(O)C(O)C1O ACLJAFRNPZVVIW-SBCQLKMNSA-N 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910000881 Cu alloy Inorganic materials 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 229910000861 Mg alloy Inorganic materials 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910000960 colored gold Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B7/00—Working up raw materials other than ores, e.g. scrap, to produce non-ferrous metals and compounds thereof; Methods of a general interest or applied to the winning of more than two metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Evolutionary Computation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种报废汽车回收金属的融合感知在线分选***及分选方法。包括:建库学习装置,通过采集物块的融合数据(含X射线和光学数据),对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,输入建库学习装置中完成数据的训练学习;分选判别装置,通过所述建库学习装置的训练学习得到优化后的分选判别模型,通过分选判别装置内的分选判别模型完成原料的分选;模型评估装置,对所述分选判别装置的分选结果进行评估,调整和优化分选模型。本发明具有较高的识别率,对合金和其他金属材料能够准确的识别;***在物料输送速度3m/s的条件下,分选的正确率达到2.5‰,分选量达到300t/h。
Description
技术领域
本发明涉及一种报废汽车回收金属的融合感知在线分选***及分选方法,尤其涉及铝镁合金的在线金属分选。
背景技术
汽车的材料包括:金属及其合金、非金属材料等。其中金属包括钢铁材料和有色金属;合金包括:铝合金、镁合金、铜合金以及其它合金材料。非金属材料包括塑料、橡胶、玻璃等。汽车再生资源是指对废旧汽车进行资源化处理后所获得的可以回收利用的物资。以汽车废钢为原料的钢材短流程生产和以铁矿石为原材料的原料生产相比,每回收1t的废钢铁可以节约4t的铁矿石,减少能耗0.89t标煤,节省运力6t和工业用水7.5t,减少二氧化碳排放量62%、炉渣排放量600~800kg,烟尘排放量150kg。因此无论从经济上、技术上、环境可持续发展上,都需要提高汽车再生资源的利用。报废汽车金属再生利用作为战略性新兴产业的重要支柱,对促进经济社会可持续发展和优化能源产业结构具有重要意义。
报废汽车处理之后获得的原料,成分十分复杂,传统的人工分选方法工作量大、生产效率低;化学分选方法分选过程不稳定,污染环境;机械分选方法又存在分选准确率低和耗费能源等弊端。现如今随着高新科技的飞速发展感知技术成为金属分选的发展趋势,但由于报废汽车金属废料的复杂性,分选***只采用独立的感知技术(光学、X射线)存在很大的局限性:分选产量受限、物料颗粒大小受限、准确率不高。
发明内容
本发明所要解决的技术问题在于提供一种报废汽车回收金属的融合感知在线分选***,融合X射线透射/光学物料感知技术,运用机器学习算法,采用无序上料装置,实现报废汽车金属碎块的分选。
本发明是这样实现的,
一种报废汽车回收金属的融合感知在线分选***,该***包括:
建库学习装置,通过采集物块的融合感知数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,输入建库学习装置中完成数据的训练学习;
分选判别装置,通过所述建库学习装置的训练学习得到优化后的分选判别模型,通过所述分选判别装置内的分选判别模型完成原料的分选;
模型评估装置,对所述分选判别装置的分选结果进行评估,调整和优化分选模型。
进一步地,所述建库学习装置包括:学习物料训练任务创建模块、物料融合数据采集模块、数据预处理模块、数据后处理模块、数据模型训练学习模块、数据模型验证模块;
所述物料训练任务创建模块,用于创建学习训练任务,设置训练学习数据来源,训练数据及验证数据的属性;
所述物料融合数据采集模块,用于在线和离线融合数据采集;采集数据包括训练数据和验证数据;
