CN112543680A - 从废料中回收硬币 - Google Patents

Abstract

一种材料分拣***，该材料分拣***使用实现机器学习***的视觉***来分拣材料，以便识别或分类材料中的每一者，随后基于确定所述材料具有指定几何形状的这样的识别或分类来将所述材料分拣到分开的组中。这样的***可以将货币硬币或其他有价值的金属从其他形式的废料中分拣出。

Description

从废料中回收硬币

本申请是美国专利申请序列号第15/963,755号的部分继续申请，所述申请要求美国临时专利申请序列号第62/490,219的权益，该两个专利申请通过引用结合于此。

政府许可权

本公开是在由美国能源部授予的授权第DE-AR0000422号下在美国政府支持下完成的。美国政府可能在本公开中具有某些权利。

技术领域

本公开总体上涉及材料的分拣，并且更具体地，涉及从废料中分拣某些有价值物。

背景技术

本节旨在介绍本领域的各个方面，这些方面可以与本公开的示例性实施例相关联。本讨论被认为有助于提供一个框架，以便于更好地理解本公开的特定方面。因此，应当理解，本节应当从这个角度来理解，而不一定作为现有技术的承认。

回收是收集和加工否则将作为垃圾扔掉的材料并将它们转成新产品的过程。回收对于社区和环境有益，因为它减少发送到填埋场和焚烧装置的废物量、节约自然资源、通过开发国内材料来源来增加经济安全性、通过减少对收集新的原材料的需求来防止污染、以及节约能量。在收集之后，可回收物品通常被发送到材料恢复设施以被分拣、清洁并加工为可用于制造的材料。

已经发现，指定用于切碎和随后的回收过程的许多机动车辆具有位于其中(诸如，在座椅间、地板垫下面等)的相对大量的货币硬币。至少一个研究估计每个车辆中可存在约10美元-15美元的硬币。同样地，此类车辆中可能含有丢失的珠宝。

另外，机动车辆包括印刷电路板(“PCB”)，所述印刷电路板包含可回收的有价值的金属(例如，铜、金、银等)。

考虑到每年回收的大量车辆，在回收工业中需要一种用于将此类有价值的废料片恢复作为正常车辆回收过程的可盈利副产品的技术。此外，最近通过的联邦法律规定对于某些硬币即使它们受损，美国政府也将支付它们的面值。

附图说明

图1示出了根据本公开的实施例配置的分拣***的示意图。

图2示出了根据本公开的实施例配置的分拣设备的操作的流程图。

图3A示出了各种示例性货币硬币的视觉图像。

图3B示出了与其他废料片混合的示例性货币硬币的视觉图像。

图3C示出了各种示例性珠宝件的视觉图像。

图3D示出了与其他废料片混合的示例性珠宝件的视觉图像。

图4示出了根据本公开的实施例配置的流程图。

图5示出了根据本公开的实施例配置的数据处理***的框图。

图6示出了根据本公开的实施例的用于机器学习***的示例性配置的流程图。

具体实施方式

本文公开了本公开的各种详细实施例。然而，应当理解，所公开的实施例仅是本公开的示例性的，其可以以各种和替代形式来实现。附图不一定按照比例；一些特征可能被夸大或最小化以示出特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅作为用于教导本领域技术人员采用本公开的各种实施例的代表性基础。

本公开的实施例通过使用如本文所述的基于机器学习的视觉***来从切碎的废料(例如，汽车(机动车)废料)中有效地回收指定的有价值废料片(例如，货币硬币、珠宝、PCB、铜、黄铜等)。

如本文所使用的，“材料”可包括任何物理物品，包括但不限于废料片。材料的类别或类型可包括：金属(铁和非铁)、金属合金、货币硬币、珠宝(例如，戒指、耳环、项链、手镯等)、金片或银片、按钮、电气盒敲除部件(knockout)、垫圈、塑料(包括但不限于PCB、HDPE、UHMWPE和各种有色塑料)、橡胶、泡沫、玻璃(包括但不限于硼硅酸盐或钠钙玻璃、以及各种有色玻璃)、陶瓷、纸、纸板、特氟龙(Teflon)、PE、集束线、包覆绝缘的线、稀土元素等。如本文所使用的，术语“废料”和“废料片”是指固态的材料片。在本公开中，术语“废料”、“废料片”、“材料”以及“材料片”可以可互换地使用。

如本文所使用的，材料的异质混合物是指不同的各个类别或类型的材料的集合。如本文所使用的，材料的同质集是指相同或基本上类似的类别或类型的各个材料的集合。

根据由废料回收工业协会(the Institute Of Scrap Recycling Industries,Inc.)颁布的《非铁废料指南》中的定义，术语“佐巴(Zorba)”是切碎的非铁金属的统称，包括但不限于源自寿命终止车辆(“ELV”)或废弃的电子和电器设备(“WEEE”)的那些。美国的废料回收工业协会(“ISRI”)建立了佐巴的规范。在佐巴中，每个废料片可以由非铁金属(例如，铝、铜、铅、镁、不锈钢、镍、锡、锌，以元素或合金(固态)形式)的组合组成。此外，术语“扭绞件(Twitch)”应是指碎片化的铝废料。可通过浮法工艺来生产扭绞件，由此由于较重的金属废料片下沉，因此铝废料浮到顶部(例如，在某些工艺中，可以混合进沙子以改变废料所浸没在其中的水的密度)。

如本文所使用的，术语“识别(identify)”和“分类(classify)”和术语“识别(identification)”和“分类(classification)”可以可互换地使用。例如，根据本公开的某些实施例，(如本文进一步描述的)视觉***可被配置成(例如，具有机器学习***)以收集以下所述的任何类型的信息：可以在分拣***中使用该信息根据一组一个或多个(用户定义的)物理特性来选择性地分拣材料(例如，废料片)，所述物理特性包括但不限于材料的颜色、大小、形状、纹理、物理外观、均匀性、色调和/或制造类型。

应注意，要分拣的材料中的至少一些材料可具有不规则的大小和形状(例如，参见图3B和图3D)。例如，此类材料(例如，佐巴和/或扭绞件)可能先前已经通过某种切碎机构运行，该切碎机构将材料剁碎成此类不规则形状和大小的片(生产废料片)，这些片随后可以被馈送到传送机***上。

本公开的实施例将在本文中被描述为通过根据用户定义的分类将材料(例如，废料片)物理地沉积(例如，弹射)到分开的容器或仓中来将材料(例如，废料片)分拣到这样的分开的组中。作为示例，在本公开的某些实施例中，可以将材料(例如，废料片)分拣到分开的仓中，以便将指定有价值的废料片与其他废料材料分离。此类(由***100的用户)指定的有价值的废料片可以是货币硬币、珠宝(例如，戒指、耳环、项链、手镯等)、贵金属(金、银、铂、铜、黄铜等)、或PCB(其可包含有价值的金属(例如，金、银、铜))。

图1示出了根据本公开的各种实施例配置的自动材料分拣***100的示例，该自动材料分拣***100用于自动地(即，不需要人类手动干预)分拣材料。在下文中，本公开的实施例将被描述为分拣废料片，尽管此类实施例适用于分拣任何类型的材料。传送机***103可被实现为将各个废料片101的一个或多个流传送通过分拣***100，使得各个废料片101中的每一者可以被跟踪、分类并分拣到预定的期望组中。这样的传送机***103可以用一个或多个传送带来实现，在该一个或多个传送带上，废料片101典型地以预定的恒定速度行进。然而，本公开的某些实施例可以使用其他类型的传送机***(包括振动式传送机和机械传送机)以及一种***来实现，在该***中，废料片自由下落经过分拣***的各种部件。在下文中，传送机***103将被简单地称为传送带103。