所述数据预处理模块,对采集的融合数据进行降噪、物块提取、粘连物块分割处理;
所述数据后处理模块,对降噪处理后的数据进行特征计算;
所述数据模型训练学习模块,对数据后处理模块处理后的数据选择模型进行训练,完成模型的数据学习功能;
所述数据模型验证模块,用于对学习训练模型的验证。
进一步地,所述分选判别装置包括: X射线基底校正模块、开线校正模块、光学校正模块、物料分选模块以及分选统计模块;
所述X射线基底校正模块,用于在X射线关闭状态下,对探测器进行校正;
所述开线校正模块,用于在X射线开合状态下,对探测器进行校正;
所属光学校正模块,用于对光学探测进行校正;
所述物料分选模块,用于对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选;
所述分选统计模块,用于对分选的物料进行统计,用于物料构成的统计。
进一步地,所述模型评估装置包括:物块检索定位模块、物块的分析判定模块以及模型评估模块;
所述物块检索定位模块,用于对分选异议的物块进行快速的定位;
所述物块的分析判定模块,用于对定位的物块进行数据分析,确定物块的实际成分;
所述模型评估模块,用于对分选判别模型进行评估。
进一步地,所述***通过时钟同步装置及进行同步,所述时钟同步装置包括数据采集时钟同步装置以及喷吹控制时钟同步装置;
所述数据采集时钟同步装置,用于同步物块融合数据采集时钟同步;
所述喷吹控制时钟同步装置,用于控制喷吹装置,启动分选物块的喷吹执行。
一种报废汽车回收金属的融合感知在线分选方法,该方法包括:
通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;
通过训练学习得到优化后的分选判别模型,通过分选判别模型完成原料的分选;
对分选结果进行评估,调整和优化分选判别模型。
进一步地,通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;包括:
创建学习训练任务,设置训练学习数据来源,训练数据及验证数据的属性;
在线和离线融合数据采集;采集数据包括训练数据和验证数据;
对采集的融合数据进行降噪、物块提取、粘连物块分割处理;
对降噪处理后的数据进行特征计算;
对处理后的特征值选择学习训练模型进行训练,完成模型的数据学习功能;
对学习训练模型进行验证。
进一步地,通过训练学习得到优化后的分选判别模型,再通过分选判别模型完成原料的分选包括:
在融合感知关闭状态下,对探测器进行校正;
在融合感知开合状态下,对探测器进行校正;
对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选;
对分选的物料进行统计,用于物料构成的统计。
进一步地,对分选结果进行评估,调整和优化分选判别模型,包括:
对分选异议的物块进行快速的定位;
对定位的物块进行数据分析,确定物块的实际成分;
对分选判别模型进行评估。
进一步地,所述方法还包括:
物块融合数据采集时钟同步;
控制喷吹装置,启动分选物块的喷吹执行。
通过粉碎装置完成报废汽车材料的粉碎工作,得到大小、薄厚相对均匀、一致的废料;通过本装置的上料设备完成废料的上料过程;废料通过传送带匀速行进;通过融合感知模块采集废料的金属元素数据;建库学习装置、分选判别装置、模型评估装置完成废料的识别;通过喷吹装置完成废料的分组;通过传送装置完成分选工作。
本发明应用于金属分选工业设备生产线。报废汽车回收流程包括:汽车回收及粉碎,通过粉碎机可以得到大小规则相对一致的分选原料。通过其它分选可以将塑料、橡胶、铁等原料进行分选;将剩余原料通过上料机进行原料输送;通过分类和传送装置将原料均匀排布;通过融合感知完成原料物块的信息收集;通过分选软件完成原料物块的识别;通过喷吹执行机构完成原料物块的分选。
本发明工作原理:通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,输入建库学习装置中完成数据的训练学习,得到优化后的分选判断模型,并且通过此模型完成原料的分选。对于分选的结果,通过模型评估装置进行评估,调整和优化模型,达到更好的分选准确度。
本发明具有如下的优点及有益效果:
本发明根据融合感知技术,即X射线透射/光学物料感知技术相融合,运用机器学习算法实现金属废料的智能分选。基于融合感知的强大功能,区别以往金属分选***的给料装置,本***采用无序上料装置,不受废料颗粒大小限制,确保金属分选操作准确率的基础上,大幅度提高了金属分选效率,可带来巨大的经济效益。
本***可以提高报废汽车中有色金属的分选率及纯净度,分选指标为300t/h时,正确率可达到2.5‰, 输送速度高达3000mm/s。
采用融合感知技术对金属及合金材料进行在线成像,通过工业智能软件对设备进行标定、对数据预处理、分析匹配,完成原料的特征计量、材质分类、定位以及后续的实时分选就有重要的经济和社会价值。
具有较高的识别率,能够学习大量的原料物块数据,对合金和其他金属材料能够准确的识别;主要应用铝镁合金分选,分选合格的铝原料中的杂质含量不超过2.5‰。
具有较高的处理效率,根据生产线设计指标,生产线传送机构可以达到3000mm/s的传输速度,可以满足数据高效处理的需求,单幅图像的处理时间小于50ms。
具有较高的可靠性,满足生产线长时间不间断运行,***具有良好的健壮性。具有较高的容错能力与一定的自动纠错能力,能够保障***能够稳定运行。
具有良好的人机界面:提示醒目,信息详尽,问题可追溯。
由此可见,通过本发明可极大地提高金属分选效率,降低成本,并且从经济上、技术上、环境可持续发展上最大限度地减少了有色金属混杂,使原料中有色金属能够实现最大限度的分离。
同时,虽然原料物块的成分非常复杂有色金属物料的形状,大小,材质都不同,但在本发明中,被分离的有色金属由融合感知模块识别,由本发明分精确的分离出来。
综上,可以看出,本发明可以提高报废汽车中有色金属的分选率及纯净度,分选效率高、经济实用,行之有效。
附图说明
图1为本发明***用于的装置组成示意图;
图2为本发明***运行示意图;
图3为本发明建库学习装置流程图;
图4为本发明判别分选装置流程图;
图5为本发明模型评估装置流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参见图2,本发明报废汽车回收金属的融合感知在线分选***,本实施例中以铝镁合金为例,
包括:建库学习装置,通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值输入建库学习装置中完成数据的训练学习;
分选判别装置,通过所述建库学习装置的训练学习得到优化后的分选判别模型,通过所述分选判别装置内的分选判别模型完成原料的分选;
模型评估装置,对所述分选判别装置的分选结果进行评估,调整和优化模型。
参见图3,其中建库学习装置,包括学习物料训练任务创建模块、物料融合数据采集模块、数据预处理模块、数据后处理模块、数据模型训练学习模块、数据模型验证模块;物料训练任务创建模块,用于创建学习训练任务,设置训练学习数据来源,训练数据及验证数据的属性;物料融合数据采集模块,用于在线和离线融合数据采集;采集数据包括训练数据和验证数据;数据预处理模块,用于采集的融合数据的降噪、物块提取、粘连物块分割等数据处理;所述数据后处理模块,用于对降噪等处理后的数据进行特征计算;所述数据模型训练学习模块,用于对处理后的数据选择模型进行训练,完成模型的数据学习功能。
工作流程为:分选开始后,选取带分选原料,人工方式对原料进行分选后,通过融合感知采集正样本数据,通过融合感知采集负样本数据,通过建库学习模块对样本数据进行预处理后,通过建库学习模块通过不同的模型进行数据后处理,人工分析和处理,选择最优模型和算法,完成样本数据的建库学习过程。
参见图4,分选判别装置,包括X射线基底校正模块、开线校正模块、光学校正模块、物料分选模块、分选统计模块; X射线基底校正模块,用于在X射线关闭状态下, 对探测器进行校正;所述开线校正模块,用于在X射线开合状态下,对探测器进行校正;所属光学校正模块,用于对光学探测进行校正;所述物料分选模块,用于对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选功能;所述分选统计模块,用于对分选的物料进行统计,用于物料构成的统计。
工作流程为:启动分选判别模块,设置原料的分选标准,设置需要分拣的原料名称,在线采集原料高低能射线原始数据,对原料数据进行预处理获取原料坐标信息,通过分拣标准对原料进行识别,向控制***传输需要分拣原料的坐标信息。
参见图5,模型评估装置包括物块检索定位模块、物块的分析判定模块、模型评估模块;所述物块检索定位模块,用于对分选异议的物块进行快速的定位;所述物块的分析判定模块,用于对定位的物块进行数据分析,确定物块的实际成分;所述模型评估模块,用于对模型进行评估。
工作流程为:启动模型评估模块后,选择已分选原料库,通过第三方工具或者人工检测的方式对分选原料进行识别,对原料分选错误或者原料属性不确定的样块,在程序中进行定位,分析和处理定位的样块,并进行最终确认,程序后台完成分拣准确率的重新计算,向建库学习模块反馈评估结果。
本***还包括时钟同步装置:时钟同步装置包括数据采集时钟同步装置、喷吹控制时钟同步装置;数据采集时钟同步装置,用于同步物块融合数据采集时钟同步;喷吹控制时钟同步装置,用于控制喷吹装置,启动分选物块的喷吹执行。
本实施例中,建库学习装置完成金属铝、镁等物料库的建设;完成模型的训练和优化。
判别分选装置与建库学习装置对于同一种物质采用同一个分选模型。