此外，尽管图1中的图示描绘了在传送带103上的废料片101的单个流，但本公开的实施例可以实现为：其中多个这样的废料片的流彼此并行地通过分拣***100的各种部件，或者以随机方式沉积到传送带103上的废料片的集合通过分拣***100的各种部件。因此，本公开的某些实施例能够同时跟踪、分类并分拣多个这样的并行行进的废料片的流或随机沉积到传送带上的废料片。根据本公开的实施例，视觉***跟踪、分类和分拣废料片不需要废料片101的分离。

根据本公开的某些实施例，可使用某种合适的进给机构来将废料片101馈送到传送带103上，由此传送带103将废料片101传送通过分拣***100内的各种部件。在本公开的某些实施例中，传送带103由传送带电动机104操作以在预定的速度行进。该预定的速度可以是可编程的和/或可由操作员以任何熟知的方式来调节。可以替代地用带速度检测器105来执行传送带103的预定的速度的监测。在本公开的某些实施例中，可由自动控制***108来执行传送带电动机104和/或带速度检测器105的控制。这样的自动控制***108可以计算机***107的控制下操作和/或可以将用于执行自动控制的功能实现在计算机***107内的软件中。

传送带103可以是采用适合于以预定速度移动传送带103的常规驱动电动机104的常规环形带传送机。可以是常规编码器的带速度检测器105可以可操作地耦合到传送带103和自动控制***108以提供对应于传送带103的移动(例如，速度)的信息。因此，如本文将进一步描述的，通过利用对传送带驱动电动机104和/或自动控制***108(以及替代地包括带速度检测器105)的控制，在传送带103上行进的废料片101中的每一者被识别时，可以通过(相对于***100的各种部件)位置和时间来跟踪它们，使得当每个废料片101在分拣***100的各种部件附近通过时，可以激活/停用所述部件。作为结果，自动控制***108能够在废料片101沿传送带103行进时跟踪废料片101中的每一者的位置。

根据本公开的某些实施例，在由传送带103接收到废料片101之后，可以使用滚筒(tumbler)和/或振动器(未示出)来将各个废料片从废料片的集合中分离。根据本公开的替代实施例，可以将废料片定位成一个或多个分离的(即，单行)流，这可以由可选的有源或无源分离器106来执行。如先前讨论的，不需要结合或使用分离器。相反，传送机***(例如，传送带103)可以简单地以传送废料片的集合，已经以随机的方式将该废料片的集合定位在传送带103上。

再次参考图1，本公开的实施例可以以使用视觉***或光学识别***110作为手段以在废料片101在传送带103上行进时开始跟踪废料片101中的每一者。视觉***110可以使用一个或多个静止或实时动作相机109(其可包括一个或多个三维相机)以记录在移动的传送带103上的废料片101中的每一者的定位(即，位置和定时)。视觉***110可以进一步配置成对废料片101中的全部或一部分执行某些类型的识别(例如，分类)。例如，可以使用这样的视觉***110来获取关于废料片101中的每一者的信息。例如，视觉***110可被配置成(例如，具有机器学习***)以收集以下所述的任何类型的信息：可以在***100中使用该信息根据一组一个或多个(用户定义的)物理特性来选择性地分拣废料片101，所述物理特性包括但不限于废料片101的颜色、大小、形状、纹理、整体物理外观、均匀性、构成和/或制造类型。视觉***110例如通过使用光学传感器(如在典型的数字相机和视频装备中使用的光学传感器)来捕获废料片101中的每一者的图像。随后，由光学传感器捕获的此类图像可作为图像数据存储在存储器设备中。根据本公开的实施例，此类图像数据表示在光的光波长(即，可由典型的人眼观察到的光的波长)内捕获的图像。然而，本公开的替代实施例可以使用被配置成捕获由在典型的人眼的视觉波长之外的光波长构成的材料图像的光学传感器。

另外，这样的视觉***110可被配置成废料片101中的哪些不是要由分拣***100分拣的种类(例如，被分类为除指定的有价值的废料片以外的类型的废料片)，并发送信号以拒绝此类废料片。可以使用如本文所描述的用于将经分拣的废料片物理地移动到各个仓中的机构中的一者来弹出此类经识别的废料片101。

接下来参考图2，示出了用于激活自动分拣设备(例如，分拣设备126、127、128、129)中的每一者的***和过程200，该自动分拣设备用于将经分类的废料片弹射到分拣仓中。这样的***和过程200可以被实现在先前参考图1描述的自动控制***108中或在控制分拣***的整体计算机***(例如，计算机***107)中。在过程框201中，从自动控制***108中接收到指定且被跟踪的废料片处于用于分拣的位置的信号。在过程框202中，确定与该信号相关联的定时是否与当前时间相等。***和过程200确定与经分类的废料片相关联的定时是否对应于预期的时间，在该预期的时间，经分类的废料片在与和该经分类的废料片有关的分类相关联的特定分拣设备(例如，空气喷射、气动柱塞、油漆刷式柱塞等)附近通过。如果定时信号不对应，则在过程框203中确定该信号是否大于当前时间。如果是，则***可返回错误信号204。在这样的情况下，***可能不能将该片弹射到适当的仓中。一旦***和过程200确定经分类的废料片正在在与该分类相关联的分拣设备附近通过时，它就将在过程框205中激活该分拣设备，以便将该经分类的废料片弹射到与该分类相关联的仓中。这可以通过激活气动柱塞、油漆刷式柱塞、空气喷射等来执行。在过程框206中，随后停用所选择的分拣设备。

如前所述，分拣设备可包括用于将所选择的废料片重定向到期望位置的任何熟知的机构，包括但不限于将废料片从传送带***弹射到多个分拣仓中。例如，分拣设备可以使用空气喷射，其中空气喷射中的每一者被分配给诸分类中的一个或多个分类。当空气喷射中的一者(例如，127)从自动控制***108接收到信号时，该空气喷射发射空气流，该空气流使废料片101从传送带103被弹射到对应于该空气喷射的分拣仓(例如，137)中。例如，可以使用高速空气阀(例如，可从马克工业(Mac Industries)购得的)来为空气喷射提供适当的气压，该气压被配置成将废料片101从传送带103中弹射出。

尽管图1中的所示的示例使用空气喷射来弹射废料片，但可以使用其他机构来弹射废料片，诸如：通过机器人将废料片从传送带中移除；(例如，使用油漆刷式柱塞)从传送带推走废料片；使传送带中出现开口(例如，活板门)，废料片可以从该开口中落下；在废料片从传送带的边缘落下时，使用一个或多个空气喷射来将这些废料片分到分开的仓中；或者使用机械臂和抓取装置来从传送带103中拾取指定的废料片。