模型评估模块对现有模型进行评价及反馈,对模型及参数进行优化,提高分选的准确率。
本发明应用于金属分选工业设备生产线。参见图1,报废汽车回收流程包括:汽车回收及粉碎,通过粉碎机可以得到大小规则相对一致的分选原料。通过其它分选可以将塑料、橡胶、铁等原料进行分选;将剩余原料通过上料机进行原料输送;通过分类和传送装置将原料均匀排布;通过融合感知模块完成原料物块的信息收集;通过分选软件完成原料物块的识别;通过喷吹执行机构完成原料物块的分选。
本发明提供了一种报废汽车回收金属的融合感知在线分选方法,该方法包括:
通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;
通过训练学习得到优化后的分选判别模型,通过分选判别模型完成原料的分选;
对分选结果进行评估,调整和优化分选判别模型;
通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;包括:
创建学习训练任务,设置训练学习数据来源,训练数据及验证数据的属性;
在线和离线融合数据采集;采集数据包括训练数据和验证数据;
对采集的融合数据进行降噪、物块提取、粘连物块分割处理;
对降噪处理后的数据进行特征计算;
对处理后的数据选择学习训练模型进行训练,完成模型的数据学习功能;
对学习训练模型进行验证。
通过训练学习得到优化后的分选判别模型,通过分选判别模型完成原料的分选包括:
在X射线关闭状态下,对探测器进行校正;
在X射线开合状态下,对探测器进行校正;
在光学校正模块工作时,对光学探测进行校正;
对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选;
对分选的物料进行统计,用于物料构成的统计。
对分选结果进行评估,调整和优化分选判别模型,包括:
对分选异议的物块进行快速的定位;
对定位的物块进行数据分析,确定物块的实际成分;
对分选判别模型进行评估。
方法还包括:
同步物块融合数据采集时钟同步;
控制喷吹装置,启动分选物块的喷吹执行。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种报废汽车回收金属的融合感知在线分选***,其特征在于,该***包括:
建库学习装置,通过采集物块的融合感知数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,输入建库学习装置中,运用机器学习算法,完成数据的训练学习;
分选判别装置,通过所述建库学习装置的训练学习得到优化后的分选判别模型,通过所述分选判别装置内的分选判别模型完成原料的分选;
模型评估装置,对所述分选判别装置的分选结果进行评估,调整和优化分选模型。
2.按照权利要求1所述的报废汽车回收金属的融合感知在线分选***,其特征在于,所述建库学习装置包括:学习物料训练任务创建模块、物料融合数据采集模块、数据预处理模块、数据后处理模块、数据模型训练学习模块、数据模型验证模块;
所述物料训练任务创建模块,用于创建学习训练任务,设置训练学习数据来源,训练数据及验证数据的属性;
所述物料融合数据采集模块,用于在线和离线融合数据采集;采集数据包括训练数据和验证数据;
所述数据预处理模块,对采集的融合数据进行降噪、物块提取、粘连物块分割处理;
所述数据后处理模块,对降噪处理后的数据进行特征计算;
所述数据模型训练学习模块,对数据后处理模块处理后的数据选择模型进行训练,完成模型的数据学习功能;
所述数据模型验证模块,用于对学习训练模型的验证。
3.按照权利要求1所述的报废汽车回收金属的融合感知在线分选***,其特征在于,所述分选判别装置包括: X射线基底校正模块、开线校正模块、光学校正模块、物料分选模块以及分选统计模块;
所述X射线基底校正模块,用于在X射线关闭状态下,对探测器进行校正;
所述开线校正模块,用于在X射线开合状态下,对探测器进行校正;
所属光学校正模块,用于对光学探测器进行校正;
所述物料分选模块,用于对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选;
所述分选统计模块,用于对分选的物料进行统计,用于物料构成的统计。
4.按照权利要求1所述的报废汽车回收金属的融合感知在线分选***,其特征在于,所述模型评估装置包括:物块检索定位模块、物块的分析判定模块以及模型评估模块;
所述物块检索定位模块,用于对分选异议的物块进行快速的定位;
所述物块的分析判定模块,用于对定位的物块进行数据分析,确定物块的实际成分;
所述模型评估模块,用于对分选判别模型进行评估。
5.按照权利要求1所述的报废汽车回收金属的融合感知在线分选***,其特征在于,所述***通过时钟同步装置进行同步,所述时钟同步装置包括数据采集时钟同步装置以及喷吹控制时钟同步装置;
所述数据采集时钟同步装置,用于同步物块融合数据采集时钟同步;