除了将废料片101弹射到其中的N个分拣仓136、137、138、139之外，***100还可包括容器或仓140，该容器或仓140接收未被从传送带103中弹射到前述分拣仓136、137、138、139中的任一者中的废料片101。例如，当未确定废料片101的分类时(或者简单地由于分拣设备未能充分地弹出一个片)，可以不将废料片101从传送带103中弹射到N个分拣仓136、137、138、139中的一者中。因此，仓140可以用作默认容器，未分类的废料片被倾倒到该默认容器中。替代地，仓140可用于接收有意地未被分配给N个分拣仓136、137、138、139中的任一者的一个或多个分类的废料片。例如，根据本公开的实施例，可允许将未被分类为指定的有价值的废料片的废料片传递到仓140中。

根据本公开的某些实施例，一组一个或多个空气喷射可被配置成在被分类为指定的有价值的废料片的废料片从传送带103的边缘掉落时将它们引导到第一容器中，同时那些未被分类为指定的有价值的废料片的废料片被允许仅仅从传送带103的边缘掉落到分开的第二容器(例如，仓140)中。或者，可以执行相反的操作，其中被分类为指定的有价值的废料片的废料片被允许只是从传送带103的边缘掉落。

根据本公开的某些实施例，可以基于货币硬币的不同面额来分开地分类这些货币硬币，并且因此相应地将其分拣到分开的仓中。

取决于期望的废料片的分类的种类，可以将多个分类(例如，货币硬币的某些不同面额)映射到单个分拣设备和相关联的分拣仓。换言之，在分类和分拣仓之间不需要由一对一的相关性。例如，用户可能期望将某些类型或种类的材料(例如，一个或多个不同面额的货币硬币、或货币硬币与铜和/或黄铜两者等)分拣到相同分拣仓中。为了完成该分拣，当废料片101被分类为落入预定分类分组(例如，一个或多个不同面额的货币硬币、或货币硬币与铜和/或黄铜两者等)时，可以激活同一分拣设备以将这些废料片101分拣到同一分拣仓中。可应用此类组合分拣以产生经分拣的废料片的任何期望的组合。可由用户(例如，使用由计算机***107操作的分拣算法(例如，参见图4))来编程分类的映射以产生此类期望的组合。另外，废料片的分类是用户可定义的并且不限于任何特定已知的废料片分类。

作为前述的非限制性示例，本公开的机器学习***可被配置成分开地分类两个或更多个货币硬币面额用于分拣到同一仓中(例如，仓136、137、138、139中的一者或多者)，或者配置成分类某些面额(例如，美国分币)用于与未被分类为货币硬币的废料片分拣到同一仓中。

在前述的另一非限制性示例中，本公开的机器学习***可被配置成将货币硬币和另一种类或类型的有价值物分类到共同的仓中。(多个)有价值物的其他(多个)种类或(多个)类型可以是珠宝(例如，戒指、耳环、项链部件、手镯部件等，诸如图3C所示的)、指定种类或类型的金属(例如，金、银、铜、黄铜等)片、和/或由机器学习***识别为包含某些指定金属的任何废料片(例如，可包含铜、金或银的PCB)。随后，被收集到共同的仓中的此类废料片可以再次通过***100(或此类废料片可以被传送到类似于***100的第二类似***，诸如本文进一步公开的)以便分拣开所收集的有价值的废料片(例如，在货币硬币和铜和/或黄铜之间分拣)。

传送机***103可包括环行传送机(未示出)，使得未分类的废料片(或用于再次分拣的两个或更多种类或类型的材料的废料片)被返回到分类***100的开始以再次通过***100运行。此外，因为***100能够在每个废料片101在传送机***103上行进时具体地跟踪每个废料片101，可以实现某种分拣设备(例如，分拣设备129)以弹射在通过分拣***100预定圈数之后***100仍未能识别的废料片101(例如，如货币硬币、珠宝、PCB、PCB和珠宝等)。

在本公开的某些实施例中，可以将传送带103分成串行配置的多个带，诸如例如，两个带，其中第一带将废料片传送通过视觉***，并且第二带将废料片从视觉***传送到分拣设备。此外，这样的第二传送带可以比第一传送带处于更低的高度，使得废料片从第一带落到第二带上。

如前所述，本公开的实施例可以实现一个或多个视觉***(例如，视觉***110)以便识别、跟踪和/或分类废料片。这样的视觉***可以配置有用于在废料片在传送机***上通过时捕获或获取它们的图像的一个或多个设备。所述设备可被配置成捕获或获取由废料片反射的任何期望的波长范围，包括但不限于可见光、红外(“IR”)光、紫外(“UV”)光。例如，视觉***可配置有定位在传送机***附近(例如，上方)的一个或多个相机(静止和/或视频相机，其任一者可被配置成捕获二维、三维和/或全息图像)，使得在废料片通过(多个)视觉***时捕获到该废料片的视觉图像。

无论废料片的捕获到的图像的(多个)类型如何，随后都可以将该图像发送到计算机***(例如，计算机***107)以由机器学习***处理，以便识别和/或分类废料片中的每一者，以供以期望的方式对废料片进行后续分拣。这样的机器学习***可以实现一个或多个任何熟知的机器学习算法，包括实现以下的一个机器学习算法：神经网络(例如，人工神经网络、深度神经网络、卷积神经网络、递归神经网络、自动编码器、强化学习等)、模糊逻辑、人工智能(“AI”)、深度学习算法、深度结构学习分层学习算法、支持向量机(“SVM”)(例如，线性SVM、非线性SVM、SVM回归等)、决策树学习(例如，分类和回归树(“CART”))、集成方法(例如，集成学习、随机森林(Random Forests)、自举汇聚和粘贴(Bagging andPasting)、补片和子空间(Patches and Subspaces)、提升(Boosting)、堆叠(Stacking)等)、降维(例如，投影、流形学习、主成分分析等)和/或深度机器学习算法，诸如在deeplearning.net网站上描述并可公开获得的那些(包括在该网站内引用的所有软件、出版物以及指向可获得的软件的超链接)，这些内容通过引用结合于此。可在本公开的实施例中使用的可公开获得的机器学习算法、软件和库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深度学习(Deep Learning)、CNTK、MatConvNet(实现针对计算机视觉应用的卷积神经网络的Matlab工具箱)、深度学习工具箱(DeepLearnToolbox)(用于深度学习(来自Rasmus Berg Palm)的Matlab工具箱)、BigDL、Cuda-Convnet(卷积(或者更一般而言，前馈)神经网络的快速C++/CUDA实现)、深度信念网络(Deep BeliefNetworks)、RNNLM、RNNLIB-RNNLIB、matrbm、deeplearning4j、Eblearn.lsh、deepmat、MShadow、Matplotlib、SciPy、CXXNET、Nengo-Nengo、Eblearn、cudamat、Gnumpy、三向分解RBM和mcRBM、mPoT(使用CUDAMat和Gnumpy来训练自然图像的模型的Python代码)、ConvNet、Elektronn、OpenNN、NeuralDesigner、Theano推广的Hebbian学习(Theano GeneralizedHebbian Learning)、Apache Singa、Lightnet和SimpleDNN。

机器学习通常以两个阶段或时期来发生。例如，首先，由于分拣***100未被用于执行废料片的实际分拣，所以离线进行训练。根据本公开的某些实施例，***100的一部分可用于训练机器学习***，其中使用传送机***103使一组或多组同质废料片(即，一个或多个面额的货币硬币(例如，参见图3A)，戒指、手镯、项链和/或耳环的示例性组，示例性的PCB废料片，或示例性的特定类型的贵金属(例如，金、银、铜、黄铜等)的废料片)通过视觉***10(每组同质废料片是未经分拣的，但是可以被收集在共同的仓(例如，仓140)中)。替代地，可以在远离***100的另一位置处执行训练，包括使用某种其他机构用于收集指定的有价值的废料片的同质组的图像。

注意，根据本公开的某些实施例，同质组的货币硬币可以是相同面额(并且因此具有相同形状、大小、颜色、色调等)的货币硬币的集合，或者可以是不同面额(并且因此具有不同形状、大小、颜色或色调等)，但共有至少一个相同或基本上相同的诸如形状(例如，圆形、多边形)之类的物理特性的货币硬币的集合。此外，根据本公开的某些实施例，因为大多数货币硬币是基本上圆形的，所以这可以是可由机器学习***用于分类和分拣材料的特定物理特性。因为存在不是圆形的(例如，具有多边形形状)一些外国硬币，所以此类特定非圆形形状(但仍具有基本上多边形(例如，八边形)形状)也可以由机器学习***用于分类和分拣材料。出于描述本公开的各种实施例的目的，应当理解，大多数货币硬币具有封闭的几何形状(例如，圆形、多边形)。

在该训练阶段期间，(多个)机器学习算法使用本领域熟知的图像处理技术来从捕获的图像中提取特征。训练算法的非限制性示例包括但不限于线性回归、梯度下降、前馈、多项式回归、学习曲线、正则化学习模型和逻辑回归。在该训练阶段期间，(多个)机器学习算法可以被配置成学习指定的有价值的废料片(例如，货币硬币(其可具有不同的面额)、戒指、手镯、项链、耳环、PCB等)和它们的特征(例如，如由图像捕获的，诸如颜色、纹理、色调、形状(例如，圆形、多边形)、亮度等)之间的关系，从而为稍后由分拣***100接收到的废料片的异质混合物的分类创建知识库，所述分类用于从废料片的异质混合物中分拣货币硬币。根据本公开的某些实施例，这样的知识库可包括要将具有基本上圆形和/或多边形形状(例如，在基本上圆形和/或多边形的预定阈值内，因为硬币可能已经在车辆中受到一定程度的损坏或被汽车切碎机一定程度的损坏，诸如图3A中的硬币中的一些所示的)的废料片识别为货币硬币的要求。这样的知识库可包括拒绝具有形成在其中的孔的圆形废料片，以便不将金属垫圈识别为货币硬币。这样的知识库可进一步包括拒绝具有某一颜色或色调的圆形废料片(例如，以便不将美国分币与其他货币硬币一起分拣)。

这样的知识库可包括一个或多个库，其中每个库包括由视觉***110在第二阶段或时期期间用于分类和分拣废料片的参数。例如，一个特定库可包括由训练阶段配置成用于识别和分类特定面额的货币硬币的参数。根据本公开的某些实施例，此类库可以被输入到视觉***中，并且随后***100的用户可以能够调节参数中的某些参数，以便调节***100的操作(例如，调节视觉***从材料的异质混合物(例如，参见图3B)中识别特定面额的货币硬币有多好的阈值有效性)。

例如，图3A示出了捕获或获取的一组同质的示例性货币硬币的图像，可在前述训练阶段期间使用该图像。在训练阶段期间，作为控制样本的多个此类货币硬币(例如，一组同质的一个或多个指定面额的示例性货币硬币)可被(例如，由传送机***103)递送通过视觉***，使得机器学习***检测、提取和学习何种特征在视觉上代表此类示例性货币硬币。换言之，诸如图3A中所示的货币硬币的图像可以首先通过这样的训练阶段，使得机器学习***“学习”如何在废料片的异质混合物中检测、识别和分类货币硬币(例如，诸如如图3B和图3D中所示)。这创建了特定于指定货币硬币的参数库。

这里要提到的一点是，所检测到/提取的特征不一定是简单的颜色、或亮度、或者圆形或多边形形状；它们可以是只能在数学上表达或者根本不能在数学上表达的抽象表述；然而，在训练阶段期间，机器学习***解析所有数据来寻找允许对控制样本(例如，实际货币硬币)进行分类的模式。机器学习***可以采用捕获的废料片图像的子部分，并且尝试寻找预定义的分类(例如，一个或多个各种货币硬币面额)之间的相关性。

根据本公开的某些实施例，机器学习***可被配置成使得它将接近圆形但不完全圆形的那些废料片分类为货币硬币。例如，当处理(例如，通过切碎机运行)包含在废料场车辆内的货币硬币时，它们可能受到损坏(例如，稍微弯曲或在其中形成凹口)。图3A示出了一些此类损坏的硬币的示例。机器学习***可以将它的容差参数调整为将此类废料片分类为货币硬币。例如，即使废料片不是完美的圆形或不具有完全闭合的圆形形状，但是它的整体大小(例如，直径)和/或颜色、色调、纹理等与某个面额的货币硬币(例如，美国25美分、5美分、10美分等)相匹配，则也将该废料片分类为货币硬币。替代地，可以通过将损坏的(例如，有凹口的、弯曲的等)硬币的示例性样本包括在前述控制样本(参见图3A)中来将机器学习***训练成将废料片分类为货币硬币

此外，因为存在不是圆形形状但可具有某种其他多边形形状的非美国货币硬币，所以本公开的机器学习***可被配置成将废料片的流中的此类物体分类为货币硬币。

因为要分拣的一些废料可由包括金属电气盒的材料产生，该废料片可包括圆形敲除部件，该圆形敲除部件看起来类似于货币硬币。然而，根据本公开的实施例配置的机器学习***可被配置成不将此类敲除部件分类为货币硬币。这可以通过在训练阶段期间使一组同质的此类敲除部件通过机器学习***来完成。机器学习***可以通过此类敲除部件具有与货币硬币如何不同的外观(诸如它们的纹理、颜色、它们面上缺少冲压的图案等)来“学习”不将所述敲除部件分类为货币硬币。

根据本公开的某些实施例，机器学习***可被配置成不将不具有等同于一个或多个指定货币硬币(例如，美国25美分、5美分、10美分等)的直径的任何圆形形状废料片分类为货币硬币，所述圆形形状废料片包括但不限于具有大于和/或小于预定直径的直径的任何废料片。例如，这可能造成衣服纽扣不被分类为货币硬币的结果。此类直径规范可用于通过面额来分拣货币硬币。

根据本公开的某些实施例，使用一组同质的示例性硬币(例如，参见图3A)来训练机器学习***识别货币硬币以供分拣使得机器学习***100能够从废料片的异质混合物(例如，参见图3B)中分拣指定货币硬币。

根据本公开的某些实施例，可通过如先前所公开的使珠宝件的示例性样本(例如，参见图3C)通过机器学习***来将机器学习***训练成识别指定类型的珠宝，以便使得机器学习***100能够从废料片的异质混合物(例如，参见图3D)中分拣指定珠宝废料片。如先前所公开的，机器学习***能够通过学习此类指定珠宝废料片的特定物理特性来从这样的废料片的异质混合物中识别和分拣珠宝废料片。图3D提供了如何可以在视觉上将此类珠宝废料片与其他废料片区分开的非限制性示例。

尽管未在附图中示出，但可以使示例性的PCB片作为同质组通过机器学习***运行，以便允许机器学习***100从废料片的异质混合物中识别和分拣出此类PCB废料片。例如，机器学习***可以通过寻找绿色的或看起来像绿色的塑料板的废料片来这样做。