所述喷吹控制时钟同步装置,用于控制喷吹装置,启动分选物块的喷吹执行。
6.一种报废汽车回收金属的融合感知在线分选方法,其特征在于,该方法包括:
通过采集物块的融合感知数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知模块不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;
通过训练学习得到优化后的分选判别模型,通过分选判别模型完成原料的分选;
对分选结果进行评估,调整和优化分选判别模型。
7.按照权利要求6所述的报废汽车回收金属的融合感知在线分选方法,其特征在于,通过采集物块的融合数据,对数据进行降噪等预处理,依据铝镁等金属对融合感知不同的反应能力,通过计算得到各自不同的特征值,并将这些特征值,完成数据的训练学习;包括:
运用机器学习算法,创建学习训练任务,设置训练学习数据来源,训练数据,验证数据的属性;
在线和离线融合数据采集;采集数据包括训练数据和验证数据;
对采集的融合数据进行降噪、物块提取、粘连物块分割处理;
对降噪处理后的数据进行特征计算;
对处理后的特征值选择学习训练模型进行训练,完成模型的数据学习功能;
对学习训练模型进行验证。
8.按照权利要求6所述的报废汽车回收金属的融合感知在线分选方法,其特征在于,
通过训练学习得到优化后的分选判别模型,通过分选判别模型完成原料的分选包括:
在融合感知关闭状态下,对探测器进行校正;
在融合感知开合状态下,对探测器进行校正;
对物料进行在线识别,给喷吹装置提供控制指令,完成物料的在线分选;
对分选的物料进行统计,用于物料构成的统计。
9.按照权利要求6所述的报废汽车回收金属的融合感知在线分选方法,其特征在于,对分选结果进行评估,调整和优化分选判别模型,包括:
对分选异议的物块进行快速的定位;
对定位的物块进行数据分析,确定物块的实际成分;
对分选判别模型进行评估。
10.按照权利要求6所述的报废汽车回收金属的融合感知在线分选方法,其特征在于,所述方法还包括:
同步物块融合数据采集时钟同步;
控制喷吹装置,启动分选物块的喷吹执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710915232.3A CN107737735A (zh) | 2017-09-30 | 2017-09-30 | 报废汽车回收金属的融合感知在线分选***及分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710915232.3A CN107737735A (zh) | 2017-09-30 | 2017-09-30 | 报废汽车回收金属的融合感知在线分选***及分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107737735A true CN107737735A (zh) | 2018-02-27 |
Family
ID=61236422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710915232.3A Pending CN107737735A (zh) | 2017-09-30 | 2017-09-30 | 报废汽车回收金属的融合感知在线分选***及分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107737735A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110694937A (zh) * | 2019-09-26 | 2020-01-17 | 湖南有色新田岭钨业有限公司 | 一种低品位浸染状矽卡岩型白钨矿预先抛废工艺 |
CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN114925756A (zh) * | 2022-05-07 | 2022-08-19 | 上海燕龙基再生资源利用有限公司 | 一种基于精细化管理的废玻璃分类回收方法及装置 |
CN117252784A (zh) * | 2023-11-16 | 2023-12-19 | 肇庆市大正铝业有限公司 | 一种再生铝合金原料用自动化分选*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398392A (zh) * | 2007-09-26 | 2009-04-01 | 中国科学院自动化研究所 | 一种基于hsi颜色空间的棉花杂质高速实时检测方法 |
CN103473568A (zh) * | 2013-09-13 | 2013-12-25 | 山东科技大学 | 煤与矸石分选装置及其分选方法 |