图6在抽象水平表示本公开的各种可能实施例的示例。一个或多个机器学习算法可以本质上体现***和过程600的一个或多个方面，尽管不一定完全如图6的流程图中所概述。

在框601中，视觉***110需要获取如本文描述的废料片101的图像。框602抽象地表示机器学习***可被配置成识别与某些指定有价值的废料片(例如，货币硬币，无论它们是圆形还是具有多边形形状)相似的那些废料片。可将其他物理特征(例如，颜色、着色、色调、纹理、冲压特征、直径等)用于识别废料片101中的指定特征(例如，与硬币相关的特征)。

可选框603抽象地表示如何可以将机器学习***配置成将看起来类似于电气盒敲除部件(即，具有类似于电气盒敲除部件的物理特性)的那些废料片101从货币硬币分类中排除。

可选框604抽象地表示可以如何将机器学习***进一步配置成不将不具有要分拣的期望的面额(例如，具有美国分币的颜色、小于10美分、大于25美分等)的那些废料片分类为货币硬币。框604还抽象地表示机器学习***可以如何分开地分拣不同面额的货币硬币。

在已经建立机器学习算法并且机器学习***已经充分地习得材料分类的差异之后，随后将针对不同种类或类型的材料(例如，一个或多个货币硬币面额、戒指、手镯、项链、耳环、PCB等)的库实现到材料分拣***(例如，***100)中，以用于从废料片的异质混合物中识别和/或分类并随后分拣指定的废料片。

图4示出了描绘根据本公开的某些实施例的使用视觉***来分拣废料片的过程400的示例性实施例的流程图。过程400的各方面可被配置成在本文描述的本公开的实施例(包括图1的分拣***100)中的任一者中操作。过程400的操作可以由包括在控制分拣***(例如，图1的计算机***107和/或视觉***110)的计算机***(例如，图5的计算机***3400)内的硬件和/或软件来执行。在可选过程框401中，可使废料片通过某种熟知的滤网(未示出)，该滤网可被配置成允许小于预定大小的废料片通过该滤网。例如，在滤网中形成的狭缝可被配置成使具有如货币硬币的类似大小的物体通过。然而，如本文描述的任何设备或甚至其他分拣***可用于首先将较小废料片与较大废料片分离。

在过程框402中，可将废料片沉积到传送带上。图3B示出了被沉积到传送带上的包括各种货币硬币的此类废料片的示例性异质集合的数字照片。图3A示出了被沉积到传送带上的包括各种珠宝废料片的废料片的示例性异质集合的数字照片。在非限制性示例中，可将滤网定位成使得通过的废料片被沉积在传送带上。例如，参考图1，这样的滤网可以被定位在坡道或溜槽102和传送带103之间。检测每个废料片101在传送带103上的位置用于在每个废料片行进通过分拣***时跟踪每个废料片。这可以由视觉***110来执行(例如，通过在与传送带速度检测器(例如，带速度检测器105)通信的同时将废料片与下面的传送带材料区分开)，并且由自动控制***108收集并监测该信息。替代地，可以使用线性片状(sheet)激光束(或者能够产生光源(包括但不限于可见光、UV、VIS和IR)并且具有能用于定位片的检测器的任何***)来定位片。在过程框403中，当废料片已经行进到视觉***110附近时，捕获/获取废料片的一个或多个图像。在过程框404中，(诸如先前所公开的)机器学习***可以执行图像的预处理，这可以用于从背景(例如，传送带103)中检测或辨别(提取)每个废料片。换言之，图像预处理可用于识别废料片和背景之间的差异。诸如膨胀(dilation)、限定阈值(thresholding)和取轮廓(contouring)之类的熟知的图像处理技术可用于将废料片识别为与背景不同。在过程框405中，可以执行图像分割。例如，由视觉***的相机捕获的图像中的一者或多者可包括一个或多个废料片的图像。另外，在捕获特定废料片的图像时，该废料片可以位于传送带的接缝上。因此，在此类情况下可期望将单个废料片的图像与图像的背景隔离。在用于过程框405的示例性技术中，第一步是应用图像的高对比度；以此方式，背景像素被减少到基本上全黑的像素，并且属于废料片的像素中的至少一些像素变亮到基本上全白的像素。随后将白色的废料片的图像像素膨胀，以覆盖废料片的整个大小。在该步骤之后，废料片的位置是在黑色背景上的全白像素的高对比度图像。随后，可以使用取轮廓算法来检测废料片的边界。保存该边界信息，并且随后将边界位置传送到原始图像。随后在原始图像上的比先前定义的边界更大的区域上执行分割。以此方式，从背景中识别并分离每个废料片。在过程框406中，可以确定每个废料片的大小和形状。

在过程框407中，可以执行图像后处理。图像后处理可涉及对图像调整大小以准备该图像以供在神经网络中使用。这还可以包括以将产生对机器学习***分类废料片的能力的增强的方式来修改某些图像性质(例如，增强图像对比度、改变图像背景或施加滤波器)。在图像后处理之后，可以在过程框408中执行各种图像的归一化，使得可以更容易地将各种不同的废料片的图像彼此比较。在过程框409中，可以对表示每个图像的数据调整大小。在某些情况下，可能需要对图像调整大小以匹配某些机器学习***(诸如神经网络)的数据输入要求。神经网络需要比由典型的数字相机捕获的图像尺寸小得多的图像尺寸(例如，225x225像素或299x299像素)。此外，图像大小越小，执行分类所需的处理时间就越少。因此，较小的图像大小可以最终增加分拣***的吞吐量并增加该分拣***的价值。

在过程框410和411中，基于检测到的特征来识别/分类每个废料片。例如，过程框410可被配置有采用一个或多个机器学习算法的神经网络，该神经网络将所提取的特征(例如，圆形/多边形形状、没有孔、颜色等)与存储在训练阶段期间生成的知识库中的那些特征进行比较，并且基于这样的比较对废料片中的每一者分配具有最高匹配的分类。(多个)机器学习算法可以通过使用自动训练的滤波器来以分层的方式来处理所捕获的图像。随后，将滤波器响应成功地组合在(多个)算法的(多个)下一级中，直到在最终步骤中获得概率。在过程框411中，这些概率可用于N个(N≥1)分类中的每一者，以决定应当将对应的废料片分拣到N个分拣仓中的哪一个。例如，可以将N个分类中每一者分配到对应的分拣仓，并且所考虑的废料片被分拣到对应于返回大于预定义阈值的最高概率的分类的那个仓中。在本公开的实施例中，可以由用户预设此类预定义的阈值。如果概率中没有一者大于预定阈值(例如，废料片未被分类为货币硬币)，则可以将特定废料片分拣到离群(outlier)仓(例如，分拣仓140)中。

在过程框412中，激活对应于废料片的该一个或多个分类的分拣设备(例如，参见图2)。在由视觉***110捕获到废料片101的图像的时间与激活分拣设备的时间之间，废料片101已经以传送带103的传送速率从视觉***110附近移动到传送带103上的下游位置。在本公开的实施例中，对分拣设备(例如，126、127、128、129)的激活进行定时，使得当废料片101通过映射到该废料片的分类的分拣设备时，激活该分拣设备，并且将废料片引导到其相关联的分拣仓(例如，136、137、138、139)。在本公开的实施例中，可以由与带速度检测器105通信的自动控制***来对分拣设备的激活进行定时，该带速度检测器105检测废料片何时从分拣设备之前通过并且发送信号以使能该分拣设备的激活。在过程框413中，对应于被激活的分拣设备的分拣仓接收所引导的废料片。

根据本公开的某些实施例，可以将***100的多个至少一部分连续地链接在一起，以便执行多个迭代或层的分拣。例如，当两个或更多个***100以此方式链接时，可以实现具有单个传送带或多个传送带的传送机***，该传送机***将废料片传送通过被配置成用于由分拣器(例如，第一自动控制***108和相关联的一个或多个分拣设备126、127、128、129)将第一组材料的异质混合物的废料片分拣到第一组一个或多个容器(例如，分拣仓136、137、138、139)中的第一视觉***，并且随后该传送机***将废料片传送通过被配置成用于由第二分拣器将第二组材料的异质混合物的废料片分拣到第二组一个或多个分拣仓中的第二视觉***。

这样一系列***100可以包含以这样的方法链接在一起的任何数量的此类***。根据本公开的某些实施例，每个连续的视觉***可被配置成与之前的(多个)视觉***分拣出不同的材料(例如，首先从废料中分拣硬币和铜/黄铜，随后在硬币和铜/黄铜片之间分拣)。

如本文已经描述的，可以实现本公开的实施例以执行针对识别、跟踪、分类和分拣材料(诸如废料片)所描述的各种功能。此类功能可以实现在硬件和/或软件内，诸如在一个或多个数据处理***(例如，图5的数据处理***3400)内，诸如先前指出的计算机***107、视觉***110和/或自动控制***108。然而，本文所描述的功能不限于实现在任何特定硬件/软件平台中。

如本领域技术人员将认识到的，本公开的各方面可以体现为***、过程、方法和/或程序产品。因此，本公开的各种方面可以采用完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)的形式，或者结合软件和硬件方面的实施例的形式，这些方面在本文中通常都称为“电路”、“电路***”、“模块”或“***”。此外，本公开的各方面可以采用体现在其上体现有计算机可读程序代码的一个或多个计算机可读存储介质中的程序产品的形式。(然而，可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。)

计算机可读存储介质可以是，例如，但不限于：电子、磁、光、电磁、红外、生物、原子或半导体***、装置、控制器或设备、或前述的任何合适的组合，其中计算机可读存储介质不是瞬态信号本身。计算机可读存储介质的更具体的示例(非穷尽性列表)可包括以下项：具有一条或多条线的电连接、便携式计算机盘、硬盘、随机存取存储器(“RAM”)(例如，图5的RAM 3420)、只读存储器(“ROM”)(例如，图5的ROM 3435)、可擦除可编程只读存储器(“EPROM”或闪存)、光纤、便携式压缩盘只读存储器(“CD-ROM”)、光存储设备、磁存储设备(例如，图5的硬盘驱动器3431)、或前述的任何合适的组合。在本文档的上下文中，计算机可读存储介质可以是能够包含或存储由指令执行***、装置、控制器或设备使用或与指令执行***、装置、控制器或设备相结合地使用的程序的任何有形介质。可以使用包括但不限于无线、有线、光纤电缆、RF等、或前述的任何合适组合的任何适当的介质来传输体现在计算机可读信号介质上的程序代码。

计算机可读信号介质可包括被传播的数据信号，该数据信号具有被体现在其中(例如，在基带中或作为载波的一部分)的计算机可读程序代码。这样的传播信号可采取多种形式中的任何一种，包括但不限于：电磁的、光学的或它们的任何合适组合。计算机可读信号介质可以是并非计算机可读存储介质的、并且可以传达、传播、或传输程序以供指令执行***、装置、控制器或设备使用或结合指令执行***、装置、控制器或设备来使用的任何计算机可读介质。

附图中的流程图和框图示出了根据本公开的各种实施例的***、方法、过程和程序产品的可能实现方式的架构、功能和操作。在此方面，流程图或框图中的每个框可表示包括用于实现(多个)指定的逻辑功能的一个或多个可执行程序指令的代码模块、代码段或代码部分。还应当注意，在一些实现方式中，框中所标注的多个功能可不按图中所标注的次序发生。例如，取决于所涉及的功能，相继示出的两个框实际上可以基本上同时执行，或者这些框有时可以按相反的顺序来执行。

例如，实现在软件中的用于由各种类型的处理器(例如，GPU 3401、CPU3415)执行的模块可以例如包括例如被组织为对象、过程或功能的计算机指令的一个或多个物理或逻辑块。然而，经标识的模块的可执行文件不需要在物理上定位在一起，而是可以包括存储在不同位置的不同指令，当这些可执行文件被逻辑地连接在一起时包括该模块并且实现该模块的所述目的。实际上，可执行代码的模块可以是单个指令、或许多指令，并且甚至可在若干不同的代码段上、在不同程序之间、以及跨若干存储设备分布。类似地，本文中操作数据(例如，本文所描述的材料分类库)可以在模块内进行标识和说明，并且可以以任何合适的形式体现并且被组织在任何合适类型的数据结构内。操作数据可以被收集为单个数据集，或者可以分布在不同位置，包括分布在不同存储设备上。该数据可在***或网络上提供电子信号。

可将这些程序指令提供给通用计算机、专用计算机、或其他可编程数据处理装置(例如，控制器)的一个或多个处理器和/或控制器来生产机器，使得经由计算机或其他可编程数据处理装置的(多个)处理器(例如，GPU 3401、CPU 3415)执行的这些指令创建用于实现在流程图和/或框图的一个或多个框中所指定的功能/动作的电路***或装置。

还将注意，可由执行指定功能或动作的基于专用硬件的***(例如，其可包括一个或多个图形处理单元(例如，GPU 3401、CPU 3415))或专用硬件和计算机指令的组合来实现框图和/或流程图图示中的每一个框和框图和/或流程图图示中的多个框的组合。例如，模块可以实现为包括定制的VLSI电路或门阵列、现成半导体(诸如逻辑芯片、晶体管、控制器或其他分立组件)的硬件电路。模块还可以被实现在诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等的可编程硬件设备中。

用于执行本公开的各方面的操作的计算机程序代码(即，指令)可以用一种或多种编程语言的任何组合来编写，该一种或多种编程语言包括诸如Java、Smalltalk、Python、C++等的面向对象的编程语言以及诸如“C”编程语言或类似的编程语言的常规的过程编程语言、或本文公开的机器学习软件中的任一者。程序代码可完全在用户的计算机***上执行、部分地在用户的计算机***上执行、作为独立式软件包执行、部分地在用户的计算机***(例如，用于分拣的计算机***)上并且部分地在远程计算机***(例如，用于训练机器学习***的计算机***)上执行、或完全在远程计算机***或服务器上执行。在后一场景中，可通过任何类型的网络(包括局域网(“LAN”)或广域网(“WAN”))将远程计算机***连接至用户的计算机***，或可(例如，使用互联网服务提供商通过互联网)进行至外部计算机***的连接。作为前述的示例，本公开的各种方面可被配置成在计算机***107、自动控制***108和视觉***110中的一者或多者上执行。

这些程序指令也可以被存储在计算机可读存储介质中，该程序指令能够引导计算机***、其它可编程数据处理装置、控制器和/或其他设备以特定方式发挥作用，使得存储在计算机可读存储介质中的指令产生制品，该制品包括实现在流程图和/或框图的一个或多个框中指定的功能/动作的指令。