CN103996057A (zh) * | 2014-06-12 | 2014-08-20 | 武汉科技大学 | 基于多特征融合的实时手写体数字识别方法 |
CN104624519A (zh) * | 2014-12-31 | 2015-05-20 | 北京科技大学 | 一种基于材质及形状的报废汽车零件分选方法和*** |
KR20150069621A (ko) * | 2013-12-13 | 2015-06-24 | 고흥군 | 작업효율성을 향상시킨 재활용쓰레기 선별시스템 |
CN105013718A (zh) * | 2015-07-31 | 2015-11-04 | 泉州装备制造研究所 | 基于多种检测方式的块状固体建筑垃圾分拣*** |
CN106975617A (zh) * | 2017-04-12 | 2017-07-25 | 北京理工大学 | 一种基于色选机的物料分类方法 |
CN107159589A (zh) * | 2017-04-28 | 2017-09-15 | 深圳大数点科技有限公司 | 基于特征聚类的固体材料一致性分选***和方法 |
-
2017
- 2017-09-30 CN CN201710915232.3A patent/CN107737735A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398392A (zh) * | 2007-09-26 | 2009-04-01 | 中国科学院自动化研究所 | 一种基于hsi颜色空间的棉花杂质高速实时检测方法 |
CN103473568A (zh) * | 2013-09-13 | 2013-12-25 | 山东科技大学 | 煤与矸石分选装置及其分选方法 |
KR20150069621A (ko) * | 2013-12-13 | 2015-06-24 | 고흥군 | 작업효율성을 향상시킨 재활용쓰레기 선별시스템 |
CN103996057A (zh) * | 2014-06-12 | 2014-08-20 | 武汉科技大学 | 基于多特征融合的实时手写体数字识别方法 |
CN104624519A (zh) * | 2014-12-31 | 2015-05-20 | 北京科技大学 | 一种基于材质及形状的报废汽车零件分选方法和*** |
CN105013718A (zh) * | 2015-07-31 | 2015-11-04 | 泉州装备制造研究所 | 基于多种检测方式的块状固体建筑垃圾分拣*** |
CN106975617A (zh) * | 2017-04-12 | 2017-07-25 | 北京理工大学 | 一种基于色选机的物料分类方法 |
CN107159589A (zh) * | 2017-04-28 | 2017-09-15 | 深圳大数点科技有限公司 | 基于特征聚类的固体材料一致性分选***和方法 |
Non-Patent Citations (1)
Title |
---|
侯启真: "《机场安全防范技术》", 30 April 2013, 中国民航出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110694937A (zh) * | 2019-09-26 | 2020-01-17 | 湖南有色新田岭钨业有限公司 | 一种低品位浸染状矽卡岩型白钨矿预先抛废工艺 |
CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN114925756A (zh) * | 2022-05-07 | 2022-08-19 | 上海燕龙基再生资源利用有限公司 | 一种基于精细化管理的废玻璃分类回收方法及装置 |
CN114925756B (zh) * | 2022-05-07 | 2022-11-11 | 上海燕龙基再生资源利用有限公司 | 一种基于精细化管理的废玻璃分类回收方法及装置 |
CN117252784A (zh) * | 2023-11-16 | 2023-12-19 | 肇庆市大正铝业有限公司 | 一种再生铝合金原料用自动化分选*** |
CN117252784B (zh) * | 2023-11-16 | 2024-04-02 | 肇庆市大正铝业有限公司 | 一种再生铝合金原料用自动化分选*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107737735A (zh) | 报废汽车回收金属的融合感知在线分选***及分选方法 | |
US11471916B2 (en) | Metal sorter | |