也可将程序指令加载到计算机、其他可编程数据处理装置、控制器或其他设备上以使一系列操作步骤在该计算机、其他可编程装置或其他设备上执行来产生计算机实现的过程，使得在该计算机或其他可编程装置上执行的该指令提供用于实现在流程图和/或框图的一个或多个框中所指定的功能/动作的过程。

一个或多个数据库可被包括在主机中用于存储用于各种实现方式的数据并且提供用于各种实现方式的数据的访问。本领域技术人员还将理解，出于安全原因，本公开的任何数据库、***或部件可包括在单一位置或多个位置的数据库或部件的任何组合，其中，每个数据库或***可包括各种合适的安全特征，诸如防火墙、存取码、加密、解密等中的任一种。数据库可以是任何类型的数据库，诸如关系数据库、分层数据库、面向对象的数据库和/或类似的数据库。可用于实现数据库的常见数据库产品包括：IBM的DB2、可从甲骨文公司(Oracle Corporation)获得的数据库产品中的任一者、微软公司(MicrosoftCorporation)的Microsoft Access、或任何其他数据库产品。可以以任何合适的方式来组织数据库，包括作为数据表或查找表。

可以通过本领域已知并实践的任何数据关联技术来完成对某个数据(例如，对于由本文所描述的分拣***处理的废料片中的每一者)的关联。例如，该关联可手动地或者自动地完成。自动关联技术可包括，例如，数据库搜索、数据库合并、GREP、AGREP、SQL和/或类似的自动关联技术。关联步骤可通过数据库合并功能，例如在制造商和零售商数据表中的每一者中使用关键字段来完成。关键字段根据由该关键字段定义的高级对象类来划分数据库。例如，某个类别可被指定为在第一数据表和第二数据表两者中的关键字段，并且随后可以基于关键字段中的分类数据来合并这两个数据表。在这些实施例中，对应于合并的数据表中的每一者中的关键字段的数据优选地是相同的。然而，也可以通过使用例如AGREP来对在关键字段中具有相似但不相同的数据的数据表进行合并。

在本文中参考“配置(configuring)”设备执行一些功能或设备“被配置成(configured to)”执行一些功能。应当理解，这可包括选择预定义的逻辑块并逻辑地关联它们，使得它们提供特定逻辑功能，其包括监测或控制功能。它还可包括：对改造控制设备的基于计算机软件的逻辑进行编程、对分立的硬件部件进行布线、或前述的任何或所有的组合。这样配置的设备被物理地设计成执行指定功能。

在本文的描述中，提供了许多具体细节，诸如编程、软件模块、用户选择、网络交易、数据库查询、数据库结构、硬件模块、硬件电路、硬件芯片、控制器等的示例，以提供对本公开的实施例的透彻理解。然而，相关领域的技术人员将认识到，本公开可在没有这些具体细节中的一者或多者的情况下实践，或者用其他方法、部件、材料等等来实践。在其他情况下，众所周知的结构、材料或操作可能未详细示出或描述，以避免模糊本公开的各方面。

现在参考图5，描绘了其中可以实现本公开的实施例的各方面的示出数据处理(“计算机”)***3400的框图。(术语“计算机”、“***”、“计算机***”、和“数据处理***”可在本文中可互换地使用。)计算机***107、自动控制***108和/或视觉***110可以与计算机***3400类似地配置。计算机***3400可以采用本地总线3405(例如，***部件互连(“PCI”)本地总线架构)。可使用任何合适的总线架构，诸如加速图形端口(“AGP”)和工业标准架构(“ISA”)等等。可以将一个或多个处理器3415、易失性存储器3420和非易失性存储器3435(例如，通过PCI桥(未示出))连接到本地总线3405。可以将集成存储器控制器和缓存存储器耦合到该一个或多个处理器3415。该一个或多个处理器3415可包括一个或多个中央处理器单元和/或一个或多个图形处理器单元和/或一个或多个张量处理单元。在本公开的某些实施例中，可以将一个或多个GPU 3401(例如，GPGPU或图形处理单元上的通用计算)实现在计算机***107内以操作本文所公开的机器学习***中的任何一者或多者。可以通过直接部件互连或通过内插(add-in)板来实现到本地总线3405的附加连接。在所描绘的示例中，可以将通信(例如，网络(LAN))适配器3425、I/O(例如，小型计算机***接口(“SCSI”)主机总线)适配器3430和扩展总线接口(未示出)通过直接部件连接连接到本地总线3405。可将音频适配器(未示出)、图形适配器(未示出)和显示适配器3416(耦合到显示器3440)(例如，通过***到扩展槽中的内插板)连接到本地总线3405。

用户接口适配器3412可以为键盘3413和鼠标3414、调制解调器(未示出)和附加存储器(未示出)提供连接。I/O适配器3430可以为硬盘驱动器3431、磁带驱动器3432和CD-ROM驱动器(未示出)提供连接。

操作***可以在一个或多个处理器3415上运行并且用于协调计算机***3400内的各种部件并提供对计算机***3400内的各种部件的控制。在图5中，操作***可以是可购得的操作***。面向对象的编程***(例如，Java、Python等)可以与操作***结合运行并且提供从在***3400上执行的一个或多个程序(例如，Java、Python等)对操作***的调用。用于操作***、面向对象的操作***和程序的指令可以位于非易失性存储器3435存储设备(诸如硬盘驱动器3431)上，并且可被加载到易失性存储器3420中以由处理器3415执行。

本领域普通技术人员将会理解，在图5中的硬件可根据实现方式而变化。除了图5中描绘的硬件之外或替代图5中描绘的硬件，可以使用其他内部硬件或***设备，诸如闪存ROM(或等效的非易失性存储器)或光盘驱动器等。而且，可将本公开的过程中的任一者应用于多处理器计算机***或由多个此类***3400来执行。例如，可以由第一计算机***3400来执行视觉***110的训练，同时可由第二计算机***3400来执行视觉***110的用于分拣的操作。

作为另一个示例，计算机***3400可以是被配置成在不依赖于某种类型的网络通信接口的情况下可启动的独立***，而无论计算机***3400是否包括某种类型的网络通信接口。作为进一步示例，计算机***3400可以是嵌入式控制器，其配置有提供存储操作***文件或用户生成的数据的非易失性存储器的ROM和/或闪存ROM。

图5中描绘的示例和上述示例不旨在暗示对架构的限制。进一步，形成本公开的各方面的计算机程序形式可驻留在由计算机***使用的任何计算机可读存储介质(即，软盘、紧凑盘、硬盘、磁带、ROM、RAM等)上。

贯穿本说明书，对“一个实施例”或“实施例”或相似语言的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本公开的至少一个实施例中。因此，在本说明书通篇中的短语“在一个实施例中”、“在实施例中”、“实施例”、“某些实施例”、“各种实施例”和相似语言的出现可能但不一定全部指的是同一实施例。此外，在一个或多个实施例中，可以以任何合适的方式来组合本公开所描述的特征、结构、方面和/或特性。相应地，即使特征最初被要求保护为以某些组合起作用，但来自所要求保护的组合的一个或多个特征在一些情形中可从该组合被删去，并且所要求保护的组合可以针对子组合、或子组合的变体。

上文已经关于具体实施例描述了益处、优点以及对问题的解决方案。然而，这些益处、优点、问题的解决方案以及可能使任何益处、优点或解决方案发生或变得更为突出的任何(多个)要素可不被解释成任何或所有权利要求的关键的、必需的或必要的特征或要素。进一步，除非明确描述为必要的或关键的，否则本公开的实践不需要本文描述的部件。

已经阅读本公开的本领域技术人员将认识到，可以在不脱离本公开的范围的情况下，对实施例进行改变和修改。应当理解，本文所示和描述的特定实现方式可以说明本公开及其最佳模式，并且可以不旨在以任何方式以其他方式限制本公开的范围。其他变体可以在下述权利要求书的范围内。

尽管本说明书包含许多特定内容，但是特定内容不应被解读为是对本公开或可能要求保护的内容的范围的限制，而应被解读为是对本公开的具体实现方式的特定特征的描述。本文的标题可以不旨在限制本公开、本公开的实施例或在该标题下公开的其他事项。

在本文中，术语“或”可旨在是包括性的，其中“A或B”包括A或B并且还包括A和B两者。如本文所使用的，当在实体列表的上下文中使用时，术语“和/或”是指单独或组合存在的实体。因此，例如，短语“A、B、C和/或D”包括单独地A、B、C和D，但也包括A、B、C和D的任何和所有组合和子组合。

本文中所使用的术语仅用于描述特定实施例，并且不旨在限制本公开。如本文所使用的，单数形式“一(a)”、“一(an)”和“该(the)”也可旨在包括复数形式，除非上下文另有明确指示。

以下权利要求书中的所有“装置+功能”要素或“步骤+功能”要素的对应的结构、材料、动作和等效物旨在包括用于结合明确要求保护的其他要求保护的要素来执行该功能的任何结构、材料或动作。

如本文关于所识别的性质或情况所使用的，“基本上”是指足够小以至于不能测量地减损所识别的性质或情况的偏离程度。在一些情况下，确切的可允许偏离程度取决于特定的上下文。

如本文所使用的，为了方便起见，多个项目、结构元素、组成元素、和/或材料可以呈现在共同的列表中。然而，这些列表应当理解为列表中的每一个构件都被单独地标识为一个分开且唯一的构件。因此，仅基于此类列表上的任何单个构件与同一列表上的任何其他构件在一个公共组中的呈现而没有相反的指示，不应将此类列表上的任何单个构件解释为同一列表上的任何其他构件的事实上的等同物。

除非另外定义，否则在本文中所使用的所有技术和科学术语具有与本公开主题所属领域的普通技术人员所通常理解相同的含义。虽然与本文所描述的那些方法、设备和材料类似或等同的任何方法、设备和材料也可用于实践或测试当前公开的主题，但是现在描述的是代表性方法、设备和材料。

除非另有说明，否则在说明书和权利要求中使用的表示成分数量、反应条件等的所有数字应理解为在所有情况下均由术语“大约”修饰。因此，除非相反地指明，否则在本说明书和所附权利要求中阐述的数值参数是近似值，这些近似值可根据通过当前公开的主题来获得的所寻求的期望性质而变化。如本文所使用的，术语“大约”在指代质量、重量、时间、体积、浓度或百分比的值或量时，意在涵盖相对于指定量在一些实施例中±20％的变化、在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化、以及在一些实施例中±0.1％的变化，在此类变化适合于执行本公开的方法时。

Claims (20)

1.一种方法，包括：

通过相机捕获在流中移动通过所述相机的材料的异质混合物中的每个片的图像数据，其中在所述材料的异质混合物中的材料具有各种不同的形状，所述各种不同的形状包括一个或多个不同的几何形状；

将具有一个或多个指定几何形状的材料分类到第一分类中；

将不具有所述一个或多个指定几何形状的材料分类到第二分类中；以及

由自动分拣设备从被分类到所述第二分类中的材料中分拣被分类到所述第一分类中的材料。

2.如权利要求1所述的方法，其特征在于，所述一个或多个不同的几何形状包括圆形。

3.如权利要求1所述的方法，其特征在于，所述一个或多个不同的几何形状包括多边形。

4.如权利要求1所述的方法，其特征在于，具有圆形形状并且还具有形成在其中的孔的材料被分类到所述第二分类中。

5.如权利要求1所述的方法，其特征在于，具有所述指定几何形状的材料包括货币硬币。

6.如权利要求1所述的方法，其特征在于，所述第一分类是货币硬币和指定珠宝。

7.如权利要求1所述的方法，进一步包括，在所述捕获所述图像数据之前，使大量材料通过滤网，以便产生具有小于预定大小的大小的所述材料的异质混合物。

8.一种***，包括：

相机，所述相机被配置成捕获在流中移动通过所述相机的材料的异质混合物中的每个片的图像数据，其中在所述材料的异质混合物中的材料具有各种不同的形状，所述各种不同的形状包括一个或多个不同的闭合几何形状；

被配置成将具有指定闭合几何形状的材料分类到第一分类中的电路***；

被配置成将不具有所述指定闭合几何形状的材料分类到第二分类中的电路***；以及

自动分拣设备，所述自动分拣设备被配置成从被分类到所述第二分类中的材料中分拣被分类到所述第一分类中的材料。

9.如权利要求8所述的***，其特征在于，具有所述指定闭合几何形状的材料具有圆形形状。

10.如权利要求9所述的***，进一步包括，被配置成将具有圆形形状和形成在其中的孔的材料分类到所述第二分类中的电路***。

11.如权利要求8所述的***，进一步包括滤网，所述滤网用于在所述捕获所述图像数据之前分离具有小于预定大小的大小的所述材料的异质混合物。

12.如权利要求8所述的***，其特征在于，所述一个或多个不同的闭合几何形状包括圆形。

13.如权利要求8所述的***，其特征在于，所述一个或多个不同的闭合几何形状包括多边形。

14.如权利要求9所述的***，其特征在于，所述第一分类是货币硬币。

15.如权利要求8所述的***，其特征在于，所述材料的异质混合物包括佐巴。

16.如权利要求8所述的***，其特征在于，所述材料的异质混合物包括来自寿命终止车辆的废料。

17.一种存储在计算机可读存储介质上的计算机程序产品，所述计算机程序产品在被执行时执行用于分类材料以供分拣的方法，所述方法包括：

接收在流中移动通过视觉***相机的材料的异质混合物中的每个片的图像数据，其中在所述材料的异质混合物中的材料具有各种不同的形状，所述各种不同的形状包括一个或多个不同的闭合几何形状；

将具有指定闭合几何形状的材料分类到指定为货币硬币的第一分类中；

将不具有所述指定闭合几何形状的材料分类到第二分类中；以及

向自动分拣设备发送关于分类的信息，使得所述自动分拣设备能够从被分类到所述第二分类中的材料中分拣被分类到所述第一分类中的材料，其中从由圆形和多边形组成的组中选择所述一个或多个不同的闭合几何形状。

18.如权利要求17所述的计算机程序产品，其特征在于，具有圆形形状并且还具有形成在其中的孔的材料被分类到所述第二分类中。

19.如权利要求17所述的计算机程序产品，其特征在于，由电气盒敲除部件组成的材料被分类到所述第二分类中。

20.如权利要求17所述的计算机程序产品，其特征在于，所述材料的异质混合物包括来自寿命终止车辆的废料。

Images