US11260426B2 (en) | Identifying coins from scrap | |
US12030088B2 (en) | Multiple stage sorting | |
CN205289011U (zh) | 一种基于机器视觉的建筑垃圾分拣装置 | |
Diaz-Romero et al. | Deep learning computer vision for the separation of Cast-and Wrought-Aluminum scrap | |
CN110202716B (zh) | 废品塑料瓶分拣***及其分拣方法 | |
Sidharth et al. | Deep learning based smart garbage classifier for effective waste management | |
Bi et al. | Combined mechanical process recycling technology for recovering copper and aluminium components of spent lithium-iron phosphate batteries | |
Nafiz et al. | Convowaste: An automatic waste segregation machine using deep learning | |
CN110665848A (zh) | 基于ccd相机与高光谱相机检测的建筑固废分拣*** | |
CN112543680A (zh) | 从废料中回收硬币 | |
Zhang et al. | A comprehensive review of separation technologies for waste plastics in urban mine | |
CN210847267U (zh) | 基于ccd相机与高光谱相机检测的建筑固废分拣装置 | |
Sokolović et al. | Selection of process for aluminium separation from waste cables by TOPSIS and WASPAS methods | |
Chen et al. | Research on the process of small sample non-ferrous metal recognition and separation based on deep learning | |
Luo et al. | A review of intelligent ore sorting technology and equipment development | |
CN206701918U (zh) | 一种多传感器融合的垃圾分拣装置 | |
Oyewale et al. | A review and bibliometric analysis of sorting and recycling of plastic wastes | |
Dokl et al. | A waste separation system based on sensor technology and deep learning: A simple approach applied to a case study of plastic packaging waste | |
JP2013136019A (ja) | アルミ合金判別方法と判別装置および選別設備 | |
CN115237074B (zh) | 一种废钢上料自适应动态调度控制***及方法 | |
JP5562193B2 (ja) | アルミ合金判別方法および選別設備 | |
CN110154272A (zh) | 人工智能废品塑料瓶分拣方法 | |
WO2022089493A1 (zh) | 一种铅锌原矿预选工艺 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190813 Address after: 110000 No. 21 Wanghu Road, Heping District, Shenyang City, Liaoning Province, 1-2-1 Applicant after: Jiang Zao Address before: 110013 Room 309, F7 Building 860-2, Shengou Village, Shenyang City, Liaoning Province Applicant before: Shenyang Xing Xing Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |