EP4315271A1 - System and method for identification and/or sorting of objects - Google Patents

System and method for identification and/or sorting of objects

Info

Publication number
EP4315271A1
EP4315271A1 EP22717721.9A EP22717721A EP4315271A1 EP 4315271 A1 EP4315271 A1 EP 4315271A1 EP 22717721 A EP22717721 A EP 22717721A EP 4315271 A1 EP4315271 A1 EP 4315271A1
Authority
EP
European Patent Office
Prior art keywords
objects
property
identity
properties
learning phase
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
Application number
EP22717721.9A
Other languages
German (de)
French (fr)
Inventor
Jochen Mößlein
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.)
Polysecure GmbH
Original Assignee
Polysecure GmbH
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 Polysecure GmbH filed Critical Polysecure GmbH
Publication of EP4315271A1 publication Critical patent/EP4315271A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
    • B29B17/02—Separating plastics from other materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
    • B29B17/02—Separating plastics from other materials
    • B29B2017/0203—Separating plastics from plastics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
    • B29B17/02—Separating plastics from other materials
    • B29B2017/0213—Specific separating techniques
    • B29B2017/0279—Optical identification, e.g. cameras or spectroscopy
    • 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

Definitions

  • the invention relates to a method for identifying and/or sorting objects, in particular for the recycling of materials and based on artificial intelligence technologies.
  • the number of distinguishable specifications can be increased by being able to analyze many different object properties.
  • each of the analyzed object properties can be subject to variance. This can be production-related (e.g. due to production fluctuations), application-related (e.g. change in object shape due to mechanical stress during collection and transport of the objects, e.g. color change due to dirt or aging) or analysis-related (e.g. different object positioning under a camera system).
  • Object properties can also influence each other. For example, black pigments can reduce the emission intensity of luminescent materials.
  • variance is intended to describe the variability of an object property within a defined set of objects.
  • the term variance not only includes the statistical definition, but also property fluctuations in general.
  • the object properties can include material properties.
  • An additional challenge is therefore the training of the identification system so that it can determine the identity of objects.
  • the training can consist of storing reference properties in a database.
  • the identity of the objects can then be determined by comparing the detected object properties with the reference properties stored in a database.
  • the storage of reference properties is complex when there is a large variety and variance of object properties.
  • the object properties of a representative set of objects not only have to be analyzed in extensive measurement campaigns, but also assessed and evaluated in order to determine reference properties.
  • the evaluation and evaluation of the analysis results requires a high level of expertise.
  • Artificial intelligence (AI) technologies can be used to solve this challenge.
  • Artificial intelligence (AI) technology is to be understood as any technology that enables the autonomous processing of a problem to be solved using a computer system.
  • the problem to be solved by the AI technology is to derive the identity of the analyzed object from the analysis information collected.
  • the analyzed object properties act as "input” and are processed by the AI technology.
  • An identification result for the object is calculated as an "output” or subsequently assigned to it.
  • This calculation is carried out using calculation algorithms.
  • the algorithms have to be trained.
  • the learning phase the computer system learns based on a set of example objects, which represents a representative selection of the variety and variance of object properties that can be analyzed, to generalize the information recorded and to establish correlations between the information recorded and the object identity.
  • the information recorded in the learning phase serves as training data in which patterns and regularities are recognized.
  • the AI algorithms are adapted. However, the system must be given the correct identity of the objects in the learning phase. After the learning phase, the algorithms are adapted in such a way that the system can independently determine the object identity is possible, even if the objects in question were not used as example objects during the learning phase, provided the properties of these objects are within a permissible variability found by the system during the learning phase. Also, after the learning phase, the system can classify objects as unrecognizable if the object properties lie outside of this allowable variability.
  • the training data made available to the system in the learning phase includes a data record for each sample object consisting of the analyzed object properties and the correct object identity.
  • This object identity represents a so-called "label”.
  • the present invention therefore also relates to an intelligent system and method for identifying and/or sorting objects, which is based on AI technologies.
  • a system and method is provided wherein a detection system having one or more detection modules is used to analyze object properties of the objects to be identified.
  • the analyzed object properties are transmitted to a computer system and processed by this computer system in order to calculate an object identity of the objects to be identified.
  • the objects can be sorted according to the calculated and associated object identity.
  • the identity of an object should be understood as belonging to a faction.
  • Fractional membership in the sense of the invention describes the property of an object or material to be part of an object/material fraction, with all parts of this object/material fraction having common properties. These properties can be, for example, a material type (e.g. PE), an origin (e.g. manufacturer of the material), an application (e.g. food packaging) or any other property (e.g. content of a specific additive).
  • the parts of an object/material faction can also share combined properties (e.g. PE from a specific manufacturer).
  • the system and method thus classifies the objects, with the objects being assigned to a specific object/material fraction and thus to a class. The objects can be sorted according to this assignment.
  • the method has the following steps: linking at least one first object type and one reference object type property that uniquely identifies the first object type via object identity information;
  • the learning phase comprising analyzing at least one object having the reference object type property for the reference object type property and at least one object property deviating from the reference object type property;
  • the object properties can be analyzed qualitatively or quantitatively. Qualitative analysis is used to determine whether a property is present or not. Quantitative analysis can be used to determine how pronounced a property is.
  • the analysis of the object properties can include detecting a property applied to the object or introduced into the object, something detecting a fluorescence code and/or an RFA (X-ray fluorescence analysis) code and/or a magnetic code and/or a particle code and /or electronic data and/or a watermark and/or a bar code and/or a QR code and/or a symbol and/or an item number and/or design elements.
  • spectroscopically analyzing may include detecting a native property of the object, such as a chemical one material composition of the object. A color and/or a shape and/or a size and/or a surface structure of the object can also be detected.
  • a fluorescence code is based on embedded or applied luminescence markers.
  • a luminescence marker can have at least one luminescent material, e.g. a fluorescent material and/or a phosphorescent material and/or an upconverter and/or a downconverter and/or a material which re-emits an excitation wavelength after excitation. After excitation, a luminescence marker can emit at least one emission wavelength or a plurality of emission wavelengths. Individual different luminescence markers or mixtures of different luminescence markers can be used. Furthermore, the luminescence markers can be contained in different amounts in the mixtures, for example, so that an analyzable feature is created via the intensity distribution of the emitted wavelengths.
  • Luminescence is the emission of electromagnetic radiation after the input of energy. It is preferred that the energy input takes place via photons, the observed luminescence is thus photoluminescence.
  • the photoluminescence can occur in the UV and/or VIS and/or IR.
  • Upconverters are luminescent substances which, after excitation, emit photons whose wavelength is shorter than the wavelength of the excitation photons.
  • Downconverters are luminescent substances which, when excited, emit photons whose wavelength is longer than the wavelength of the excitation photons.
  • Analyzing a fluorescent code may include spectroscopically analyzing in which the luminescent label(s) is/are electromagnetically excited to analyze the emitted spectrum.
  • the analysis of the fluorescence code can be the analysis of the presence and/or absence of specific and/or the analysis of the emission intensity for one or more emission wavelengths or wavelength ranges and/or the analysis of emission intensity ratios between emission wavelengths or emission wavelength ranges and/or the analysis an entire emission spectrum, i.e. the intensity of the emission as a function of wavelength or frequency, and/or the analysis of a dynamic emission behavior.
  • the dynamic emission behavior means the luminescence emission behavior over time.
  • the emission of luminescence can be metrologically recorded in a specified period of time.
  • a fixed dead time can be provided between the end of the excitation and the start of the first measurement.
  • the luminescence intensity for an emission wavelength or a wavelength range can be determined several times after fixed time intervals.
  • Intensity curves over time can be formed from the absolute intensities obtained. This can also be done for multiple emission wavelengths or wavelength ranges.
  • intensity ratios can be formed from the absolute intensities obtained for identical or different emission wavelengths/wavelength ranges.
  • the decay constant is determined for one or more emission wavelengths or wavelength ranges. The decay constant is understood to mean the period of time in which the initial intensity of the emission falls by a factor of 1/e.
  • the luminescent properties of luminescent substances can be varied by varying their chemical composition. This results in a large variety of variants, which can be further increased by combining different luminescence markers.
  • a large number of distinguishable fluorescence codes can thus be generated.
  • Appropriate fluorescence codes can be selected in relation to the objects to be marked. Due to their higher energy emission compared to excitation, upconverters offer the possibility of optically background-free detection of the marker signals. This results in the potential of being able to achieve a particularly high signal-to-noise ratio. Downconverters can have higher quantum yields.
  • RFA code is to be understood as meaning a code which can be detected by means of X-ray fluorescence analysis (RFA).
  • the RFA code can, for example, be formed by defined amounts of one or more chemical elements.
  • RFA codes are suitable, for example, for objects whose optical properties make it difficult to use photoluminescent markers, e.g. for black objects.
  • a magnetic code can be based on magnetic particles with different magnetic properties.
  • Magnetic Particle Spectroscopy can be used to analyze a magnetic code.
  • magnetic codes are suitable, for example, for objects whose optical properties make it difficult to use photoluminescent markers, eg for black objects.
  • a particle code can be based on randomly distributed particles.
  • the particles can include luminescent particles.
  • Camera systems optionally with lighting and excitation units, can be used to detect the particle pattern.
  • the illumination and excitation devices can be designed for the re-emission of luminescent particles.
  • the random distribution of the particles creates a unique particle pattern. An object that has this unique particle pattern can be unambiguously identified by detecting this pattern.
  • Particle codes are therefore suitable, for example, for objects that are to be uniquely and individually identified.
  • Fluorescent codes, RFA codes, magnetic codes and particle codes can be incorporated into an ink.
  • the printing ink can be provided, for example, in a partial area of the printing that an object already has.
  • the printing ink can be provided for printing on a label, a shrink film or the like of the object.
  • the printing ink can also be used for direct printing on packaging, for example.
  • these codes can be provided in a label adhesive, in a coating for a label or packaging material, in a base material of a label or shrink film, or in the base material of the object, e.g. in a plastic of a plastic bottle.
  • Electronic data can, for example, be stored on RFID transponders.
  • RFID transponders can be attached to a wide variety of objects.
  • the data can be recorded by an RFID reader.
  • Watermarks or watermarks are to be understood as codes that are inconspicuous to the human eye and are attached to the surface of objects, e.g. packaging.
  • the watermarks are recorded with camera systems.
  • Watermarks are suitable e.g. for objects with larger accessible surfaces.
  • Bar codes, QR codes, symbols, article numbers and design elements such as logos or figurative marks are common product identifiers and are therefore suitable for identifying and sorting objects. They can be detected via optical detection devices.
  • the chemical material composition of an object can be analyzed, for example, using near-infrared (NIR) spectroscopy.
  • Objects can be assigned to a material class based on the IR reflection spectrum.
  • Classic plastics such as polyethylene or polypropylene can be recognized.
  • Laser-induced plasma spectroscopy (LIPS) is a method for determining the element-specific composition of a sample.
  • the color of objects can be determined, for example, using visual spectroscopy (VIS) or color line cameras.
  • the electrical conductivity can be analyzed using electromagnetic sensors. This allows metals to be detected.
  • X-ray fluorescence analysis is also suitable for detecting metals.
  • the atomic density of materials can be analyzed using X-ray transmission sensors. This makes it possible, for example, to differentiate between aluminum and heavy metals.
  • Other object properties such as color, shape, size or surface structure can be detected using color line camera systems, for example.
  • a conveyor device can be provided for feeding objects to the detection system.
  • a transport device for transporting the objects through the detection system can also be provided. Alternatively, if the detection system is arranged essentially vertically, the objects can be transported through the system driven by gravity.
  • the objects can be made available in bulk so that they are initially separated in a first step to optimize the analysis result.
  • Any device for separating the objects can be provided for separating the arrangement of objects that is supplied in bulk.
  • This can, for example, have a plurality of conveyor belts connected in series with increasing conveying speed, baffles, a vibrating device, a robot system, an infeed station with manual loading or the like.
  • the separation can pursue the goal of positioning the objects at a sufficient distance from one another, which is necessary for object-specific detection, for example by preventing several from touching or overlapping Objects, or to position the objects arranged in a row in the feed direction of a conveyor.
  • the objects can be transported further with the aid of a distribution conveyor with segmented carrying means, but also with the aid of a distribution conveyor with continuous carrying means.
  • the objects Before being separated, the objects can be automatically fed into the sorting process from a collection point. Alternatively, the objects can also be fed in by manual loading. If the individual objects are fed in one after the other, the objects are separated at the same time.
  • a distribution conveyor with segmented carrying elements is a conveyor system in which each transported object is in a defined place, e.g. in a trough-shaped receiving point.
  • the objects are not in defined places.
  • the isolation offers several advantages. On the one hand, only one object is examined when analyzing the object properties. Therefore, object-specific analysis results can be obtained. Without isolation, multiple objects with different object properties could be present in the detection module at the same time, or could be present in a detection module without sufficient spatial separation, which would lead to mixed analysis results. Furthermore, the isolation enables individual objects to be deposited on a segmented carrying element and thus allows individual objects to be transported in a targeted manner to defined target locations.
  • the presence of separated objects can be checked. This can be done, for example, using optical image recognition. If a number of objects are detected and therefore incorrect separation, the analysis process can be paused. The group of non-separated objects then passes through the detection without analysis and can then be sorted out as non-analyzable or added to the separation step again.
  • the detection technology required to analyze an object property is implemented in a detection module.
  • the detection technologies used can include sensors for luminescence Analysis, optical sensor technology, such as camera systems such as hyperspectral cameras or color line scan cameras, VIS spectrometry, infrared spectrometry such as near-infrared spectrometry (NIR), detectors based on magnetic coils, electromagnetic sensors, RFID readers, X-ray sensors (e.g RFA or X-ray transmission sensors), laser-induced plasma spectroscopy (LIPS), metal sensors and the like.
  • NIR near-infrared spectrometry
  • NIR near-infrared spectrometry
  • detectors based on magnetic coils electromagnetic sensors
  • RFID readers e.g.g RFA or X-ray transmission sensors
  • LIPS laser-induced plasma spectroscopy
  • the analysis of the / of the fluorescence code or the / of the luminescence marker / s can be done with known methods of spectroscopy, which in the context of this application means all methods and devices that are suitable for a total emission spectrum, a partial emission spectrum, wavelength ranges, individual emission wavelengths or to analyze a dynamic emission behavior.
  • various detectors such as black-and-white cameras, color cameras, hyperspectral cameras, photomultipliers, spectrometers, photocells, photodiodes, phototransistors can be used alone or in combination for the luminescence analysis.
  • optical filters such as longpass/shortpass/bandpass filters.
  • Broadband and/or narrowband sources such as lasers, laser diodes, light-emitting diodes (LEDs), xenon lamps, halogen lamps can be used individually or in combination to stimulate the luminescence.
  • the excitation sources can be activated individually or activated simultaneously or sequentially in different combinations.
  • Optical filters such as long-pass/short-pass/band-pass filters can be used in the excitation devices.
  • a variation of the opening width of the excitation sources can be provided in order to modulate the size of an excitation zone through which material to be identified is transported.
  • the excitation zone can also be modulated by arranging several excitation sources sequentially one behind the other and varying the number of activated excitation sources in this arrangement.
  • the computer system can control a sorting device in order to sort the objects according to the calculated object identity.
  • the sorting device can include, for example, drop-flap sorters, tilt-tray sorters, or nozzle strips for blowing out objects.
  • the sorting of the isolated objects can include addressing a carrying means of the conveyor to which exactly one of the isolated objects is assigned, as a result of which the isolated object is fed to the destination address.
  • the addressing can include the control of at least a large number of independently controllable support means of a conveyor.
  • the conveyor can be, for example, a cross-belt sorter with a multiplicity of linked conveyor belts that can be controlled independently of one another, or a drop-flap sorter with a multiplicity of drop-flaps that can be controlled independently of one another.
  • a carrying means of the conveyor to which exactly one of the isolated objects is assigned can be assigned the destination address associated with the calculated object identity by comparison with the destination addresses stored in a database for various object identities.
  • the destination address can consequently be assigned to the analyzed object or a carrying means of a conveyor, for example a transport container of a drop-flap sorter, a segment of a cross-belt sorter or the like.
  • the objects separated on the sorter can thus be positioned, for example, on a distribution conveyor with segmented carrying means, which makes it possible to transport the individual objects with the assigned destination address to the assigned destination address, for example to a storage container for specific types of plastic from a specific manufacturer or to a otherwise specific addressees.
  • nozzles When using nozzle bars to blow out objects, nozzles can be activated depending on the calculation of the object identity and the comparison with the target addresses stored in a database for object identities. The objects are then blown out according to their assigned destination, e.g. into a collection container provided for this purpose.
  • detection modules for object recognition can be provided, for example camera systems or non-imaging detectors such as light barriers. If an object is present on the conveyor and/or in the detection system, activation of the detection system and the AI algorithms are activated. If an object is present in the sorting device, it can be activated. Furthermore, these detection modules can be provided for detecting the presence of non-separated objects. Objects that are not isolated should be understood to mean objects that are not positioned at a sufficient distance from one another, which is necessary for object-specific detection, for example because they are touching or overlapping one another. If non-isolated objects are detected, the detection system and/or the algorithms can be deactivated in order to prevent mixed object properties from being detected. Furthermore, the sorting device can be caused to transport non-separated objects into a separate collection container.
  • the computer system includes an AI algorithm or several different AI algorithms.
  • the algorithm(s) calculate an object identity based on the analyzed object properties.
  • the information from a detection module can be processed by an algorithm.
  • the analysis of each detection module can be used to calculate an object identity.
  • the algorithm can be specifically optimized for the analyzed object property.
  • the information from a detection module can also be processed by a number of algorithms. This allows the results of different algorithms to be compared in order to select particularly suitable algorithms. By dividing the algorithms between the individual detection modules or individual detection characteristics of the same detection module, it is particularly easy to carry out updates, make further developments or correct errors.
  • the information from a number of detection modules can also be processed by a common algorithm.
  • the integration of the functions of the detection modules in a common algorithm can be particularly advantageous if a constant or regular data comparison is made between the analysis data of the different detection modules. In this case, several object properties can be used to calculate an object identity from the outset.
  • the calculated individual object identities of all algorithms can be merged into a combined overall object identity and the overall object identity can then be assigned to the respective object.
  • a matching algorithm can be provided for this purpose, which calculates the combined object identity. The calculation can determine the most frequently obtained object identity as a combined include object identity. Furthermore, a different weighting of individual object identities obtained can be carried out. This allows, for example, a weaker weighting of material features that are susceptible to interference.
  • AI algorithms in the context of this application are to be understood as meaning all networks that can be learned and computational algorithms associated therewith that can be learned via concepts of machine learning and, after the learning phase, are suitable for calculating object identities on the basis of analyzed object properties.
  • AI algorithms can be used.
  • the algorithms VGG16, VGG19, ResNetso, ResNet 101, or ResNeti52 can be used.
  • Support Vector Machine algorithms can also be used.
  • the algorithms are trained using machine learning concepts.
  • the algorithms are trained using training data.
  • the training data are the analyzed object properties of objects.
  • a correlation is established between the detected object properties and the object identity.
  • the correct object identity of the objects is given to the system. Accordingly, the correct object identity is also part of the training data.
  • Machine learning reduces the amount of work required to teach the identification system.
  • the system must be given the object identity of the objects. However, there is no need for people to evaluate and evaluate recorded object properties.
  • All available object properties can flow into the learning phase as training data, or a selection or just a single object property.
  • the selection of the object properties used can be based on the object properties which are suitable for identifying and/or sorting the objects. If the objects have defined properties (e.g. when sorting plastic production waste from a defined production line in the production facility), then the analysis of a selection of suitable object properties (e.g. color or material composition) may be sufficient, while the analysis of unsuitable object properties (e.g. metal content) is omitted will can. If a large variety of different objects is used, all object properties can be included in the learning phase.
  • objects can be used that have been specially made for this purpose, or regular objects from industrial business operations.
  • objects with an identical object identity can be presented.
  • Several types of objects with different object identities can also be presented. This has the advantage that different object identities can be trained on the system at the same time.
  • Objects can also be presented along with companion objects.
  • Accompanying objects are objects to which the object identity "unknown" is to be assigned both in the learning phase and in regular operation. In this way, the system can be taught to differentiate between objects with a defined identity and objects with an unknown identity.
  • the system is given the object identity of the objects. This can be done in that the associated object identity is entered by a human operator as part of the analysis of the object properties of an object. This process can be repeated several times until the system calculates the correct object identity with a previously defined reliability rate.
  • the reliability rate should be understood as the quotient of the number of correctly recognized object identities and the total number of objects analyzed.
  • the reliability rate that is to be achieved can correspond to the identification quality and thus the sorting quality that is to be at least achieved in regular operation of the method.
  • This can be 0.8, 0.9, preferably 0.95, more preferably 0.97, even more preferably 0.99.
  • These qualities can also represent quality ranges, e.g. 0.8-1, 0.9-1, preferably 0.95-1, even more preferably 0.97-1, or even 0.99-1 can be provided.
  • the analysis of the object properties of the objects includes checking whether the reference object type property is present in the objects. If the reference object type property is present, then the system can autonomously assign the correct object identity to the objects. This object identity can be assigned by comparing the detected reference object type properties with reference object type properties stored in a database, the reference properties in the database being assigned the associated object identities. In addition to analyzing the "reference object type property", other object properties can be analyzed.
  • a reference object type property e.g. luminescence emission spectrum or object shape
  • the algorithms are trained through the other detected object properties (e.g. shape, color, image pattern, infrared reflection spectrum, X-ray fluorescence spectrum, metal content).
  • the correlation between the object properties of the objects and the correct object identity established by the reference object type property is implemented in the algorithms.
  • the learning phase can thus include analyzing the object properties, checking the presence of a reference object type property, assigning an object identity, learning AI algorithms using the analyzed object properties and establishing a correlation between the analyzed object properties and the object identity.
  • the learning phase can be performed with a large number of objects, largely without human intervention, until the system calculates the correct object identity with a previously defined reliability rate.
  • a reference object type property that can be detected by the system and the associated uniquely assignable object identity
  • the detected "reference property” e.g. luminescence emission spectrum
  • the recorded reference property can be compared with the reference properties stored in a database and an object identity can be assigned to the analyzed objects.
  • the detected reference property can be used to teach AI algorithms in the same way as the other detected object properties.
  • the reference property can then also be included in the calculation of the object identity by the AI algorithms.
  • a group of several object properties can also act as a "reference object type property" (e.g. emission spectrum and object shape) and establish the correlation between the analyzed object and the object identity.
  • a reference object type property e.g. emission spectrum and object shape
  • Reference objects are objects that are made available in order to establish a correlation between the analyzed object properties and the object identity during the learning phase of the AI algorithms.
  • the system can provide for returning already analyzed objects to the detection modules. This allows objects to be guided in a circle, which enables an uninterrupted learning phase.
  • mechanical devices e.g. baffles, can be provided to change the position of the objects, which means that the system can also learn to identify objects that are positioned differently.
  • a single object can be guided in a circle in order to generate different measurement data.
  • Object properties which are always present in the objects, can be used as reference object type properties. This can be, for example, the regular material composition and/or shape and/or color of the objects act. However, properties can also be used as reference object properties which were added to the objects specifically for this application, ie to produce a correlation between the object and object identity in the learning phase. This can be any property of the object, eg fluorescence codes in the base material of the objects, in the printing ink of objects or labels or elsewhere, or other markings such as QR codes or watermarks.
  • Companion objects can be assigned any other object identity by an operator during the learning phase. This enables an identity to be subsequently assigned to objects to which no defined reference object type property can be assigned, e.g. because a suitable reference object type property cannot be identified or because a specific addition of a reference object type property is not possible for technical reasons.
  • the system can be tested by deactivating the presence check of a reference object type property and thus the autonomous assignment of the correct object identity based on the reference object type property.
  • the detection module provided for detecting the reference object type property can be deactivated or the comparison of the detected reference object type properties with the reference object type properties stored in a database and linked to object identities can be omitted. It can then be checked whether the system calculates the correct object identity based on the other detected object properties with the previously defined reliability rate. If the system has been trained to identify objects without a reference object type property, the system is tested by the human operator not entering the correct object identity.
  • the system can also calculate the object identity in regular operation on the basis of the other object properties recorded.
  • the reference object type property used in the learning phase then no longer needs to be present on the objects.
  • the reference object type property can also be included in the calculation of the object identity in normal operation, provided that the objects have the "reference object type property" in normal operation.
  • regular operation one, several or all of the detected object properties can function as "input". The selection of the analyzed object properties can be based on the object properties that were used in the learning phase.
  • the detected object properties can differ. This can be due, for example, to production-related quality fluctuations, unequal mechanical stress, different lifespans (different lengths of aging) or different levels of contamination.
  • variances can be included in the learning phase by using a representative selection of reference objects that contain the property fluctuations that occur. In regular operation, the system can then also calculate the correct object identity for objects with such property fluctuations.
  • the reference object type properties can also be used to autonomously check the reliability of the object identification.
  • the object identity is calculated by the algorithm(s).
  • the system checks the presence of reference object type properties.
  • the calculated object identity and the correct object identity defined via any reference property found are stored in a database for each analyzed object.
  • the calculated identities can be matched with the correct object identities. The higher the agreement, the greater the reliability of the calculated object identity.
  • the detected object properties can also be used to determine the variance of the detected object properties.
  • a measurement data range is calculated from the measurement data of all individual objects.
  • the measurement data range obtained can then be used to optimally adapt the sensors of the detection modules to the measurement results to be expected. For example, from the analysis of luminescent marker codes, the variances in emission intensity, emission maxima (wavelengths with maximum emission), and/or full width at half maximum can be obtained. Based on this, the sensors can be optimally adjusted in terms of spectral sensitivity and selectivity, for example by adjusting the excitation intensity or selecting suitable optical filters.
  • the detection modules can be adjusted when the modules are inactive. This is the case, for example, if new hardware Components must be built into the modules. However, the adjustment can also be made with active modules. This can be used if all the technical components required for the adjustment are already integrated in the module and can be controlled.
  • the sensors can then also be adjusted while the system is in operation. The influence of the adaptation on the object recognition can thus also be examined directly.
  • virtual object properties can also serve as "input" in the learning phase and be processed by AI technology.
  • These virtual object properties and thus virtual data sets can be based, for example, on measurement data from reference objects that were obtained and stored using external measurement modules and are only subsequently made available to the device proposed here. This offers the advantage that data from detection modules that have not yet been implemented in the device can also be entered. In this way, the technical feasibility and performance of such detection modules in the overall system can be examined before they are integrated into the device.
  • the virtual data sets can be based on the measurement of a set of reference objects, which ensures a representative selection of the variety and variance of the analyzed object property.
  • the virtual data sets can also be based on a smaller number of reference objects, which does not cover the entire range of variances.
  • the measurement results obtained can be duplicated and varied artificially, e.g. computer-aided, in order to obtain a virtual duplication of the objects and a virtual increase in the variability of the measurement data. This offers the advantage that the identification of reference objects that are not available in a sufficient number for a representative selection can also be tested.
  • the method can be used to identify and/or sort any objects, eg from private households, trade or industry. It can be, for example, production waste from commercial and industrial companies, or used sales packaging from private households.
  • the identification and sorting of the objects enables the materials contained to be efficiently recycled. Accordingly, for example, the identification and/or sorting of objects made of plastic enables efficient recycling of different plastic materials.
  • the method can be applied to a wide variety of materials such as metal-containing materials. The presented system offers various advantages:
  • Various detection technologies or detection modules can be used to analyze various object properties. Due to the possibility of analyzing many different object properties, the number of distinguishable specifications can be increased.
  • Both native and applied object properties can be analyzed. Analysis of native object properties enables identification and sorting based on natural object properties. Information can be added to objects by means of integrated/applied object properties, e.g. the application of fluorescence codes or watermarks. The analysis of such properties therefore enables identification and sorting independent of the natural object properties based on any specifications.
  • the detection technologies or detection modules used in the learning phase and in regular operation can be selected depending on the properties of the objects to be identified.
  • the identification system can contain all available detection modules. These can be activated or deactivated accordingly. Alternatively, the identification system can be specifically equipped with the detection modules to be used.
  • the use of AI simplifies both the inclusion of many object properties and the consideration of the variance of object properties to identify an object identity, since the diversity and variance of the object properties can be implemented in the algorithms.
  • the use of AI technology reduces the amount of work required to teach the system.
  • the AI can be trained with the participation of a human operator. By including a physically measurable reference object type property, which establishes the connection to the correct object identity, the amount of work involved in training the system can be further reduced, so that the training can be carried out largely autonomously.
  • the number of objects used in the learning phase can be increased. In this way it can be ensured that the training is carried out on a representative random sample, which represents the variance of the object properties.
  • Objects from regular business operations can be used as objects for the learning phase. In this way it can be ensured that production and use-related variances in the object properties are included in the analyses.
  • objects made specifically for this purpose can also be used. This enables, for example, the use of objects with selected and known property variances.
  • these objects can be specifically subjected to different test conditions (e.g. treatment with defined test substances or mechanical or climatic loads) in order to adapt the system to the property fluctuations induced thereby.
  • objects can be equipped with a “reference object type property” for the learning phase.
  • the new object identity must be mapped by a human operator to the analysis data of the object properties of the new objects. If a large number of diverse objects pass through the detection modules of the system during operation, this is not very practical. It may then be necessary to interrupt regular operation in order to be able to teach and test new objects in a separate test campaign. In addition to interrupting operation, this also has the disadvantage that any influences caused by the presence of other objects cannot be detected.
  • reference object type property can be dispensed with. This enables cost savings if these properties do not have to be implemented in products placed on the market. Furthermore, this enables the use of reference object type properties which, due to technical considerations, should not be used for products placed on the market. This can apply, for example, to reference object type properties that are based on additives that do not have official approval for the area of application of the products, or that could have a negative impact on the product function over a long product lifespan.
  • Plastic objects can be treated with luminescent substances by adding these substances during the manufacture of the objects.
  • inorganic anti-Stokes crystals inorganic Stokes crystals or organic phosphors can be used.
  • Stokes crystals show a Stokes shift and are downconverters.
  • Anti-Stokes crystals are upconverters.
  • inorganic anti-Stokes crystals which can be excited with IR radiation and luminesce in the visible spectral range.
  • the inorganic Anti-Stokes crystals do not affect the color of the objects when there is no infrared excitation. Furthermore, the crystals only have to be used in very small amounts. You therefore have no significant influence on the transparency of objects. Furthermore, there is no influence on the object shape. Consequently, they are suitable, for example, as a reference object type property for teaching the system through the object properties "color”, "shape” or image pattern, which can be detected using suitable camera systems. Therefore, by applying different anti-Stokes crystals with different emission spectra to different objects with different colors, shapes or images, the system can be trained to identify these different objects.
  • the system can identify the objects based on their color, shape or image even if the Anti-Stokes crystals are no longer included.
  • the object shape can serve as a reference object type property for teaching the system through the emission characteristics of anti-Stokes crystals, which can be detected, for example, with suitable spectrometers, cameras or photodiodes.
  • three object types made of the same material but with different shapes could each be marked with characteristic Anti-Stokes crystals.
  • the system can be trained to recognize objects using the object property of the anti-Stokes emission spectrum.
  • the system can identify objects based on the anti-Stokes crystals they contain, even if other object shapes are present.
  • inorganic Stokes crystals which have emission wavelengths ⁇ 100 m. However, they have no effect on the infrared reflectance spectrum above lioonm. Consequently, they are suitable as a reference object type property for teaching the system through the IR reflection spectrum as an analyzed object property.
  • objects with a closely related but distinguishable IR reflection spectrum could be used, with one of the object types being equipped with Stokes crystals. This will cause the system to turn on object recognition is taught by means of the IR reflection spectrum, with the presence of a luminescence emission ⁇ noonm serving as a reference object type property.
  • the system can identify the object type of the objects marked with Stokes crystals based on the IR reflection spectrum in contrast to the other objects, even if no Stokes crystals are contained.
  • organic phosphors are known which can be excited, for example, with UV light and have characteristic emission spectra. Such substances can also be suitable as reference object type properties, provided they have no influence on the properties of the object properties to be trained. For example, object types with different metal contents could be marked with characteristic organic phosphors. In this way, the system can be trained to recognize objects using the “metal content” object property.
  • the system can identify the object types based on the metal content, even if there are no phosphors left.
  • the reference object type properties can also be used to autonomously check the reliability of the object identification.
  • the identification of objects with a reference object type property can be compared with the identification of objects without a reference object type property after the learning phase has ended. Identical results indicate an independence of the detected object properties from the reference object type property. A mixture of objects with and without a reference object type property can also be tested here. If all objects are identified in the same way, the reference object type property has no influence on the identification result.
  • the detection of object properties can be used to determine the variance of object properties.
  • the variance of the measurement results obtained can be used to adapt the detection modules.
  • Two types of plastic bottles A and B should be identified by their bottle shape.
  • the shape of the bottle is detected by a detection module with a camera system.
  • the bottles can be present in the detection module with random orientation, which makes automatic image recognition more difficult.
  • the bottles are identified using AI technology.
  • the bottles are marked with two different fluorescence codes a and b for the autonomous training of the system using the object property "bottle shape".
  • the fluorescence codes a and b function as a reference object type property.
  • the fluorescence codes a and b together with the associated object identities A and B are stored in a database.
  • the learning phase includes the analysis of the object property "bottle shape" by taking pictures of the bottles, checking the presence of the reference object type properties code a and code b, assigning the object identity bottle A to bottles with code a, assigning the object identity bottle B to bottles with Code b and the adaptation of the algorithm that processes the images to recognize patterns and regularities in the images and establish a correlation between the captured images and the object identity.
  • the system can calculate the identity of the plastic bottles based on the captured images.
  • the fluorescence codes used in the learning phase no longer have to be present on the bottles.
  • the sorting unit can sort bottles A and B into different containers.
  • Two cosmetic bottles A and B have different label designs.
  • the bottles should be identified based on the optical design.
  • the design is detected by a detection module with a camera system.
  • the bottles are identified using AI technology.
  • the bottles are marked with two different fluorescence codes a and b for the autonomous training of the system using the object property "optical design".
  • the fluorescence codes a and b function as a reference object type property.
  • the fluorescence codes a and b together with the associated object identities A and B are stored in a database.
  • the learning phase includes the analysis of the object property "optical design" by taking pictures of the bottles, the presence check of the reference object type properties code a and code b, the assignment of the object identity bottle A to bottles with code a, the assignment of the object identity bottle B to bottles with code b and the adaptation of the algorithm that processes the images to recognize patterns and regularities in the designs and establish a correlation between the captured designs and the object identity.
  • the system can calculate the identity of the bottles based on the captured images.
  • the fluorescence codes used in the learning phase no longer have to be present on the bottles.
  • the sorting unit can sort bottles A and B into different containers.
  • packaging A and B Two types of packaging A and B, on which labels A and B are located, are to be identified via watermarks integrated into the labels. Furthermore, packaging A and B should be able to be distinguished from packaging C, with packaging C not containing a watermark on the label.
  • the water marks are detected by a detection module with a camera system.
  • the packaging and thus the labels can be present in the detection module with a random orientation. Furthermore, the labels can be dirty and mechanically deformed. These factors complicate the automatic detection of the watermarks.
  • Labels A and B are marked with two different fluorescence codes a and b for the autonomous training of the system using the “watermark” object property.
  • the fluorescence codes a and b function as a reference object type property.
  • the fluorescence codes a and b together with the associated object identities A and B are stored in a database.
  • Label C does not receive a fluorescence code, so it does not contain a reference object type property.
  • the learning phase includes the analysis of the object property "watermark” by analyzing the labels, the presence check of the reference object type properties code a and code b, the assignment of the object identity label A to labels with code a, the assignment of the object identity label B to labels with code b and adapting the algorithm that processes the watermarks to recognize patterns and regularities in the watermarks and establish a correlation between the detected watermarks and the object identity.
  • labels C too, the object property “watermark” is analyzed by the detection module and the presence of the reference object type property “fluorescence code” is checked. Since the reference object type property is not found, objects with label C get the object identity "unknown”. For labels C, the algorithm therefore learns the correlation between the object identity “unknown” and labels without a watermark.
  • Two types of packaging, A and B, are to be identified by labels with fluorescence codes applied there.
  • the fluorescence code is detected by a detection module with a spectrometer.
  • the packaging is identified using AI technology.
  • the different geometries of packaging A and B are used as a reference object type property for the autonomous training of the system using the "fluorescence code" object property.
  • the geometries a and b are stored in a database together with the associated object identities A and B.
  • the learning phase includes the analysis of the object property "fluorescence code" by spectrometer analysis, the presence check of the reference object type properties geometry a and geometry b, the assignment of the object identity packaging A to packaging with geometry a, the assignment of the Object identity packaging B to packaging with geometry b and the adaptation of the algorithm that processes the fluorescence spectra to recognize patterns and regularities in the spectra and establish a correlation between the recorded spectra and the object identity.
  • the system can calculate the identity of the packaging based on the detected fluorescence codes.
  • the packaging no longer has to have the packaging geometries used in the learning phase.
  • the sorting unit can sort the packaging A and B into different containers.
  • Packaging contains a luminescent marker in the base material of the packaging.
  • the packaging shows different levels of soiling. The influence of contamination on the variance of the emission spectrum of the luminescence marker is to be analyzed.
  • emission spectrum is analyzed by spectrometer analysis.
  • the variances of the emission intensity, emission maxima (wavelengths with maximum emission), and half-widths are obtained as results.
  • the results obtained can now be used to adapt the spectrometer sensors.
  • a variety of detection modules are used in a sorting system. For example, the electrical conductivity, the IR reflection spectrum, watermarks and fluorescence codes are recorded. Two types of objects A and B are to be identified. The objects are identified using AI technology. For the autonomous training of the system, object A is marked with fluorescence code a and object B with fluorescence code b. The fluorescence codes a and b act as a reference property. The fluorescence codes a and b together with the associated object identities A and B are stored in a database. The learning of the AI technology should be carried out during operation. For the learning phase, objects A and B are mixed with other objects transported through the sorting system. The objects are analyzed autonomously by the system.
  • the learning phase includes the analysis of the object properties "electrical conductivity”, “IR reflection spectrum” and “watermark”, the presence check of the reference properties code a and code b, the assignment of the object identities A to objects with fluorescence code a and B to objects with fluorescence code b, the adaptation of the algorithms for the recognition of patterns and regularities in the analyzed object properties and the creation of a correlation between the detected properties and the object identity.
  • the system can calculate the identity of the objects based on the detected object properties "electrical conductivity”, “IR reflectance spectrum” and “watermark” and sort the objects A and B.
  • the fluorescence codes used in the learning phase no longer have to be present on the objects.
  • the comparison of the recorded reference properties with the reference properties stored in the database and linked to object identities is deactivated. It is then checked whether objects A and B are still correctly identified and sorted. Furthermore, objects A and B without fluorescence codes can be processed by the sorting system and their identification and sorting can be checked.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Sorting Of Articles (AREA)

Abstract

The invention relates to a method for the identification and/or sorting of objects, in particular for recycling materials, said method comprising the steps of: linking at least one first object type to object identity information by means of a reference object type characteristic conclusively identifying the first object type; carrying out at least one learning phase for training at least one AI algorithm, said learning phase comprising the analysis of at least one object having the reference object type characteristic for an object characteristic; producing a correlation between the object identity information and the at least one object characteristic, the correlation comprising assigning the at least one analysed object to the first object type; analysing at least one object for at least one object characteristic and calculating an object identity of the object for the first object type by means of the at least one AI algorithm. The invention also relates to a system for the identification and/or sorting of objects based on artificial intelligence technologies.

Description

System und Verfahren zur Identiükation und/oder Sortierung von Objekten System and method for identifying and/or sorting objects
Die Erfindung betrifft ein Verfahren zur Identifikation und/oder Sortierung von Objekten, insbesondere für das Recycling von Materialien und basierend auf Künstliche Intelligenz-Technologien. The invention relates to a method for identifying and/or sorting objects, in particular for the recycling of materials and based on artificial intelligence technologies.
Durch die Möglichkeit, viele verschiedene Objekteigenschaften zu analysieren, kann die Anzahl der unterscheidbaren Spezifikationen erhöht werden. The number of distinguishable specifications can be increased by being able to analyze many different object properties.
Hierbei besteht zum einen die Herausforderung, die große Vielfalt der erfassten Analyseinformationen zusammenzuführen und zu verarbeiten, um basierend auf der Gesamtheit der zur Verfügung stehenden Analyseinformaüonen die Identität und damit Fraktionszugehörigkeit der analysierten Objekte zu bestimmen. On the one hand, there is the challenge of bringing together and processing the large variety of analysis information recorded in order to determine the identity and thus the faction affiliation of the analyzed objects based on the totality of the analysis information available.
Eine weitere Schwierigkeit besteht darin, dass jede der analysierten Objekt eigenschaften einer Varianz unterliegen kann. Diese kann herstellungsbedingt (z.B. durch Produktionsschwankungen), anwendungsbedingt (z.B. Änderung der Objektform durch mechanische Belastung bei Sammlung und Transport der Objekte, z.B. Farbänderung durch Verschmutzung oder Alterung) oder analysebedingt (z.B. unterschiedliche Objekt-Positionierung unter einem Kamerasystem) sein. Auch können sich Objekt eigenschaften untereinander beeinflussen. Z.B. können Schwarz-Pigmente die Emissionsintensität lumineszierender Materialien reduzieren. Another difficulty is that each of the analyzed object properties can be subject to variance. This can be production-related (e.g. due to production fluctuations), application-related (e.g. change in object shape due to mechanical stress during collection and transport of the objects, e.g. color change due to dirt or aging) or analysis-related (e.g. different object positioning under a camera system). Object properties can also influence each other. For example, black pigments can reduce the emission intensity of luminescent materials.
Der Begriff Varianz soll hierbei die Variabilität einer Objekt eigenschaft innerhalb einer definierten Menge von Objekten beschreiben. Dabei umfasst der Begriff Varianz nicht nur die statistische Definition, sondern zudem Eigenschaftsschwankungen im Allgemeinen. Die Objekteigenschaften können Materialeigenschaften umfassen. Eine zusätzliche Herausforderung stellt daher auch das Anlernen des Identifikationssystems dar, damit es die Identität von Objekten besümmen kann. Das Anlernen kann in der Speicherung von Referenzeigenschaften in einer Datenbank bestehen. The term variance is intended to describe the variability of an object property within a defined set of objects. The term variance not only includes the statistical definition, but also property fluctuations in general. The object properties can include material properties. An additional challenge is therefore the training of the identification system so that it can determine the identity of objects. The training can consist of storing reference properties in a database.
Die Bestimmung der Identität der Objekte kann dann durch Abgleich der erfassten Objekt eigenschaften mit den in einer Datenbank hinterlegten Referenzeigenschaften erfolgen. The identity of the objects can then be determined by comparing the detected object properties with the reference properties stored in a database.
Jedoch ist die Hinterlegung von Referenzeigenschaften bei einer großen Vielfalt und Varianz von Objekt eigenschaften aufwändig. Denn hierzu müssen die Objekt eigenschaften einer repräsentativen Objektmenge nicht nur in umfangreichen Messkampagnen analysiert, sondern auch bewertet und ausgewertet werden, um Referenzeigenschaften zu bestimmen. Die Bewertung und Auswertung der Analyseergebnisse erfordert hohe Expertise. However, the storage of reference properties is complex when there is a large variety and variance of object properties. For this, the object properties of a representative set of objects not only have to be analyzed in extensive measurement campaigns, but also assessed and evaluated in order to determine reference properties. The evaluation and evaluation of the analysis results requires a high level of expertise.
Zur Lösung dieser Herausforderung können Künstliche Intelligenz (KI) Technologien herangezogen werden. Unter Künstliche Intelligenz (KI) Technologie soll jegliche Technologie verstanden werden, welche die autonome Bearbeitung eines zu lösenden Problems mittels eines Computersystems ermöglicht. Artificial intelligence (AI) technologies can be used to solve this challenge. Artificial intelligence (AI) technology is to be understood as any technology that enables the autonomous processing of a problem to be solved using a computer system.
Im vorliegenden Fall besteht das durch die KI-Technologie zu lösende Problem darin, aus den erfassen Analyseinformationen die Idenütät des analysierten Objekts abzuleiten. Die analysierten Objekt eigenschaften fungieren als „Eingabe“ und werden durch die KI-Technologie verarbeitet. Als „Ausgabe“ wird ein Identiükationsergebnis zum Objekt berechnet bzw. diesem anschließend zugeordnet. Diese Berechnung erfolgt über Rechen-Algorithmen. Um dem Computersystem die Lösung dieses Problems zu ermöglichen, müssen die Algorithmen angelernt werden. In der Lernphase lernt das Computersystem basierend auf einer Menge von Beispiel-Objekten, welche eine repräsentative Auswahl der Vielfalt und Varianz analysierbarer Objekt eigenschaften darstellt, die erfassten Informationen zu verallgemeinern und Korrelationen zwischen den erfassten Informationen und der Objektidentität herzustellen. Die in der Lernphase erfassten Informationen dienen als Trainingsdaten, in denen Muster und Gesetzmäßigkeiten erkannt werden. Im Verlauf der Lernphase erfolgt eine Anpassung der KI-Algorithmen. Allerdings muss dem System die korrekte Identität der Objekte in der Lernphase vorgegeben werden. Nach der Lernphase sind die Algorithmen so angepasst, dass eine eigenständige Bestimmung der Objektidentität durch das System möglich ist, auch wenn die betreffenden Objekte nicht als Beispiel-Objekte während der Lernphase zum Einsatz kamen, sofern sich die Eigenschaften dieser Objekte innerhalb einer während der Lernphase vom System gefundenen zulässigen Variabilität bewegen. Auch kann das System nach der Lernphase Objekte als nicht-erkennbar klassiüzieren, wenn die Objekt-Eigenschaften außerhalb dieser zulässigen Variabilität hegen. In the present case, the problem to be solved by the AI technology is to derive the identity of the analyzed object from the analysis information collected. The analyzed object properties act as "input" and are processed by the AI technology. An identification result for the object is calculated as an "output" or subsequently assigned to it. This calculation is carried out using calculation algorithms. In order to enable the computer system to solve this problem, the algorithms have to be trained. In the learning phase, the computer system learns based on a set of example objects, which represents a representative selection of the variety and variance of object properties that can be analyzed, to generalize the information recorded and to establish correlations between the information recorded and the object identity. The information recorded in the learning phase serves as training data in which patterns and regularities are recognized. In the course of the learning phase, the AI algorithms are adapted. However, the system must be given the correct identity of the objects in the learning phase. After the learning phase, the algorithms are adapted in such a way that the system can independently determine the object identity is possible, even if the objects in question were not used as example objects during the learning phase, provided the properties of these objects are within a permissible variability found by the system during the learning phase. Also, after the learning phase, the system can classify objects as unrecognizable if the object properties lie outside of this allowable variability.
Die in der Lernphase dem System zur Verfügung gestellten Trainingsdaten umfassen für jedes Beispiel-Objekt einen Datensatz bestehend aus den analysierten Objekt eigenschaften und der korrekten Objektidentität. Diese Objektidentität stellt ein sogenanntes „Label“ dar. The training data made available to the system in the learning phase includes a data record for each sample object consisting of the analyzed object properties and the correct object identity. This object identity represents a so-called "label".
Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren bzw. ein System zur Identifikation und/oder Sortierung von Objekten bereitzustellen, mittels welchem ein effizienteres und genaueres Sortieren ermöglicht wird. It is therefore the object of the present invention to provide a method and a system for identifying and/or sorting objects, by means of which more efficient and more precise sorting is made possible.
Die Aufgabe wird gelöst mit den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Ausführungsformen werden in den jeweils abhängigen Ansprüchen beschrieben. The object is solved with the features of the independent claims. Advantageous embodiments are described in the respective dependent claims.
Die vorliegende Erfindung bezieht sich daher auch auf ein intelligentes System und Verfahren zur Identifikation und/oder Sortierung von Objekten, welches auf KI- Technologien basiert. Es wird ein System und -verfahren bereitgestellt, wobei ein Detektionssystem mit einem Detektionsmodul oder mehreren Detektionsmodulen verwendet wird, um Objekteigenschaften der zu identifizierenden Objekte zu analysieren. Die analysierten Objekteigenschaften werden an ein Computersystem übermittelt und durch dieses Computersystem verarbeitet, um eine Objektidentität der zu identifizierenden Objekte zu berechnen. Die Objekte können entsprechend der berechneten und diesen zugeordneten Objektidentität sortiert werden. The present invention therefore also relates to an intelligent system and method for identifying and/or sorting objects, which is based on AI technologies. A system and method is provided wherein a detection system having one or more detection modules is used to analyze object properties of the objects to be identified. The analyzed object properties are transmitted to a computer system and processed by this computer system in order to calculate an object identity of the objects to be identified. The objects can be sorted according to the calculated and associated object identity.
Die Identität eines Objekts soll als Zugehörigkeit zu einer Fraktion verstanden werden. Die Fraktionszugehörigkeit im Sinne der Eründung beschreibt die Eigenschaft eines Objekts oder Materials Teil einer Objekt- /Materialfraktion zu sein, wobei alle Teile dieser Objekt-/Materialfraktion gemeinsame Eigenschaften aufweisen. Bei diesen Eigenschaften kann es sich z.B. um eine Materialtype (z.B. PE), eine Herkunft (z.B. Hersteller des Materials), eine Anwendung (z.B. Lebensmittelverpackung) oder jegliche andere Eigenschaft (z.B. Gehalt eines bestimmten Additivs) handeln. Die Teile einer Objekt-/Materialfraktion können auch gemeinsame kombinierte Eigenschaften aufweisen (z.B. PE eines bestimmten Herstellers). Das System und -verfahren führt somit eine Klassifizierung der Objekte durch, wobei die Objekte einer bestimmten Objekt-/Materialfraktion und damit Klasse zugeordnet werden. Die Objekte können entsprechend dieser Zuordnung sortiert werden. The identity of an object should be understood as belonging to a faction. Fractional membership in the sense of the invention describes the property of an object or material to be part of an object/material fraction, with all parts of this object/material fraction having common properties. These properties can be, for example, a material type (e.g. PE), an origin (e.g. manufacturer of the material), an application (e.g. food packaging) or any other property (e.g. content of a specific additive). The parts of an object/material faction can also share combined properties (e.g. PE from a specific manufacturer). The system and method thus classifies the objects, with the objects being assigned to a specific object/material fraction and thus to a class. The objects can be sorted according to this assignment.
In einer besonderen Ausführungsform weist das Verfahren folgende Schritte auf: Verknüpfen zumindest eines ersten Objekttyps und einer den ersten Objekttyp eindeutig identifizierenden Referenz-Objekttypeigenschaft über eine Objektidentitätsinformation; In a particular embodiment, the method has the following steps: linking at least one first object type and one reference object type property that uniquely identifies the first object type via object identity information;
Durchführen zumindest einer Lernphase zum Anlernen von mindestens einem KI- Algorithmus, wobei die Lernphase das Analysieren zumindest eines die Referenz- Objekttypeigenschaft aufweisenden Objekts auf die Referenz-Objekttypeigenschaft und zumindest eine von der Referenz-Objekttypeigenschaft abweichende Objekteigenschaft umfasst; Carrying out at least one learning phase for training at least one AI algorithm, the learning phase comprising analyzing at least one object having the reference object type property for the reference object type property and at least one object property deviating from the reference object type property;
Herstellen einer Korrelation zwischen der Objektidentitätsinformation und der zumindest einen von der Referenz-Objekttypeigenschaft abweichenden Objekt eigenschaft, wobei die Korrelation das Zuordnen des zumindest einen analysierten Objekts zum ersten Objekttyp umfasst; Establishing a correlation between the object identity information and the at least one object property that deviates from the reference object type property, wherein the correlation includes assigning the at least one analyzed object to the first object type;
Analysieren zumindest eines Objekts auf die zumindest eine von der Referenz- Objekttypeigenschaft abweichende Objekt eigenschaft und Berechnen einer Objektidentität des Objekts zum ersten Objekttyp mittels dem zumindest einen KI- Algorithmus, wenn es die zumindest eine von der Referenz-Objekttypeigenschaft abweichende Objekteigenschaft aufweistReferenz-ObjekttypeigenschaftReferenz- Objekttypeigenschaft. Analyzing at least one object for the at least one object property that differs from the reference object type property and calculating an object identity of the object for the first object type using the at least one AI algorithm if it has the at least one object property that differs from the reference object type propertyReference object type propertyReference object type property .
Die Analyse der Objekteigenschaften kann qualitativ oder quantitativ erfolgen. Durch qualitative Analyse wird bestimmt, ob eine Eigenschaft vorhanden ist oder nicht. Durch quantitative Analyse kann bestimmt werden, wie stark eine Eigenschaft ausgeprägt ist. The object properties can be analyzed qualitatively or quantitatively. Qualitative analysis is used to determine whether a property is present or not. Quantitative analysis can be used to determine how pronounced a property is.
Die Analyse der Objekt eigenschaften kann das Erfassen einer auf das Objekt aufgebrachten oder in das Objekt eingebrachten Eigenschaft aufweisen, etwas das Erfassen eines Fluoreszenzcodes und/ oder eines RFA (Röntgenfluoreszenzanalyse)- Codes und/oder eines magnetischen Codes und/oder eines Partikel-Codes und/oder von elektronischen Daten und/ oder eines Wasserzeichens und/ oder eines Bar-Codes und/oder eines QR-Codes und/oder eines Symbols und/oder einer Artikelnummer und/oder von Designelementen. Alternativ kann das spektroskopische Analysieren das Erfassen einer nativen Eigenschaft des Objekts aufweisen, etwa einer chemischen Materialzusammensetzung des Objekts. Auch eine Farbe und/oder eine Form und/oder eine Größe und/oder eine Oberflächenstruktur des Objekts kann erfasst werden. The analysis of the object properties can include detecting a property applied to the object or introduced into the object, something detecting a fluorescence code and/or an RFA (X-ray fluorescence analysis) code and/or a magnetic code and/or a particle code and /or electronic data and/or a watermark and/or a bar code and/or a QR code and/or a symbol and/or an item number and/or design elements. Alternatively, spectroscopically analyzing may include detecting a native property of the object, such as a chemical one material composition of the object. A color and/or a shape and/or a size and/or a surface structure of the object can also be detected.
Ein Fluoreszenzcode beruht auf ein- oder aufgebrachten Lumineszenzmarkern. Ein Lumineszenzmarker kann mindestens ein lumineszierendes Material aufweisen, z.B. ein fluoreszierendes Material und/ oder ein phosphoreszierendes Material und/ oder einen Upconverter und/oder einen Downconverter und/oder ein Material, welches nach Anregung eine Anregungswellenlänge reemittiert. Ein Lumineszenzmarker kann nach Anregung mindestens eine Emissionswellenlänge oder eine Mehrzahl Emssionswellenlängen emittieren. Es können einzelne unterschiedliche Lumineszenzmarker oder Mischungen unterschiedlicher Lumineszenzmarker zur Anwendung kommen. Ferner können die Lumineszenzmarker z.B. in den Mischungen in unterschiedlichen Mengen enthalten sein, sodass über die Intensitätsverteilung der emittierten Wellenlängen ein auswertbares Merkmal geschaffen wird. A fluorescence code is based on embedded or applied luminescence markers. A luminescence marker can have at least one luminescent material, e.g. a fluorescent material and/or a phosphorescent material and/or an upconverter and/or a downconverter and/or a material which re-emits an excitation wavelength after excitation. After excitation, a luminescence marker can emit at least one emission wavelength or a plurality of emission wavelengths. Individual different luminescence markers or mixtures of different luminescence markers can be used. Furthermore, the luminescence markers can be contained in different amounts in the mixtures, for example, so that an analyzable feature is created via the intensity distribution of the emitted wavelengths.
Unter Lumineszenz wird die Emission elektromagnetischer Strahlung nach Eintrag von Energie verstanden. Dabei ist bevorzugt, dass der Energieeintrag über Photonen erfolgt, die beobachtete Lumineszenz somit Photolumineszenz ist. Die Photolumineszenz kann im UV und/oder VIS und/oder IR auftreten. Upconverter sind lumineszierende Substanzen, die nach Anregung Photonen emittieren, deren Wellenlänge kürzer ist als die Wellenlänge der Anregungsphotonen. Downconverter sind lumineszierende Substanzen, die nach Anregung Photonen emittieren, deren Wellenlänge länger ist als die Wellenlänge der Anregungsphotonen. Luminescence is the emission of electromagnetic radiation after the input of energy. It is preferred that the energy input takes place via photons, the observed luminescence is thus photoluminescence. The photoluminescence can occur in the UV and/or VIS and/or IR. Upconverters are luminescent substances which, after excitation, emit photons whose wavelength is shorter than the wavelength of the excitation photons. Downconverters are luminescent substances which, when excited, emit photons whose wavelength is longer than the wavelength of the excitation photons.
Das Analysieren eines Fluoreszenzcodes kann das spektroskopische Analysieren aufweisen, bei dem der/die Lumineszenzmarker elektromagnetisch angeregt wird/werden, um das emittierte Spektrum zu analysieren. Die Analyse des Fluoreszenzcodes kann die Analyse der An- und/oder Abwesenheit spezifischer und/oder die Analyse der Emissions-Intensität für eine oder für mehrere Emissionswellenlängen oder Wellenlängenbereiche und/oder die Analyse von Emissions-Intensitätsverhältnissen zwischen Emissionswellenlängen oder Emissionswellenlängenbereichen und/oder die Analyse eines gesamten Emissionsspektrums, d.h. die Intensität der Emission als Funktion der Wellenlänge oder Frequenz, und/oder die Analyse eines dynamischen Emissionsverhaltens aufweisen. Analyzing a fluorescent code may include spectroscopically analyzing in which the luminescent label(s) is/are electromagnetically excited to analyze the emitted spectrum. The analysis of the fluorescence code can be the analysis of the presence and/or absence of specific and/or the analysis of the emission intensity for one or more emission wavelengths or wavelength ranges and/or the analysis of emission intensity ratios between emission wavelengths or emission wavelength ranges and/or the analysis an entire emission spectrum, i.e. the intensity of the emission as a function of wavelength or frequency, and/or the analysis of a dynamic emission behavior.
Unter dem dynamischen Emissionsverhalten wird das Lumineszenzemissionsverhalten über die Zeit verstanden. Zur Analyse kann nach dem Ende der Lumineszenz- Anregung die Emission der Lumineszenz in einem festgelegten Zeitraum messtechnisch erfasst werden. Hierbei kann zwischen dem Ende der Anregung und dem Beginn der ersten Messung eine festgelegte Totzeit vorgesehen sein. Nach der Anregung kann die Lumineszenzintensität für eine Emissionswellenlänge oder einen Wellenlängenbereich nach festgelegten Zeitintervallen mehrfach bestimmt werden. Aus den erhaltenen absoluten Intensitäten können Intensitätsverläufe über der Zeit gebildet werden. Dies kann auch für mehrere Emissionswellenlängen oder Wellenlängenbereiche durchgeführt werden. Ebenso können aus den erhaltenen absoluten Intensitäten für identische oder verschiedene Emissionswellenlängen/Wellenlängenbereiche Intensitätsverhältnisse gebildet werden. Auch ist bevorzugt, dass die Abklingkonstante für eine oder mehrere Emissions-Wellenlängen oder Wellenlängenbereiche bestimmt wird. Unter der Abklingkonstante wird die Zeitspanne verstanden, in der die Ausgangsintensität der Emission auf das 1/ e-fache abfällt. The dynamic emission behavior means the luminescence emission behavior over time. For analysis, after the end of the luminescence excitation the emission of luminescence can be metrologically recorded in a specified period of time. A fixed dead time can be provided between the end of the excitation and the start of the first measurement. After the excitation, the luminescence intensity for an emission wavelength or a wavelength range can be determined several times after fixed time intervals. Intensity curves over time can be formed from the absolute intensities obtained. This can also be done for multiple emission wavelengths or wavelength ranges. Likewise, intensity ratios can be formed from the absolute intensities obtained for identical or different emission wavelengths/wavelength ranges. It is also preferred that the decay constant is determined for one or more emission wavelengths or wavelength ranges. The decay constant is understood to mean the period of time in which the initial intensity of the emission falls by a factor of 1/e.
Es existiert eine Vielzahl lumineszierender Substanzen. Die Lumineszenzeigenschaften lumineszierender Substanzen können durch Variation ihrer chemischen Zusammensetzung variiert werden. Hierduch ergibt sich eine große Variantenvielfalt, die durch Kombination verschiedener Lumineszenzmarker nochmals gesteigert werden kann. Somit kann eine Vielzahl unterscheidbarer Fluoreszenzcodes erzeugt werden. In Bezug auf die zu markierenden Objekte können geeignete Fluoreszenzcodes ausgewählt werden. Upconverter bieten auf Grund ihrer im Vergleich zur Anregung höher energetischen Emission die Möglichkeit zu optisch hintergrundfreier Detektion der Markersignale. Daraus ergibt sich das Potential, ein besonders hohe Signal-Rausch- Verhältnis erreichen zu können. Downconverter können höhere Quantenausbeuten aufweisen. A large number of luminescent substances exist. The luminescent properties of luminescent substances can be varied by varying their chemical composition. This results in a large variety of variants, which can be further increased by combining different luminescence markers. A large number of distinguishable fluorescence codes can thus be generated. Appropriate fluorescence codes can be selected in relation to the objects to be marked. Due to their higher energy emission compared to excitation, upconverters offer the possibility of optically background-free detection of the marker signals. This results in the potential of being able to achieve a particularly high signal-to-noise ratio. Downconverters can have higher quantum yields.
Unter einem RFA-Code soll ein Code verstanden werden, welcher mittels Röntgenfluoreszenzanalyse (RFA) detektiert werden kann. Der RFA-Code kann z.B. durch definierte Mengen eines oder mehrerer chemischer Elemente gebildet werden. RFA-Codes eignen sich z.B. für Objekte, deren optische Eigenschaften die Anwendung photolumineszierender Marker erschwert, z.B. für schwarze Objekte. An RFA code is to be understood as meaning a code which can be detected by means of X-ray fluorescence analysis (RFA). The RFA code can, for example, be formed by defined amounts of one or more chemical elements. RFA codes are suitable, for example, for objects whose optical properties make it difficult to use photoluminescent markers, e.g. for black objects.
Ein magnetischer Code kann auf magnetischen Partikeln mit unterschiedlichen magnetischen Eigenschaften beruhen. Zur Analyse eines magnetischen Codes kann „Magnetic Particle Spectroscopy“ zur Anwendung kommen. Auch magnetische Codes eignen sich z.B. für Objekte, deren optische Eigenschaften die Anwendung photolumineszierender Marker erschwert, z.B. für schwarze Objekte. A magnetic code can be based on magnetic particles with different magnetic properties. "Magnetic Particle Spectroscopy" can be used to analyze a magnetic code. Also magnetic codes are suitable, for example, for objects whose optical properties make it difficult to use photoluminescent markers, eg for black objects.
Ein Partikel-Code kann auf zufällig verteilt vorliegenden Partikeln basieren. Die Partikel können lumineszierende Partikel umfassen. Zur Detektion des Partikelmusters können Kamerasysteme, gegebenenfalls mit Beleuchtungs- und Anregungseinheiten zur Anwendung kommen. Die Beleuchtungs- und Anregungsvorrichtungen können zur Reemission lumineszierender Partikel ausgebildet sein. Durch die zufällige Verteilung der Partikel entsteht ein einzigartiges Partikel -Muster. Ein Objekt, welches dieses einzigartige Partikel-Muster aufweist, kann durch Detektion dieses Musters eindeutig identifiziert werden. Partikel-Codes eignen sich daher z.B. für Objekte, die eindeutig und individuell identifiziert werden sollen. A particle code can be based on randomly distributed particles. The particles can include luminescent particles. Camera systems, optionally with lighting and excitation units, can be used to detect the particle pattern. The illumination and excitation devices can be designed for the re-emission of luminescent particles. The random distribution of the particles creates a unique particle pattern. An object that has this unique particle pattern can be unambiguously identified by detecting this pattern. Particle codes are therefore suitable, for example, for objects that are to be uniquely and individually identified.
Fluoreszenzcodes, RFA-Codes, Magnetische Codes und Partikel-Codes können einer Druckfarbe beigemengt sein. Die Druckfarbe kann beispielsweise in einem Teilbereich der Bedruckung, welche ein Objekt ohnehin aufweist, bereitgestellt sein. Alternativ oder zusätzlich kann die Druckfarbe für die Bedruckung eines Etiketts, einer Schrumpffolie oder dergleichen des Objekts bereitgestellt sein. Weiterhin kann die Druckfarbe für die Direktbedruckung etwa einer Verpackung verwendet werden. Alternativ oder zusätzlich können diese Codes in einem Etiketten-Klebstoff, in einem Lack für ein Etikett oder einen Packstoff, in einem Grundmaterial eines Etiketts oder Schrumpffolie, oder im Grundmaterial des Objekts, z.B. in einem Kunststoff einer Kunststoffflasche, bereitgestellt sein. Fluorescent codes, RFA codes, magnetic codes and particle codes can be incorporated into an ink. The printing ink can be provided, for example, in a partial area of the printing that an object already has. Alternatively or additionally, the printing ink can be provided for printing on a label, a shrink film or the like of the object. The printing ink can also be used for direct printing on packaging, for example. Alternatively or additionally, these codes can be provided in a label adhesive, in a coating for a label or packaging material, in a base material of a label or shrink film, or in the base material of the object, e.g. in a plastic of a plastic bottle.
Elektronischen Daten können z.B. auf RFID-Transpondern gespeichert sein. RFID- Transponder können an vielfältigen Objekten angebracht werden. Die Daten können durch einen RFID-Reader erfasst werden. Electronic data can, for example, be stored on RFID transponders. RFID transponders can be attached to a wide variety of objects. The data can be recorded by an RFID reader.
Unter Wasserzeichen oder Wassermarken sollen für das menschliche Auge unauffällige Kodierungen, die auf der Oberfläche von Objekten, z.B. Verpackungen angebracht werden, verstanden werden. Die Erfassung der Wasserzeichen erfolgt mit Kamerasystemen. Wasserzeichen eigen sich z.B. für Objekte mit größeren zugänglichen Oberflächen. Watermarks or watermarks are to be understood as codes that are inconspicuous to the human eye and are attached to the surface of objects, e.g. packaging. The watermarks are recorded with camera systems. Watermarks are suitable e.g. for objects with larger accessible surfaces.
Bar-Codes, QR-Codes, Symbole, Artikelnummern und Designelemente wie z.B. Logos, oder Bildmarken sind gängige Kennzeichnungen von Produkten und eigen sich daher zur Identifikation und Sortierung von Objekten. Sie können über optische Detektionsvorrichtungen detektiert werden. Bar codes, QR codes, symbols, article numbers and design elements such as logos or figurative marks are common product identifiers and are therefore suitable for identifying and sorting objects. They can be detected via optical detection devices.
Neben aufgebrachten oder in das Objekt eingeb rächten Eigenschaften können auch native Eigenschaften erfasst werden. Die chemische Materialzusammensetzung eines Objekts kann z.B. mittels Nahinfrarot (NIR) Spektroskopie analysiert werden. Hierbei können Objekte basierend auf dem IR-Reflexionsspektrum einer Materialklasse zugeordnet werden. Klassische Kunststoffe wie z.B. Polyethylen oder Polypropylen können erkannt werden. Eine Methode zur Bestimmung der elementspezifischen Zusammensetzung einer Probe stellt die Laserinduzierte Plasmaspektroskopie (LIPS) dar. Die Farbe von Objekten kann z.B. mittels Visueller Spektroskopie (VIS) oder Farbzeilenkameras bestimmt werden. Die elektrische Leitfähigkeit kann mittels Elektromagnetischer Sensoren analysiert werden. Hierdurch können Metalle detektiert werden. Auch die Röntgenfluoreszenzanalyse ist zur Detektion von Metallen geeignet. Mittels Röntgentransmissionssensoren kann die atomare Dichte von Materialien analysiert werden. Dies ermöglicht z.B. die Unterscheidung von Aluminium und Schwermetallen. Weitere Objekt-Eigenschaften, wie z.B. Farbe, Form, Größe oder Oberflächenstruktur können z.B. mittels Farbzeilenkamera-Systemen detektiert werden. In addition to properties applied or introduced into the object, native properties can also be recorded. The chemical material composition of an object can be analyzed, for example, using near-infrared (NIR) spectroscopy. Objects can be assigned to a material class based on the IR reflection spectrum. Classic plastics such as polyethylene or polypropylene can be recognized. Laser-induced plasma spectroscopy (LIPS) is a method for determining the element-specific composition of a sample. The color of objects can be determined, for example, using visual spectroscopy (VIS) or color line cameras. The electrical conductivity can be analyzed using electromagnetic sensors. This allows metals to be detected. X-ray fluorescence analysis is also suitable for detecting metals. The atomic density of materials can be analyzed using X-ray transmission sensors. This makes it possible, for example, to differentiate between aluminum and heavy metals. Other object properties such as color, shape, size or surface structure can be detected using color line camera systems, for example.
Zur Zuführung von Objekten zum Detektionssystem kann eine Fördereinrichtung vorgesehen sein. Ebenso kann eine Transportvorrichtung zum Transport der Objekte durch das Detektionssystem vorgesehen sein. Alternativ können die Objekte bei im Wesentlichen vertikaler Anordnung des Detektionssystems, schwerkraftgetrieben durch das System transportiert werden. A conveyor device can be provided for feeding objects to the detection system. A transport device for transporting the objects through the detection system can also be provided. Alternatively, if the detection system is arranged essentially vertically, the objects can be transported through the system driven by gravity.
Die Objekte können pulkförmig bereitgesteht werden, sodass diese in einem ersten Schritt zur Optimierung des Analyseergebnisses zunächst vereinzelt werden. The objects can be made available in bulk so that they are initially separated in a first step to optimize the analysis result.
Für die Vereinzelung der pulkförmig zugeführten Anordnung von Objekten kann eine beliebige Vorrichtung zur Vereinzelung der Objekte bereitgestellt sein. Dies kann beispielsweise eine Mehrzahl in Reihe geschalteter Förderbänder steigender Fördergeschwindigkeit aufweisen, Schikanen, eine Rütteleinrichtung, ein Robotersystem, eine Einschleusestation mit manueller Beschickung oder dergleichen sein. Dabei kann die Vereinzelung das Ziel verfolgen, die Objekte mit einem ausreichenden, zur objektspeziüschen Detektion notwendigen Abstand voneinander zu positionieren, z.B. durch Verhinderung einer Berührung oder Überlappung mehrerer Objekte, oder die Objekte in Vorschubrichtung eines Fördermittels in Reihe angeordnet zu positionieren. Der Weitertransport der Objekte kann mit Hilfe eines Verteilförderers mit segmentierten Tragmitteln, aber auch mit Hilfe eines Verteilförderers mit kontinuierlichen Tragmitteln erfolgen. Any device for separating the objects can be provided for separating the arrangement of objects that is supplied in bulk. This can, for example, have a plurality of conveyor belts connected in series with increasing conveying speed, baffles, a vibrating device, a robot system, an infeed station with manual loading or the like. In this case, the separation can pursue the goal of positioning the objects at a sufficient distance from one another, which is necessary for object-specific detection, for example by preventing several from touching or overlapping Objects, or to position the objects arranged in a row in the feed direction of a conveyor. The objects can be transported further with the aid of a distribution conveyor with segmented carrying means, but also with the aid of a distribution conveyor with continuous carrying means.
Vor der Vereinzelung können die Objekte maschinell aus einem Sammellager dem Sortierverfahren zugeführt werden. Alternativ können die Objekte auch durch manuelle Beschickung zugeführt werden. Werden die einzelnen Objekte hierbei nacheinander zugeführt, wird gleichzeitig eine Vereinzelung der Objekte erreicht. Before being separated, the objects can be automatically fed into the sorting process from a collection point. Alternatively, the objects can also be fed in by manual loading. If the individual objects are fed in one after the other, the objects are separated at the same time.
Ein Verteilförderer mit segmentierten Tragmitteln ist eine Förderanlage, bei der sich jedes transportierte Objekte an einem definierten Platz, z.B. in einer wannenförmigen Aufnahmestelle befindet. Bei Verteilförderern mit kontinuierlichen Tragmitteln befinden sich die Objekte nicht an definierten Plätzen. A distribution conveyor with segmented carrying elements is a conveyor system in which each transported object is in a defined place, e.g. in a trough-shaped receiving point. In the case of distribution conveyors with continuous suspension means, the objects are not in defined places.
Die Vereinzelung bietet mehrere Vorteile. Zum einen wird bei der Analyse der Objekt eigenschaften nur ein Objekt untersucht. Daher können objektspezifische Analyseergebnisse erhalten werden. Ohne Vereinzelung könnten mehrere Objekte mit unterschiedlichen Objekt eigenschaften gleichzeitig im Detektionsmodul vorhegen, oder ohne ausreichende räumliche Trennung in einem Detektionsmodul vorhegen, was zu vermischten Analyseergebnissen führen würde. Ferner ermöglicht die Vereinzelung eine Ablage einzelner Objekte auf je ein segmentiertes Tragmittel und damit den gezielten Transport einzelner Objekte zu definierten Zielstellen. The isolation offers several advantages. On the one hand, only one object is examined when analyzing the object properties. Therefore, object-specific analysis results can be obtained. Without isolation, multiple objects with different object properties could be present in the detection module at the same time, or could be present in a detection module without sufficient spatial separation, which would lead to mixed analysis results. Furthermore, the isolation enables individual objects to be deposited on a segmented carrying element and thus allows individual objects to be transported in a targeted manner to defined target locations.
Nachdem die Objekte die Vorrichtungen zur Vereinzelung durchlaufen haben, kann das Vorhegen vereinzelter Objekte kontrolliert werden. Dies kann z.B. mittels optischer Bilderkennung erfolgen. Bei Detektion mehrerer Objekte und damit fehlerhafter Vereinzelung kann ein Pausieren des Analyseprozesses induziert werden. Die Gruppe nicht -vereinzelter Objekte durchläuft die Detektion dann ohne Analyse und kann anschließend als nicht-analysierbar aussortiert oder dem Vereinzelungsschritt erneut hinzugeführt werden. After the objects have passed through the separating devices, the presence of separated objects can be checked. This can be done, for example, using optical image recognition. If a number of objects are detected and therefore incorrect separation, the analysis process can be paused. The group of non-separated objects then passes through the detection without analysis and can then be sorted out as non-analyzable or added to the separation step again.
Die zur Analyse einer Objekt eigenschaft erforderliche Detektionstechnologie ist in einem Detektionsmodul verwirklicht. The detection technology required to analyze an object property is implemented in a detection module.
Die verwendeten Detektionstechnologien können eine Sensorik zur Lumineszenz- Analyse, eine optische Sensorik, etwa Kamerasysteme wie z.B. Hyperspektralkameras oder Farbzeilenkameras, eine VIS-Spektrometrie, Infrarot-Spektrometrie wie z.B. eine Nah-Infrarot-Spektrometrie (NIR), Detektoren basierend auf magnetischen Spulen, Elektromagnetischer Sensoren, RFID-Reader, Röntgensensorik (z.B. RFA oder Röntgentransmissionssensorik), Laserinduzierte Plasmaspektroskopie (LIPS), Metallsensorik und dergleichen aufweisen. The detection technologies used can include sensors for luminescence Analysis, optical sensor technology, such as camera systems such as hyperspectral cameras or color line scan cameras, VIS spectrometry, infrared spectrometry such as near-infrared spectrometry (NIR), detectors based on magnetic coils, electromagnetic sensors, RFID readers, X-ray sensors (e.g RFA or X-ray transmission sensors), laser-induced plasma spectroscopy (LIPS), metal sensors and the like.
Die Analyse der/ des Fluoreszenzcodes bzw. der/ des Lumineszenzmarker/ s kann mit bekannten Methoden der Spektroskopie erfolgen, worunter im Rahmen dieser Anmeldung alle Methoden und Vorrichtungen zu verstehen sind, die geeignet sind, ein Gesamtemissionsspektrum, ein Teilemissionsspektrum, Wellenlängenbereiche, einzelne Emissionswellenlängen oder ein dynamisches Emissionsverhalten zu analysieren. The analysis of the / of the fluorescence code or the / of the luminescence marker / s can be done with known methods of spectroscopy, which in the context of this application means all methods and devices that are suitable for a total emission spectrum, a partial emission spectrum, wavelength ranges, individual emission wavelengths or to analyze a dynamic emission behavior.
Zur Lumineszenz-Analyse können beispielsweise verschiedene Detektoren wie Schwarzweiß-Kameras, Farb-Kameras, Hyperspektralkameras, Photomultiplier, Spektrometer, Fotozellen, Fotodioden, Fototransistoren alleine oder in Kombination zum Einsatz kommen. Ferner können optische Filter wie z.B. Langpass/Kurzpass/Bandpass-Filter enthalten sein. For example, various detectors such as black-and-white cameras, color cameras, hyperspectral cameras, photomultipliers, spectrometers, photocells, photodiodes, phototransistors can be used alone or in combination for the luminescence analysis. Also included may be optical filters such as longpass/shortpass/bandpass filters.
Zur Anregung der Lumineszenz können breit- und/oder schmalbandige Quellen wie z.B. Laser, Laserdioden, lichtemittierende Dioden (LEDs), Xenonlampen, Halogenlampen einzeln oder in Kombination zur Anwendung kommen. Die Anregungsquellen können einzeln aktiviert oder gleichzeitig oder sequentiell in unterschiedlichen Kombinationen aktiviert werden. In den Anregungseinrichtungen können optische Filter wie Langpass/Kurzpass/Bandpass-Filter zum Einsatz kommen. Ferner kann eine Variation der Öffnungsweite der Anregungsquellen vorgesehen sein, um die Größe einer Anregungszone, durch welche zu identifizierendes Material transportiert wird, zu modulieren. Die Anregungszone kann auch dadurch moduliert werden, dass mehrere Anregungsquellen sequentiell hintereinander angeordnet werden und die Anzahl der aktivierten Anregungsquellen in dieser Anordnung variiert wird. Broadband and/or narrowband sources such as lasers, laser diodes, light-emitting diodes (LEDs), xenon lamps, halogen lamps can be used individually or in combination to stimulate the luminescence. The excitation sources can be activated individually or activated simultaneously or sequentially in different combinations. Optical filters such as long-pass/short-pass/band-pass filters can be used in the excitation devices. Furthermore, a variation of the opening width of the excitation sources can be provided in order to modulate the size of an excitation zone through which material to be identified is transported. The excitation zone can also be modulated by arranging several excitation sources sequentially one behind the other and varying the number of activated excitation sources in this arrangement.
Zur Sortierung der Objekte entsprechend der berechneten Objektidentität kann das Computersystem eine Sortiervorrichtung steuern. Die Sortiervorrichtung kann z.B. Fallklappensorter, Kippschalensorter, oder Düsenleisten zum Ausblasen von Objekten umfassen. Das Sortieren der vereinzelten Objekte kann das Adressieren eines Tragmittels des Förderers, dem genau eines der vereinzelten Objekte zugeordnet ist, aufweisen, wodurch das vereinzelte Objekt der Zieladresse zugeführt wird. The computer system can control a sorting device in order to sort the objects according to the calculated object identity. The sorting device can include, for example, drop-flap sorters, tilt-tray sorters, or nozzle strips for blowing out objects. The sorting of the isolated objects can include addressing a carrying means of the conveyor to which exactly one of the isolated objects is assigned, as a result of which the isolated object is fed to the destination address.
Das Adressieren kann das Ansteuern mindestens einer Vielzahl unabhängig voneinander ansteuerbarer Tragmittel eines Förderers aufweisen. Der Förderer kann beispielsweise ein Kreuzbandsortierer mit einer Vielzahl verketteter und unabhängig voneinander ansteuerbarer Förderbänder oder ein Fallklappensorter mit einer Vielzahl unabhängig voneinander ansteuerbarer Fallklappen sein. The addressing can include the control of at least a large number of independently controllable support means of a conveyor. The conveyor can be, for example, a cross-belt sorter with a multiplicity of linked conveyor belts that can be controlled independently of one another, or a drop-flap sorter with a multiplicity of drop-flaps that can be controlled independently of one another.
Nach der Berechnung der Objektidentität kann durch Abgleich mit den in einer Datenbank für verschiedene Objektidentitäten hinterlegten Zieladressen einem Tragmittel des Förderers, dem genau eines der vereinzelten Objekte zugeordnet ist, die mit der berechneten Objektidentität verknüpfte Zieladresse zugewiesen werden. After the object identity has been calculated, a carrying means of the conveyor to which exactly one of the isolated objects is assigned can be assigned the destination address associated with the calculated object identity by comparison with the destination addresses stored in a database for various object identities.
Nach dem Abgleich kann folglich die Zieladresse dem analysierten Objekt bzw. einem Tragmittel eines Förderers, beispielsweise eines Transportbehälters eines Fallklappensorters, einem Segment eines Kreuzbandsortierers oder dergleichen zugewiesen werden. Die auf dem Sorter vereinzelten Objekte können somit beispielsweise auf einem Verteilförderer mit segmentierten Tragmitteln positioniert sein, wodurch es ermöglicht wird, die einzelnen Objekte mit der zugewiesenen Zieladresse zu der zugewiesenen Zieladresse zu transportieren, etwa zu einem Lagerbehälter für bestimmte Kunststoffsorten eines bestimmten Herstellers oder zu einem anderweitig spezifischen Adressaten. After the comparison, the destination address can consequently be assigned to the analyzed object or a carrying means of a conveyor, for example a transport container of a drop-flap sorter, a segment of a cross-belt sorter or the like. The objects separated on the sorter can thus be positioned, for example, on a distribution conveyor with segmented carrying means, which makes it possible to transport the individual objects with the assigned destination address to the assigned destination address, for example to a storage container for specific types of plastic from a specific manufacturer or to a otherwise specific addressees.
Bei der Verwendung von Düsenleisten zum Ausblasen von Objekten, können Düsen in Abhängigkeit von der Berechnung der Objektidentität und dem Abgleich mit den in einer Datenbank für Objektidentitäten hinterlegten Zieladressen aktiviert werden. Die Objekte werden dann entsprechend ihrer zugewiesenen Zieladresse ausgeblasen, z.B. in einen dazu vorgesehenen Sammelbehälter. When using nozzle bars to blow out objects, nozzles can be activated depending on the calculation of the object identity and the comparison with the target addresses stored in a database for object identities. The objects are then blown out according to their assigned destination, e.g. into a collection container provided for this purpose.
Zur Prüfung der Anwesenheit von Objekten auf der Fördereinrichtung und/oder im Detektionssystem und/oder in der Sortiervorrichtung können Detektionsmodule zur Objekterkennung vorgesehen sein, z.B. Kamerasysteme oder nicht-bildgebende Detektoren wie Lichtschranken. Bei Anwesenheit eines Objekts auf der Fördereinrichtung und/oder im Detektionssystem kann die Aktivierung des Detektionssystems und der KI-Algorithmen aktiviert werden. Bei Anwesenheit eines Objekts in der Sortiervorrichtung kann diese aktiviert werden. Ferner können diese Detektionsmodule zur Detektion der Anwesenheit nicht-vereinzelter Objekte vorgesehen sein. Unter nicht-vereinzelten Objekten sollen Objekte verstanden werden, welche nicht mit einem ausreichendem, zur objektspezifischen Detektion notwendigen Abstand voneinander positioniert sind, z.B. weil sie sich berühren oder einander überlappen. Bei Detektion nicht -vereinzelter Objekte kann das Detektionssystem und/oder die Algorithmen deaktiviert werden, um eine Detektion gemischter Objekt eigenschaften zu verhindern. Ferner kann die Sortiervorrichtung zum Transport nicht -vereinzelter Objekte in einen gesonderten Sammelbehälter veranlasst werden. To check the presence of objects on the conveying device and/or in the detection system and/or in the sorting device, detection modules for object recognition can be provided, for example camera systems or non-imaging detectors such as light barriers. If an object is present on the conveyor and/or in the detection system, activation of the detection system and the AI algorithms are activated. If an object is present in the sorting device, it can be activated. Furthermore, these detection modules can be provided for detecting the presence of non-separated objects. Objects that are not isolated should be understood to mean objects that are not positioned at a sufficient distance from one another, which is necessary for object-specific detection, for example because they are touching or overlapping one another. If non-isolated objects are detected, the detection system and/or the algorithms can be deactivated in order to prevent mixed object properties from being detected. Furthermore, the sorting device can be caused to transport non-separated objects into a separate collection container.
Das Computersystem beinhaltet einen KI-Algorithmus oder mehrere verschiedene KI- Algorithmen. Der/die Algorithmen berechnen eine Objektidentität auf Basis der analysierten Objekteigenschaften. Die Information eines Detektionsmoduls kann von einem Algorithmus verarbeitet werden. Hierdurch kann die Analyse jedes Detektionsmoduls zur Berechnung einer Objektidentität genutzt werden. Ferner kann der Algorithmus spezifisch auf die analysierte Objekt eigenschaft optimiert werden. Die Information eines Detektionsmoduls kann auch durch mehrere Algorithmen verarbeitet werden. Hierdurch können die Ergebnisse verschiedener Algorithmen verglichen werden, um besonders geeignete Algorithmen auszuwählen. Durch das Aufteilen der Algorithmen auf die einzelnen Detektionsmodule bzw. einzelne Detektionscharakteristiken desselben Detektionsmoduls können an diesem besonders einfach Updates durchgeführt, Weiterentwicklungen vorgenommen oder Fehler behoben werden. Die Informationen mehrerer Detektionsmodule können jedoch auch von einem gemeinsamen Algorithmus verarbeitet werden. Das Integrieren der Funktionen der Detektionsmodule in einen gemeinsamen Algorithmus kann insbesondere von Vorteil sein, wenn ein ständiger oder regelmäßiger Datenabgleich zwischen den Analysedaten der verschiedenen Detektionsmodule vorgenommen wird. Hierbei können von vornherein mehrere Objekteigenschaften zur Berechnung einer Objektidentität herangezogen werden. The computer system includes an AI algorithm or several different AI algorithms. The algorithm(s) calculate an object identity based on the analyzed object properties. The information from a detection module can be processed by an algorithm. As a result, the analysis of each detection module can be used to calculate an object identity. Furthermore, the algorithm can be specifically optimized for the analyzed object property. The information from a detection module can also be processed by a number of algorithms. This allows the results of different algorithms to be compared in order to select particularly suitable algorithms. By dividing the algorithms between the individual detection modules or individual detection characteristics of the same detection module, it is particularly easy to carry out updates, make further developments or correct errors. However, the information from a number of detection modules can also be processed by a common algorithm. The integration of the functions of the detection modules in a common algorithm can be particularly advantageous if a constant or regular data comparison is made between the analysis data of the different detection modules. In this case, several object properties can be used to calculate an object identity from the outset.
Bei Anwendung mehrerer Algorithmen können die berechneten Einzel- Objektidentitäten aller Algorithmen zu einer kombinierten Gesamt-Objektidentität zusammengeführt und die Gesamt-Objektidentität dann dem jeweiligen Objekt zugeordnet werden. Hierzu kann ein Abstimmungsalgorithmus vorgesehen sein, welcher die kombinierte Objektidentität berechnet. Die Berechnung kann die Festlegung der am häufigsten erhaltenen Objektidentität als kombinierte Objektidentität umfassen. Ferner kann eine unterschiedliche Gewichtung einzelner erhaltener Objektidentitäten vorgenommen werden. Dies ermöglicht z.B. eine schwächere Gewichtung störanfälliger Materialmerkmale. If several algorithms are used, the calculated individual object identities of all algorithms can be merged into a combined overall object identity and the overall object identity can then be assigned to the respective object. A matching algorithm can be provided for this purpose, which calculates the combined object identity. The calculation can determine the most frequently obtained object identity as a combined include object identity. Furthermore, a different weighting of individual object identities obtained can be carried out. This allows, for example, a weaker weighting of material features that are susceptible to interference.
Unter KI-Algorithmen im Rahmen dieser Anmeldung, sollen alle anlernbaren Netzwerke und damit verbundenen Rechenalgorithmen zu verstehen sein, die über Konzepte des maschinellen Lernens angelernt werden können und nach der Anlernphase geeignet sind, auf der Grundlage von analysierten Objekteigenschaften Objektidentitäten zu berechnen. AI algorithms in the context of this application are to be understood as meaning all networks that can be learned and computational algorithms associated therewith that can be learned via concepts of machine learning and, after the learning phase, are suitable for calculating object identities on the basis of analyzed object properties.
Es kann eine Vielzahl von KI-Algorithmen zur Anwendung kommen. Beispielsweise können die Algorithmen VGG16, VGG19, ResNetso, ResNet 101, oder ResNeti52 verwendet werden. Auch Support Vector Machine Algorithmen können zur Anwendung kommen. A variety of AI algorithms can be used. For example, the algorithms VGG16, VGG19, ResNetso, ResNet 101, or ResNeti52 can be used. Support Vector Machine algorithms can also be used.
Die Algorithmen werden über Konzepte des maschinellen Lernens angelernt. Hierbei werden die Algorithmen durch Trainingsdaten trainiert. Bei den Trainingsdaten handelt es sich um die analysierten Objekt eigenschaften von Objekten. In der Lernphase wird eine Korrelation zwischen den erfassten Objekt eigenschaften und der Objektidentität hergesteht. Die korrekte Objektidentität der Objekte wird dem System dabei vorgegeben. Entsprechend ist auch die korrekte Objektidentität Bestandteil der Trainingsdaten. The algorithms are trained using machine learning concepts. The algorithms are trained using training data. The training data are the analyzed object properties of objects. In the learning phase, a correlation is established between the detected object properties and the object identity. The correct object identity of the objects is given to the system. Accordingly, the correct object identity is also part of the training data.
Durch das maschinelle Lernen wird der Arbeitsaufwand zum Anlernen des Identifikationssystems reduziert. Zwar muss dem System die Objektidentität der Objekte vorgegeben werden. Jedoch entfällt die Notwendigkeit der Bewertung und Auswertung von erfassten Objekt eigenschaften durch Personen. Machine learning reduces the amount of work required to teach the identification system. The system must be given the object identity of the objects. However, there is no need for people to evaluate and evaluate recorded object properties.
In die Lernphase können alle zur Verfügung stehenden Objekt eigenschaften als Trainingsdaten einfließen, oder eine Auswahl oder auch nur eine einzige Objekt eigenschaft. Die Auswahl der verwendeten Objekt eigenschaften kann auf den Objekt-Eigenschaften beruhen, welche sich zur Identifikation und/oder Sortierung der Objekte eignen. Wenn die Objekte definierte Eigenschaften aufweisen (z.B. bei der Sortierung von Kunststoff-Produktionsabfällen einer definierten Fertigungslinie im Produktionsbetrieb), dann kann die Analyse einer Auswahl geeigneter Objekt eigenschaften ausreichen (z.B. Farbe oder Materialzusammensetzung), während auf die Analyse ungeeigneter Objekteigenschaften (z.B. Metallgehalt) verzichtet werden kann. Wird mit einer großen Vielfalt unterschiedlicher Objekte gerechnet, dann können alle Objekteigenschaften in die Lernphase einfließen. All available object properties can flow into the learning phase as training data, or a selection or just a single object property. The selection of the object properties used can be based on the object properties which are suitable for identifying and/or sorting the objects. If the objects have defined properties (e.g. when sorting plastic production waste from a defined production line in the production facility), then the analysis of a selection of suitable object properties (e.g. color or material composition) may be sufficient, while the analysis of unsuitable object properties (e.g. metal content) is omitted will can. If a large variety of different objects is used, all object properties can be included in the learning phase.
Für die Lernphase können Objekte verwendet werden, welche eigens zu diesem Zweck hergestellt wurden, oder reguläre Objekte aus dem industriellen Geschäftsbetrieb. In der Lernphase können ausschließlich Objekte mit einer identischen Objektidentität vorgelegt werden. Es können auch mehrere Sorten Objekte mit unterschiedlichen Objektidentitäten vorgelegt werden. Dies hat den Vorteil, dass dem System gleichzeitig unterschiedliche Objekt-Identitäten antrainiert werden können. Es können auch Objekte zusammen mit Begleit-Objekten vorgelegt werden. Unter Begleit-Objekten werden Objekte verstanden, welchen sowohl in der Lernphase als auch im Regelbetrieb die Objektidentität „unbekannt“ zugewiesen werden soll. Hierdurch kann dem System eine Differenzierung zwischen Objekten mit definierter Identität und Objekten mit unbekannter Identität angelernt werden. For the learning phase, objects can be used that have been specially made for this purpose, or regular objects from industrial business operations. In the learning phase, only objects with an identical object identity can be presented. Several types of objects with different object identities can also be presented. This has the advantage that different object identities can be trained on the system at the same time. Objects can also be presented along with companion objects. Accompanying objects are objects to which the object identity "unknown" is to be assigned both in the learning phase and in regular operation. In this way, the system can be taught to differentiate between objects with a defined identity and objects with an unknown identity.
In der Lernphase wird dem System die Objektidentität der -Objekte vorgegeben. Dies kann dadurch erfolgen, dass im Rahmen der Analyse der Objekteigenschaften eines - Objekts die zugehörige Objektidentität durch einen menschlichen Bediener eingegeben wird. Dieser Vorgang kann mehrfach wiederholt werden, bis das System die korrekte Objektidentität mit einer zuvor definierten Zuverlässigkeitsrate berechnet. Unter der Zuverlässigkeitsrate soll der Quotient aus der Anzahl korrekt erkannter Objektidentitäten und der Gesamtzahl der analysierten Objekte verstanden werden. In the learning phase, the system is given the object identity of the objects. This can be done in that the associated object identity is entered by a human operator as part of the analysis of the object properties of an object. This process can be repeated several times until the system calculates the correct object identity with a previously defined reliability rate. The reliability rate should be understood as the quotient of the number of correctly recognized object identities and the total number of objects analyzed.
Die Zuverlässigkeitsrate, welche erreicht werden soll, kann der Identifikationsgüte und damit Sortiergüte entsprechen, welche im Regelbetrieb des Verfahrens mindestens erreicht werden soll. Diese kann o,8, 0,9, bevorzugt 0,95, bevorzugter 0,97, noch bevorzugter 0,99 betragen. Diese Güten können auch Gütebereiche darstellen, z.B. kann 0,8-1, 0,9-1, bevorzugter 0,95-1, noch bevorzugter 0,97-1, oder gar 0,99-1 vorgesehen sein. The reliability rate that is to be achieved can correspond to the identification quality and thus the sorting quality that is to be at least achieved in regular operation of the method. This can be 0.8, 0.9, preferably 0.95, more preferably 0.97, even more preferably 0.99. These qualities can also represent quality ranges, e.g. 0.8-1, 0.9-1, preferably 0.95-1, even more preferably 0.97-1, or even 0.99-1 can be provided.
Bei Anwendung von Objekten mit unterschiedlicher Identität müssen entsprechend diese unterschiedlichen Objektidentitäten eingegeben werden. Kommen zusätzlich Begleit-Objekte zur Anwendung, muss nach deren Analyse die Objektidentität „unbekannt“ eingegeben werden. Da in der Lernphase zu jedem analysierten Objekt die korrekte Identität durch einen Mitarbeiter eingegeben werden muss, ist das Verfahren vor allem bei der Anwendung von unterschiedlichen Objekten und Begleit-Objekten mit einem hohen Arbeitsaufwand verbunden. Dieser Arbeitsaufwand limitiert die Anzahl und Vielfalt der anwendbaren Objekte während der Lernphase. Eine realitätsnahe Darstellung aller möglichen Varianzen (z.B.: verschiedene Verschmutzungsgrade und Verschmutzungsarten) und Varianten (z.B. durch eine enorme Vielfalt möglicher Begleit-Objekte in einem Sammelbehälter) ist daher schwierig zu realisieren. When using objects with different identities, these different object identities must be entered accordingly. If accompanying objects are also used, the object identity "unknown" must be entered after their analysis. Since the correct identity for each analyzed object has to be entered by an employee during the learning phase, the method involves a great deal of work, especially when different objects and accompanying objects are used. This amount of work limits the Number and variety of applicable objects during the learning phase. A realistic representation of all possible variances (e.g. different degrees and types of soiling) and variants (e.g. due to an enormous variety of possible accompanying objects in a collection container) is therefore difficult to implement.
Zur Vereinfachung der Lernphase wird daher ein Verfahren vorgeschlagen, bei dem mindestens eine der detektierten Objekteigenschaften als „Referenz- Objekttypeigenschaft“ (z.B. Lumineszenz-Emissions-Spektrum oder Objekt-Form) fungiert, welche die eindeutige Korrelation zwischen den analysierten Objekten und ihrer Objektidentität (z.B. HDPE-Flaschen von einem bestimmten Hersteller) herstellt. Bei diesem Verfahren beinhaltet die Analyse der Objekt eigenschaften der Objekte die Prüfung, ob die Referenz-Objekttypeigenschaft bei den Objekten vorhanden ist. Wenn die Referenz-Objekttypeigenschaft vorhanden ist, dann kann das System den Objekten autonom die korrekte Objektidentität zuweisen. Die Zuweisung dieser Objektidentität kann durch Abgleich der erfassten Referenz-Objekttypeigenschaften mit in einer Datenbank hinterlegten Referenz-Objekttypeigenschaften erfolgen, wobei den Referenzeigenschaften in der Datenbank die zugehörigen Objektidentitäten zugwiesen sind. Neben der Analyse der „Referenz-Objekttypeigenschaft“ können weitere Objekt eigenschaften der Objekte analysiert werden. Hierdurch werden die Algorithmen durch die weiteren detektierten Objekt eigenschaften (z.B. Form, Farbe, Bildmuster, Infrarot-Reflexionsspektrum, Röntgenfluoreszenz- Spektrum, Metallgehalt) angelernt. Gleichzeitig wird die Korrelation zwischen den Objekt eigenschaften der Objekte und der durch die Referenz-Objekttypeigenschaft hergestellten korrekten Objektidentität in den Algorithmen implementiert. To simplify the learning phase, a method is therefore proposed in which at least one of the detected object properties acts as a "reference object type property" (e.g. luminescence emission spectrum or object shape), which provides the clear correlation between the analyzed objects and their object identity (e.g. HDPE bottles from a specific manufacturer). In this method, the analysis of the object properties of the objects includes checking whether the reference object type property is present in the objects. If the reference object type property is present, then the system can autonomously assign the correct object identity to the objects. This object identity can be assigned by comparing the detected reference object type properties with reference object type properties stored in a database, the reference properties in the database being assigned the associated object identities. In addition to analyzing the "reference object type property", other object properties can be analyzed. In this way, the algorithms are trained through the other detected object properties (e.g. shape, color, image pattern, infrared reflection spectrum, X-ray fluorescence spectrum, metal content). At the same time, the correlation between the object properties of the objects and the correct object identity established by the reference object type property is implemented in the algorithms.
Die Lernphase kann somit die Analyse der Objekteigenschaften, die Anwesenheitsprüfung einer Referenz-Objekttypeigenschaft, die Zuweisung einer Objektidentität, das Anlernen von KI- Algorithmen durch die analysierten Objekt eigenschaften und die Herstellung einer Korrelation zwischen den analysierten Objekt eigenschaften und der Objektidentität umfassen. Die Lernphase kann mit einer Vielzahl von Objekten, weitgehend ohne menschliches Zutun, durchgeführt werden, bis das System die korrekte Objektidentität mit einer zuvor definierten Zuverlässigkeitsrate berechnet. Durch die Anwendung einer vom System detektierbaren Referenz-Objekttypeigenschaft und der damit verbundenen eindeutig zuweisbaren Objektidentität kann die Lernphase weitgehend autonom erfolgen. Die detektierte „Referenz-Eigenschaft“ (z.B. Lumineszenz-Emissions-Spektrum) kann vom System zweifach genutzt werden. Zum einen kann wie beschrieben die erfasste Referenz-Eigenschaft mit den in einer Datenbank hinterlegten Referenz-Eigenschaften abgeglichen werden und darüber den analysierten Objekten eine Objektidentität zugewiesen werden. Zum anderen kann die detektierte Referenz- Eigenschaft analog zu den weiteren detektierten Objekt eigenschaften dem Anlernen von KI-Algorithmen dienen. Nach Abschluss der Lernphase kann dann auch die Referenz-Eigenschaft in die Berechnung der Objektidentität durch die KI-Algorithmen eingehen. The learning phase can thus include analyzing the object properties, checking the presence of a reference object type property, assigning an object identity, learning AI algorithms using the analyzed object properties and establishing a correlation between the analyzed object properties and the object identity. The learning phase can be performed with a large number of objects, largely without human intervention, until the system calculates the correct object identity with a previously defined reliability rate. By using a reference object type property that can be detected by the system and the associated uniquely assignable object identity, the learning phase can take place largely autonomously. The detected "reference property" (e.g. luminescence emission spectrum) can be used twice by the system. On the one hand, as described, the recorded reference property can be compared with the reference properties stored in a database and an object identity can be assigned to the analyzed objects. On the other hand, the detected reference property can be used to teach AI algorithms in the same way as the other detected object properties. After completion of the learning phase, the reference property can then also be included in the calculation of the object identity by the AI algorithms.
In der Lernphase kann auch eine Gruppe mehrerer Objekteigenschaften als „Referenz- Objekttypeigenschaft“ (z.B. Emissionsspektrum und Objekt-Form) fungieren und die Korrelation zwischen dem analysierten Objekt und der Objektidentität herstellen. In the learning phase, a group of several object properties can also act as a "reference object type property" (e.g. emission spectrum and object shape) and establish the correlation between the analyzed object and the object identity.
In der Lernphase können auch mehrere unterschiedliche Objekte mit unterschiedlichen Referenz-Objekttypeigenschaften zur Anwendung kommen. Das System weist den unterschiedlichen Referenz-Objekten dann autonom die zugehörigen Objektidentitäten zu. Ebenso können Begleit-Objekte ohne Referenz- Objekttypeigenschaft zur Anwendung kommen. Bei Feststellung des Fehlens einer Referenz-Objekttypeigenschaft kann das System diesen Objekten selbstständig die Objektidentität „unbekannt“ zuweisen. Folglich kann das System auch die Berechnung der Objektidentität für unterschiedliche Objekte weitgehend autonom anlernen. Several different objects with different reference object type properties can also be used in the learning phase. The system then autonomously assigns the associated object identities to the different reference objects. Companion objects without a reference object type property can also be used. If it is determined that a reference object type property is missing, the system can independently assign the object identity "unknown" to these objects. Consequently, the system can also learn the calculation of the object identity for different objects largely autonomously.
Referenz-Objekte sind Objekte, die zur Verfügung gestellt werden, um in der Lernphase der KI-Algorithmen eine Korrelation zwischen den analysierten Objekteigenschaften und der Objektidentität herzustellen. Reference objects are objects that are made available in order to establish a correlation between the analyzed object properties and the object identity during the learning phase of the AI algorithms.
Das System kann eine Rückführung bereits analysierter Objekte zu den Detektionsmodulen vorsehen. Hierdurch können Objekte im Kreis geführt werden, was eine unterbrechungsfreie Lernphase ermöglicht. Hierbei können mechanische Vorrichtungen, z.B. Schikanen, zur Lageänderung der Objekte vorgesehen sein, wodurch das System eine Identifikation auch unterschiedlich positionierter Objekte erlernen kann. Im einfachsten Fall kann ein einziges Objekt im Kreis geführt werden, um unterschiedliche Messdaten zu erzeugen. The system can provide for returning already analyzed objects to the detection modules. This allows objects to be guided in a circle, which enables an uninterrupted learning phase. In this case, mechanical devices, e.g. baffles, can be provided to change the position of the objects, which means that the system can also learn to identify objects that are positioned differently. In the simplest case, a single object can be guided in a circle in order to generate different measurement data.
Als Referenz-Objekttypeigenschaft können Objekteigenschaften zur Anwendung kommen, welche in den Objekten stets vorhanden sind. Hierbei kann es sich z.B. um die reguläre Materialzusammensetzung und/oder Form und/oder Farbe der Objekte handeln. Als Referenz-Objekteigenschaften können jedoch auch Eigenschaften zur Anwendung kommen, welche den Objekten gezielt für diese Anwendung, d.h. zur Herstellung einer Korrelation zwischen Objekt und Objektidentität in der Lernphase, hinzugefügt wurden. Hierbei kann es ich um jegliche Objekteigenschaft, z.B. um Fluoreszenzcodes im Grundmaterial der Objekte, in der Druckfarbe von Objekten oder Etiketten oder an anderer Stelle, oder andere Kennzeichnungen wie z.B. QR-Codes oder Wasserzeichen handeln. Object properties, which are always present in the objects, can be used as reference object type properties. This can be, for example, the regular material composition and/or shape and/or color of the objects act. However, properties can also be used as reference object properties which were added to the objects specifically for this application, ie to produce a correlation between the object and object identity in the learning phase. This can be any property of the object, eg fluorescence codes in the base material of the objects, in the printing ink of objects or labels or elsewhere, or other markings such as QR codes or watermarks.
Begleit-Objekten kann in der Lernphase durch einen Bediener eine beliebige andere Objektidentität zugewiesen werden. Dies ermöglicht die nachträgliche Zuordnung einer Identität zu Objekten, denen keine definierte Referenz-Objekttypeigenschaft zugewiesen werden kann, z.B., weil eine geeignete Referenz-Objekttypeigenschaft nicht identifiziert werden kann oder weil eine gezielte Hinzufügung einer Referenz- Objekttypeigenschaft aus technischen Gründen nicht möglich ist. Companion objects can be assigned any other object identity by an operator during the learning phase. This enables an identity to be subsequently assigned to objects to which no defined reference object type property can be assigned, e.g. because a suitable reference object type property cannot be identified or because a specific addition of a reference object type property is not possible for technical reasons.
Nach der Lernphase kann das System getestet werden, indem die Anwesenheitsprüfung einer Referenz-Objekttypeigenschaft und damit die autonome Zuweisung der korrekten Objektidentität auf Basis der Referenz-Objekttypeigenschaft deaktiviert wird. Hierzu kann das zur Detektion der Referenz-Objekttypeigenschaft vorgesehene Detektionsmodul deaktiviert werden oder der Abgleich der erfassten Referenz- Objekttypeigenschaften mit den in einer Datenbank hinterlegten und mit Objektidentitäten verknüpften Referenz-Objekttypeigenschaften unterbleiben. Es kann dann geprüft werden, ob das System die korrekte Objektidentität auf Grundlage der anderen detektierten Objekt eigenschaften mit der zuvor definierten Zuverlässigkeitsrate berechnet. Wenn das System auf die Identifikation von Objekten ohne Referenz-Objekttypeigenschaft angelernt wurde, dann erfolgt die Testung des Systems, indem die Eingabe der korrekten Objektidentität durch den menschlichen Bediener unterbleibt. After the learning phase, the system can be tested by deactivating the presence check of a reference object type property and thus the autonomous assignment of the correct object identity based on the reference object type property. For this purpose, the detection module provided for detecting the reference object type property can be deactivated or the comparison of the detected reference object type properties with the reference object type properties stored in a database and linked to object identities can be omitted. It can then be checked whether the system calculates the correct object identity based on the other detected object properties with the previously defined reliability rate. If the system has been trained to identify objects without a reference object type property, the system is tested by the human operator not entering the correct object identity.
Nach Abschluss der Lernphase kann das System im Regelbetrieb auch auf Basis der weiteren erfassten Objekteigenschaften die Objektidentität berechnen. Die in der Lernphase eingesetzte Referenz-Objekttypeigenschaft muss dann nicht mehr auf den Objekten vorhanden sein. Jedoch kann die Referenz-Objekttypeigenschaft auch im Regelbetrieb in die Berechnung der Objektidentität eingehen, sofern die Objekte im Regelbetrieb die „Referenz-Objekttypeigenschaft“ aufweisen. Im Regelbetrieb können eine, mehrere oder alle der detektierten Objekt eigenschaften als „Eingabe“ fungieren. Die Auswahl der analysierten Objekt eigenschaften kann hierbei auf den Objekteigenschaften beruhen, welche in der Lernphase zur Anwendung kamen. After completion of the learning phase, the system can also calculate the object identity in regular operation on the basis of the other object properties recorded. The reference object type property used in the learning phase then no longer needs to be present on the objects. However, the reference object type property can also be included in the calculation of the object identity in normal operation, provided that the objects have the "reference object type property" in normal operation. In regular operation, one, several or all of the detected object properties can function as "input". The selection of the analyzed object properties can be based on the object properties that were used in the learning phase.
Auch bei prinzipiell identischen Objekten können sich die erfassten Objekt eigenschaften unterscheiden. Dies kann z.B. auf herstellungsbedingten Qualitätsschwankungen, ungleicher mechanischer Belastung, unterschiedlicher Lebensdauer (unterschiedlich lange Alterung) oder unterschiedlicher Verschmutzung beruhen. Bei dem beschriebenen Verfahren können solche Varianzen in die Lernphase eingehen, indem eine repräsentative Auswahl an Referenz- Objekten, welche die auftretenden Eigenschaftsschwankungen beinhalten, eingesetzt wird. Im Regelbetrieb kann das System dann auch für Objekte mit solchen Eigenschaftsschwankungen die korrekte Objektidentität berechnen. Even with objects that are basically identical, the detected object properties can differ. This can be due, for example, to production-related quality fluctuations, unequal mechanical stress, different lifespans (different lengths of aging) or different levels of contamination. In the method described, such variances can be included in the learning phase by using a representative selection of reference objects that contain the property fluctuations that occur. In regular operation, the system can then also calculate the correct object identity for objects with such property fluctuations.
Die Referenz-Objekttypeigenschaften können auch zur autonomen Überprüfung der Zuverlässigkeit der Objektidentifikation genutzt werden. Hierzu erfolgt zum einen die Berechnung der Objektidentität durch den/die Algorithmen. Zum anderen prüft das System die Anwesenheit von Referenz-Objekttypeigenschaften. In einer Datenbank werden zu jedem analysierten Objekt die berechnete Objektidentität und die über die eventuell aufgefundene Referenzeigenschaft definierte korrekte Objektidenütät abgelegt. Die berechneten Identitäten können mit den korrekten Objektidentitäten abgeglichen werden. Je höher die Übereinstimmung, desto größer ist die Zuverlässigkeit der berechneten Objektidentität. The reference object type properties can also be used to autonomously check the reliability of the object identification. For this purpose, on the one hand, the object identity is calculated by the algorithm(s). On the other hand, the system checks the presence of reference object type properties. The calculated object identity and the correct object identity defined via any reference property found are stored in a database for each analyzed object. The calculated identities can be matched with the correct object identities. The higher the agreement, the greater the reliability of the calculated object identity.
Die erfassten Objekt eigenschaften können auch dazu genutzt werden, die Varianz der erfassten Objekteigenschaften zu bestimmen. Hierbei wird aus den Messdaten aller Einzel objekte ein Messdaten-Bereich berechnet. Der erhaltene Messdaten-Bereich kann dann dazu genutzt werden die Sensorik der Detektionsmodule optimal an die zu erwartenden Messergebnisse anzupassen. Zum Beispiel können aus der Analyse von lumineszierenden Markercodes die Varianzen der Emissionsintensität, Emissionsmaxima (Wellenlängen mit maximaler Emission), und/oder Halb wertsbreiten erhalten werden. Darauf basierend kann die Sensorik z.B. durch die Anpassung der Anregungsintensität oder die Auswahl geeigneter optischer Filter, optimal im Hinblick auf spektrale Sensitivität und Selektivität angepasst werden. Die Anpassung der Detektionsmodule kann bei inaktiven Modulen erfolgen. Dies ist z.B. der Fall, wenn basierend auf dem erhaltenen Messdaten-Bereich neue Hardware- Komponenten in die Module eingebaut werden müssen. Die Anpassung kann jedoch auch bei aktiven Modulen erfolgen. Dies kann zur Anwendung kommen, wenn bereits alle zur Anpassung notwendigen technischen Komponenten im Modul integriert sind und gesteuert werden können. Dann kann eine Anpassung der Sensorik auch während des Betriebs der Anlage durchgeführt werden. Der Einfluss der Anpassung auf die Objekterkennung kann somit auch direkt untersucht werden. The detected object properties can also be used to determine the variance of the detected object properties. A measurement data range is calculated from the measurement data of all individual objects. The measurement data range obtained can then be used to optimally adapt the sensors of the detection modules to the measurement results to be expected. For example, from the analysis of luminescent marker codes, the variances in emission intensity, emission maxima (wavelengths with maximum emission), and/or full width at half maximum can be obtained. Based on this, the sensors can be optimally adjusted in terms of spectral sensitivity and selectivity, for example by adjusting the excitation intensity or selecting suitable optical filters. The detection modules can be adjusted when the modules are inactive. This is the case, for example, if new hardware Components must be built into the modules. However, the adjustment can also be made with active modules. This can be used if all the technical components required for the adjustment are already integrated in the module and can be controlled. The sensors can then also be adjusted while the system is in operation. The influence of the adaptation on the object recognition can thus also be examined directly.
Alternativ zur den analysierten Objekt eigenschaften realer Referenz-Objekte können auch virtuelle Objekt eigenschaften in der Lernphase als „Eingabe“ dienen und durch KI-Technologie verarbeitet werden. Diese virtuellen Objekteigenschaften und somit virtuellen Datensätze können z.B. auf Messdaten von Referenz-Objekten beruhen, die mit externen Messmodulen erhalten und gespeichert wurden und erst nachträglich der hier vorgeschlagenen Vorrichtung zur Verfügung gestellt werden. Dies bietet den Vorteil, dass auch Daten von noch nicht in der Vorrichtung implementierten Detektionsmodulen eingepflegt werden können. Auf diese Weise kann die technische Ausführbarkeit und Leistungsfähigkeit solcher Detektionsmodule im Gesamtsystem bereits vor Integration in die Vorrichtung untersucht werden. Die virtuellen Datensätze können auf der Messung einer Menge von Referenz- Objekten beruhen, welche eine repräsentative Auswahl der Vielfalt und Varianz der analysierten Objekteigenschaft sicherstellt. Die virtuellen Datensätze können jedoch auch auf einer geringeren Anzahl von Referenz-Objekten, welche nicht die gesamte Bandbreite der Varianzen abdeckt, beruhen. Die erhaltenen Messergebnisse können in diesem Fall künstlich, z.B. computergestützt vervielfältigt und variiert werden, um eine virtuelle Vervielfältigung der Objekte und eine virtuelle Erhöhung der Messdaten-Variabilität zu erhalten. Dies bietet den Vorteil, dass auch die Identifikation von Referenz- Objekten, die nicht in einer für eine repräsentative Auswahl ausreichenden Anzahl zur Verfügung stehen, getestet werden kann. As an alternative to the analyzed object properties of real reference objects, virtual object properties can also serve as "input" in the learning phase and be processed by AI technology. These virtual object properties and thus virtual data sets can be based, for example, on measurement data from reference objects that were obtained and stored using external measurement modules and are only subsequently made available to the device proposed here. This offers the advantage that data from detection modules that have not yet been implemented in the device can also be entered. In this way, the technical feasibility and performance of such detection modules in the overall system can be examined before they are integrated into the device. The virtual data sets can be based on the measurement of a set of reference objects, which ensures a representative selection of the variety and variance of the analyzed object property. However, the virtual data sets can also be based on a smaller number of reference objects, which does not cover the entire range of variances. In this case, the measurement results obtained can be duplicated and varied artificially, e.g. computer-aided, in order to obtain a virtual duplication of the objects and a virtual increase in the variability of the measurement data. This offers the advantage that the identification of reference objects that are not available in a sufficient number for a representative selection can also be tested.
Das Verfahren kann zur Identifikation und/oder Sortierung jeglicher Objekte, z.B. aus Privathaushalten, Gewerbe oder Industrie genutzt werden. Es kann sich z.B. um Produktionsabfälle von Gewerbe- und Industriebetrieben handeln, oder um gebrauchte Verkaufsverpackungen aus Privathaushalten. Die Identifikation und Sortierung der Objekte ermöglicht ein effizientes Recycling der enthaltenen Materialien. Entsprechend ermöglicht z.B. die Identiükation und / oder Sortierung von Objekten aus Kunststoffen ein effizientes Recycling verschiedener Kunststoff-Materialien. Das Verfahren kann jedoch auf verschiedenste Materialien wie z.B. auch Metall-haltige Materialien angewendet werden. Das vorgestellte System bietet verschiedene Vorteile: The method can be used to identify and/or sort any objects, eg from private households, trade or industry. It can be, for example, production waste from commercial and industrial companies, or used sales packaging from private households. The identification and sorting of the objects enables the materials contained to be efficiently recycled. Accordingly, for example, the identification and/or sorting of objects made of plastic enables efficient recycling of different plastic materials. However, the method can be applied to a wide variety of materials such as metal-containing materials. The presented system offers various advantages:
Es können vielfältige Detektionstechnologien bzw. Detektionsmodule zur Analyse vielfältiger Objekt eigenschaften zur Anwendung kommen. Durch die Möglichkeit, viele verschiedene Objekt eigenschaften zu analysieren, kann die Anzahl der unterscheidbaren Spezifikationen erhöht werden. Various detection technologies or detection modules can be used to analyze various object properties. Due to the possibility of analyzing many different object properties, the number of distinguishable specifications can be increased.
Ferner ermöglicht die Einbeziehung vielfältiger Materialinformationen eine zuverlässigere Bestimmung der Objektidentität. Furthermore, the inclusion of diverse material information enables a more reliable determination of the object identity.
Die zuverlässige Bestimmung einer großen Anzahl unterscheidbarer Spezifikationen bietet insbesondere Vorteile bei der Anwendung des Verfahrens zum Recycling von Materialien, da eine hochwertige Wiederverwertung der Materialien eine hohe Sortenreinheit der sortierten Objekte und damit der in den Objekten enthaltenen Materialien voraussetzt. The reliable determination of a large number of distinguishable specifications offers particular advantages when using the method for recycling materials, since high-quality recycling of the materials requires a high level of purity of the sorted objects and thus the materials contained in the objects.
Es können sowohl native, wie auch ein-/aufgebrachte Objekteigenschaften analysiert werden. Die Analyse nativer Objekteigenschaften ermöglicht eine Identifikation und Sortierung basierend auf natürlichen Objekteigenschaften. Mittels ein-/aufgebrachter Objekt eigenschaften, z.B. der Aufbringung von Fluoreszenz-Codes oder Wasserzeichen, kann Objekten Information hinzugefügt werden. Die Analyse solcher Eigenschaften ermöglicht daher eine Identifikation und Sortierung unabhängig von den natürlichen Objekt eigenschaften basierend auf beliebigen Spezifikationen. Both native and applied object properties can be analyzed. Analysis of native object properties enables identification and sorting based on natural object properties. Information can be added to objects by means of integrated/applied object properties, e.g. the application of fluorescence codes or watermarks. The analysis of such properties therefore enables identification and sorting independent of the natural object properties based on any specifications.
Die in der Lernphase und im Regelbetrieb zur Anwendung kommenden Detektionstechnologien bzw. Detektionsmodule können in Abhängigkeit von den Eigenschaften der zu identifizierenden Objekte ausgewählt werden. Das Identifikationssystem kann alle zur Verfügung stehenden Detektionsmodule enthalten. Diese können entsprechend aktiviert oder deaktiviert werden. Alternativ kann das Identifikationssystem gezielt mit den zur Anwendung kommenden Detektionsmodulen ausgestattet werden. The detection technologies or detection modules used in the learning phase and in regular operation can be selected depending on the properties of the objects to be identified. The identification system can contain all available detection modules. These can be activated or deactivated accordingly. Alternatively, the identification system can be specifically equipped with the detection modules to be used.
Durch die Anwendung von KI wird sowohl die Einbeziehung vieler Objekt eigenschaften, als auch die Berücksichtigung der Varianz von Objekt eigenschaften zur Identifikation einer Objektidentität vereinfacht, da Vielfalt und Varianz der Objekt eigenschaften in den Algorithmen implementiert werden kann. Durch die Anwendung von KI-Technologie reduziert sich der Arbeitsaufwand zum Anlernen des Systems. Das Anlernen der KI kann unter Mitwirkung eines menschlichen Bedieners erfolgen. Durch die Einbeziehung einer physikalisch messbaren Referenz-Objekttypeigenschaft, welche die Verbindung zur korrekten Objektidentität herstellt, kann der Arbeitsaufwand zum Anlernen des Systems weiter reduziert werden, so dass das Anlernen weitgehend autonom erfolgen kann. The use of AI simplifies both the inclusion of many object properties and the consideration of the variance of object properties to identify an object identity, since the diversity and variance of the object properties can be implemented in the algorithms. The use of AI technology reduces the amount of work required to teach the system. The AI can be trained with the participation of a human operator. By including a physically measurable reference object type property, which establishes the connection to the correct object identity, the amount of work involved in training the system can be further reduced, so that the training can be carried out largely autonomously.
Durch das weitgehend autonome Anlernen, kann die Anzahl der in der Lernphase verwendeten Objekte vergrößert werden. Hierdurch kann sichergestellt werden, dass das Anlernen auf einer repräsentativen Stichprobe, welche die Varianz der Objekt eigenschaften repräsentiert, durchgeführt wird. Due to the largely autonomous learning, the number of objects used in the learning phase can be increased. In this way it can be ensured that the training is carried out on a representative random sample, which represents the variance of the object properties.
Bei Implementation einer Objekt-Rückführung wird eine unterbrechungsfreie Lernphase ermöglicht. If an object feedback is implemented, an uninterrupted learning phase is made possible.
Als Objekte für die Lernphase können Objekte aus dem regulären Geschäftsbetrieb verwendet werden. Hierdurch kann sichergestellt werden, dass herstellungs- und verwendungsbedinge Varianzen der Objekt eigenschaften in die Analysen eingehen. Es können jedoch auch Objekte verwendet werden, welche eigens zu diesem Zweck hergestellt wurden. Dies ermöglicht z.B. die Anwendung von Objekten mit ausgewählten und bekannten Eigenschafts-Varianzen. Ferner können diese Objekte gezielt verschiedenen Testbedingungen unterworfen werden (z.B. die Behandlung mit definierten Test-Substanzen oder mechanischen oder klimatischen Belastungen), um das System an die dadurch induzierten Eigenschaftsschwankungen anzupassen. Ferner können Objekte für die Lernphase mit einer „Referenz-Objekttypeigenschaft“ ausgestattet werden. Objects from regular business operations can be used as objects for the learning phase. In this way it can be ensured that production and use-related variances in the object properties are included in the analyses. However, objects made specifically for this purpose can also be used. This enables, for example, the use of objects with selected and known property variances. Furthermore, these objects can be specifically subjected to different test conditions (e.g. treatment with defined test substances or mechanical or climatic loads) in order to adapt the system to the property fluctuations induced thereby. Furthermore, objects can be equipped with a “reference object type property” for the learning phase.
Die Verwendung von Objekten, welche eigens zur Durchführung der Lernphase hergestellt wurden, ermöglicht die Testung solcher Objekte in Bezug auf Identifizier- und Sortierbarkeit. Hierdurch können Objekte bereits vor einem Einsatz im regulären Geschäftsbetrieb in Bezug auf ihre Recyclingfähigkeit geprüft werden. Die Ergebnisse dieser Prüfung können in das Design-for- Recycling dieser Objekte eingehen. The use of objects that were specially produced to carry out the learning phase enables such objects to be tested with regard to identifiability and sortability. This allows objects to be checked for their recyclability before they are used in regular business operations. The results of this assessment can be included in the design-for-recycling of these objects.
In der Lernphase können ausschließlich Objekte mit einer identischen Objektidentität vorgelegt werden. Bei der Identifikation und Sortierung von Objekten besteht jedoch oft die Schwierigkeit, dass die zu identifizierenden Objekte mit weiteren bekannten, aber dennoch unterschiedlichen Objekten und einer Vielzahl unbekannter Objekte vermischt sind. Zum Anlernen des Systems an dieses Szenario, können auch mehrere Sorten Objekte mit unterschiedlichen Objektidentitäten vorgelegt werden. Dies hat den Vorteil, dass dem System gleichzeitig unterschiedliche Objekt-Identitäten antrainiert werden können. Es können auch Objekte zusammen mit Begleit-Objekten vorgelegt werden. Unter Begleit-Objekten werden Objekte verstanden, welchen sowohl in der Lernphase als auch im Regelbetrieb die Objektidentität „unbekannt“ zugewiesen werden soll. Hierdurch kann dem System eine Differenzierung zwischen Objekten mit definierter Identität und Objekten mit unbekannter Identität unter bereits realitätsnahen Regelbetrieb-Bedingungen angelernt werden. In the learning phase, only objects with an identical object identity can be presented. When identifying and sorting objects, however, there is often the difficulty that the objects to be identified are associated with other known but different objects and a large number of unknown objects are mixed up. To train the system in this scenario, several types of objects with different object identities can also be presented. This has the advantage that different object identities can be trained on the system at the same time. Objects can also be presented along with companion objects. Accompanying objects are objects to which the object identity "unknown" is to be assigned both in the learning phase and in regular operation. As a result, the system can be taught to differentiate between objects with a defined identity and objects with an unknown identity under normal operating conditions that are already close to reality.
Durch Ausnutzung einer „Referenz-Objekttypeigenschaft“ und das hiermit erreichte autonome Anlernen einer Korrelation zwischen analysierten Objekt eigenschaften und Objektidentität, wird das Anlernen und Testen der Identifikation neuer Objekte im laufenden Betrieb der Identifikations- und Sortieranlage erleichtert. Ohne Referenz- Objekttypeigenschaft muss die neue Objektidentität durch einen menschlichen Bediener den Analysedaten der Objekteigenschaften der neuen Objekte zugeordnet werden. Wenn im laufenden Betrieb eine Vielzahl vielfältiger Objekte die Detektionsmodule der Anlage durchläuft, ist dies wenig praktikabel. Es kann dann eine Unterbrechung des Regelbetriebs notwendig sein, um das Anlernen und Testen neuer Objekte in einer eigenen Versuchskampagne durchführen zu können. Neben der Unterbrechung des Betriebs hat dies auch den Nachteil, dass eventuelle Einflüsse durch die Anwesenheit anderer Objekte nicht erfasst werden können. By using a "reference object type property" and thereby achieving autonomous learning of a correlation between analyzed object properties and object identity, learning and testing of the identification of new objects is facilitated during ongoing operation of the identification and sorting system. With no reference object type property, the new object identity must be mapped by a human operator to the analysis data of the object properties of the new objects. If a large number of diverse objects pass through the detection modules of the system during operation, this is not very practical. It may then be necessary to interrupt regular operation in order to be able to teach and test new objects in a separate test campaign. In addition to interrupting operation, this also has the disadvantage that any influences caused by the presence of other objects cannot be detected.
Nach erfolgreichem Anlernen des Systems kann auf den Einsatz der Referenz- Objekttypeigenschaft verzichtet werden. Dies ermöglicht eine Kosteneinsparung, wenn diese Eigenschaften bei in Verkehr gebrachten Produkten nicht implementiert werden muss. Ferner ermöglicht dies die Nutzung von Referenz-Objekttypeigenschaften, die auf Grund von technischen Erwägungen bei in Verkehr gebrachten Produkten nicht eingesetzt werden sollen. Dies kann z.B. für Referenz-Objekttypeigenschaften gelten, die auf Additiven beruhen, die keine behördliche Zulassung für den Anwendungsbereich der Produkte haben, oder die über eine lange Produktlebensdauer negative Auswirkung auf die Produktfunktion haben könnten. Once the system has been successfully trained, the use of the reference object type property can be dispensed with. This enables cost savings if these properties do not have to be implemented in products placed on the market. Furthermore, this enables the use of reference object type properties which, due to technical considerations, should not be used for products placed on the market. This can apply, for example, to reference object type properties that are based on additives that do not have official approval for the area of application of the products, or that could have a negative impact on the product function over a long product lifespan.
Als „Referenz-Objekttypeigenschaft“ kann eine Objekt eigenschaft gewählt werden, welche das Detektionsergebnis der anderen detektierten Objekt eigenschaften nicht beeinflusst. Hierdurch kann die Berechnung einer fehlerhaften Objektidentität bei späterer Abwesenheit der „Referenz-Objekttypeigenschaft“ vermieden werden. Im Folgenden sind einige geeignete Referenz-Objekttypeigenschaften beschrieben. Kunststoff-Objekte können mit lumineszierenden Stoffen versetzt werden indem diese Stoffe bei der Herstellung der Objekte zugegeben werden. Zur Anwendung können z.B. anorganische Anti-Stokes-Kristalle, anorganische Stokes-Kristalle oder organische Leuchtstoffe kommen. Stokes-Kristalle zeigen eine Stokes-Verschiebung und sind Downconverter. Anti-Stokes-Kristalle sind Upconverter. Es gibt anorganische Anti- Stokes-Kristalle welche mit IR-Strahlung angeregt werden können und im sichtbaren Spektralbereich lumineszieren. Diese Substanzen haben keinen Einfluss auf übliche farbgebende Additive welche zur Färbung von Produkten eingesetzt werden. D.h., die anorganischen Anti-Stokes Kristalle beeinflussen nicht die Farbe der Objekte, wenn keine Infrarot-Anregung erfolgt. Ferner müssen die Kristalle nur in sehr geringen Mengen eingesetzt werden. Daher haben Sie auch keinen wesentlichen Einfluss auf die Transparenz von Objekten. Des Weiteren besteht kein Einfluss auf die Objektform. Folglich eignen sie sich z.B. als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch die Objekt eigenschaften „Farbe“, „Form“ oder Bildmuster welche mittels geeigneter Kamerasysteme detektiert werden können. Durch die Anwendung von verschiedenen Anti-Stokes-Kristallen mit unterschiedlichen Emissionsspektren bei unterschiedlichen Objekten mit unterschiedlichen Farben, Formen oder Bildern kann das System daher zur Identifikation dieser unterschiedlichen Objekte angelernt werden. Nach der Lernphase kann das System die Objekte basierend auf ihrer Farbe, Form oder Bilder identifizieren, auch wenn die Anti-Stokes Kristalle nicht mehr enthalten sind. Umgekehrt kann z.B. die Objektform als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch die Emissionscharakteristik von Anti-Stokes- Kristallen, welche z.B. mit geeigneten Spektrometern, Kameras oder Photodioden detektiert werden kann, dienen. So könnten z.B. drei Objekttypen aus gleichem Material aber mit unterschiedlicher Form mit jeweils charakteristischen Anti-Stokes- Kristallen markiert werden. Auf diese Weise kann das System auf die Objekterkennung mittels der Objekt eigenschaft des Anti-Stokes-Emissionsspektrums angelernt werden. Nach der Lernphase kann das System Objekte basierend auf den enthaltenen Anti- Stokes-Kristallen identifizieren, auch wenn andere Objektformen vorhegen. Ebenso gibt es anorganische Stokes-Kristalle welche Emissions-Wellenlängen < lioonm aufweisen. Sie haben jedoch keinen Einfluss auf das Infrarotreflexionsspektrum oberhalb von lioonm. Folglich eignen sie sich als Referenz-Objekttypeigenschaft zum Anlernen des Systems durch das IR-Reflexionsspektrum als analysierter Objekt eigenschaft. So könnten in der Lernphase Objekte mit eng verwandtem aber unterscheidbarem IR-Reflexionsspektrum zur Anwendung kommen, wobei eine der Objekt-Sorten mit Stokes-Kristalle ausgestattet wird. Das System wird hierdurch auf die Objekterkennung mittels des IR-Reflexionsspektrums angelernt, wobei als Referenz-Objekttypeigenschaft die Anwesenheit einer Lumineszenz-Emission <noonm dient. Nach der Lernphase kann das System die Objekt-Sorte der mit Stokes- Kristallen markierten Objekte basierend auf dem IR- Reflexionsspektrum in Abgrenzung zu den anderen Objekten identifizieren, auch wenn keine Stokes-Kristalle mehr enthalten sind. Ferner sind organische Leuchtstoffe bekannt, welche z.B. mit UV- Licht angeregt werden können und charakteristische Emissionsspektren aufweisen. Auch solche Stoffe können als Referenz-Objekttypeigenschaft geeignet sein, sofern diese keinen Einfluss auf die Eigenschaften der anzutrainierenden Objekt eigenschaften haben. So könnten Objekttypen mit unterschiedlichem Metall-Gehalt mit jeweils charakteristischen organischen Leuchtstoffen markiert werden. Auf diese Weise kann das System auf die Objekterkennung mittels der Objekteigenschaft „Metall-Gehalt“ angelernt werden. Nach der Lernphase kann das System die Objekttypen basierend auf dem Metallgehalt identifizieren, auch wenn keine Leuchtstoffe mehr enthalten sind. An object property that does not affect the detection result of the other detected object properties can be selected as the "reference object type property". In this way, the calculation of an incorrect object identity can be avoided if the "reference object type property" is later absent. in the Some suitable reference object type properties are described below. Plastic objects can be treated with luminescent substances by adding these substances during the manufacture of the objects. For example, inorganic anti-Stokes crystals, inorganic Stokes crystals or organic phosphors can be used. Stokes crystals show a Stokes shift and are downconverters. Anti-Stokes crystals are upconverters. There are inorganic anti-Stokes crystals which can be excited with IR radiation and luminesce in the visible spectral range. These substances have no effect on the usual coloring additives that are used to color products. This means that the inorganic Anti-Stokes crystals do not affect the color of the objects when there is no infrared excitation. Furthermore, the crystals only have to be used in very small amounts. You therefore have no significant influence on the transparency of objects. Furthermore, there is no influence on the object shape. Consequently, they are suitable, for example, as a reference object type property for teaching the system through the object properties "color", "shape" or image pattern, which can be detected using suitable camera systems. Therefore, by applying different anti-Stokes crystals with different emission spectra to different objects with different colors, shapes or images, the system can be trained to identify these different objects. After the learning phase, the system can identify the objects based on their color, shape or image even if the Anti-Stokes crystals are no longer included. Conversely, for example, the object shape can serve as a reference object type property for teaching the system through the emission characteristics of anti-Stokes crystals, which can be detected, for example, with suitable spectrometers, cameras or photodiodes. For example, three object types made of the same material but with different shapes could each be marked with characteristic Anti-Stokes crystals. In this way, the system can be trained to recognize objects using the object property of the anti-Stokes emission spectrum. After the learning phase, the system can identify objects based on the anti-Stokes crystals they contain, even if other object shapes are present. There are also inorganic Stokes crystals which have emission wavelengths < 100 m. However, they have no effect on the infrared reflectance spectrum above lioonm. Consequently, they are suitable as a reference object type property for teaching the system through the IR reflection spectrum as an analyzed object property. In the learning phase, objects with a closely related but distinguishable IR reflection spectrum could be used, with one of the object types being equipped with Stokes crystals. This will cause the system to turn on object recognition is taught by means of the IR reflection spectrum, with the presence of a luminescence emission <noonm serving as a reference object type property. After the learning phase, the system can identify the object type of the objects marked with Stokes crystals based on the IR reflection spectrum in contrast to the other objects, even if no Stokes crystals are contained. Furthermore, organic phosphors are known which can be excited, for example, with UV light and have characteristic emission spectra. Such substances can also be suitable as reference object type properties, provided they have no influence on the properties of the object properties to be trained. For example, object types with different metal contents could be marked with characteristic organic phosphors. In this way, the system can be trained to recognize objects using the “metal content” object property. After the learning phase, the system can identify the object types based on the metal content, even if there are no phosphors left.
Die Referenz-Objekttypeigenschaften können auch zur autonomen Überprüfung der Zuverlässigkeit der Objektidentifikation genutzt werden. The reference object type properties can also be used to autonomously check the reliability of the object identification.
Zur Überprüfung, ob die in der Lernphase angewendete Referenz-Objekttypeigenschaft doch einen Einfluss auf die zur Objekterkennung detektierten Objekteigenschaften hat, kann nach Abschluss der Lernphase ein Vergleich der Identifikation von Objekten mit Referenz-Objekttypeigenschaft gegenüber der Identifikation von Objekten ohne Referenz-Objekttypeigenschaft vorgenommen werden. Identische Ergebnisse zeigen eine Unabhängigkeit der detektierten Objekt eigenschaften von der Referenz- Objekttypeigenschaft an. Hierbei kann auch eine Mischung von Objekten mit und ohne Referenz-Objekttypeigenschaft getestet werden. Werden alle Objekte gleichartig identifiziert, besteht kein Einfluss der Referenz-Objekttypeigenschaft auf das Identifikations-Ergebnis. To check whether the reference object type property used in the learning phase has an influence on the object properties detected for object recognition, the identification of objects with a reference object type property can be compared with the identification of objects without a reference object type property after the learning phase has ended. Identical results indicate an independence of the detected object properties from the reference object type property. A mixture of objects with and without a reference object type property can also be tested here. If all objects are identified in the same way, the reference object type property has no influence on the identification result.
Die Erfassung der Objekt eigenschaften kann dazu verwendet werden, die Varianz von Objekt eigenschaften zu bestimmen. Die erhaltene Varianz der Messergebnisse kann zur Anpassung der Detektionsmodule genutzt werden. The detection of object properties can be used to determine the variance of object properties. The variance of the measurement results obtained can be used to adapt the detection modules.
Durch Zu- und Abschaltung verschiedener Detektionsmodule kann der Einfluss verschiedener Objekteigenschaften auf das Identifikationsergebnis getestet werden. By switching different detection modules on and off, the influence of different object properties on the identification result can be tested.
Beispiele: Beispiel 1) Examples: Example 1)
Zwei Sorten Plastikflaschen A und B sollen über Ihre Flaschenform identifiziert werden. Die Flaschenform wird durch ein Detektionsmodul mit Kamerasystem detektiert. Die Flaschen können mit zufälliger Orientierung in dem Detektionsmodul vorliegen, was die automatische Bilderkennung erschwert. Two types of plastic bottles A and B should be identified by their bottle shape. The shape of the bottle is detected by a detection module with a camera system. The bottles can be present in the detection module with random orientation, which makes automatic image recognition more difficult.
Die Identifikation der Flaschen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Flaschenform“ werden die Flaschen mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. The bottles are identified using AI technology. The bottles are marked with two different fluorescence codes a and b for the autonomous training of the system using the object property "bottle shape". The fluorescence codes a and b function as a reference object type property. The fluorescence codes a and b together with the associated object identities A and B are stored in a database.
Zur Lernphase wird eine Vielzahl Plastikflaschen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „Flaschenform“ durch Aufnahme von Bildern der Flaschen, die Anwesenheitsprüfimg der Referenz- Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Flasche A zu Flaschen mit Code a, die Zuweisung der Objektidentität Flasche B zu Flaschen mit Code b und die Anpassung des Algorithmus welcher die Bilder verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Bildern und Herstellung einer Korrelation zwischen den erfassten Bildern und der Objektidentität. During the learning phase, a large number of plastic bottles A and B are analyzed autonomously by the system. The learning phase includes the analysis of the object property "bottle shape" by taking pictures of the bottles, checking the presence of the reference object type properties code a and code b, assigning the object identity bottle A to bottles with code a, assigning the object identity bottle B to bottles with Code b and the adaptation of the algorithm that processes the images to recognize patterns and regularities in the images and establish a correlation between the captured images and the object identity.
Nach Abschluss der Lernphase kann das System die Identität der Plastikflaschen auf Basis der erfassten Bilder berechnen. Die in der Lernphase eingesetzten Fluoreszenz- Codes müssen dazu nicht mehr auf den Flaschen vorhanden sein. After completing the learning phase, the system can calculate the identity of the plastic bottles based on the captured images. The fluorescence codes used in the learning phase no longer have to be present on the bottles.
Bei Integration einer Sortiereinheit kann die Sortiereinheit die Flaschen A und B in unterschiedliche Behälter sortieren. If a sorting unit is integrated, the sorting unit can sort bottles A and B into different containers.
Beispiel 2) example 2)
Zwei Kosmetikflaschen A und B weisen unterschiedliche Etiketten-Designs auf. Die Flaschen sollen anhand des optischen Designs identifiziert werden. Das Design wird durch ein Detektionsmodul mit Kamerasystem detektiert. Die Identifikation der Flaschen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „optisches Design“ werden die Flaschen mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. Two cosmetic bottles A and B have different label designs. The bottles should be identified based on the optical design. The design is detected by a detection module with a camera system. The bottles are identified using AI technology. The bottles are marked with two different fluorescence codes a and b for the autonomous training of the system using the object property "optical design". The fluorescence codes a and b function as a reference object type property. The fluorescence codes a and b together with the associated object identities A and B are stored in a database.
Zur Lernphase wird eine Vielzahl Flaschen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „optisches Design“ durch Aufnahme von Bildern der Flaschen, die Anwesenheitsprüfung der Referenz-Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Flasche A zu Flaschen mit Code a, die Zuweisung der Objektidentität Flasche B zu Flaschen mit Code b und die Anpassung des Algorithmus welcher die Bilder verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Designs und Herstellung einer Korrelation zwischen den erfassten Designs und der Objektidentität. For the learning phase, a large number of bottles A and B are analyzed autonomously by the system. The learning phase includes the analysis of the object property "optical design" by taking pictures of the bottles, the presence check of the reference object type properties code a and code b, the assignment of the object identity bottle A to bottles with code a, the assignment of the object identity bottle B to bottles with code b and the adaptation of the algorithm that processes the images to recognize patterns and regularities in the designs and establish a correlation between the captured designs and the object identity.
Nach Abschluss der Lernphase kann das System die Identität der Flaschen auf Basis der erfassten Bilder berechnen. Die in der Lernphase eingesetzten Fluoreszenz-Codes müssen dazu nicht mehr auf den Flaschen vorhanden sein. After completing the learning phase, the system can calculate the identity of the bottles based on the captured images. The fluorescence codes used in the learning phase no longer have to be present on the bottles.
Bei Integration einer Sortiereinheit kann die Sortiereinheit die Flaschen A und B in unterschiedliche Behälter sortieren. If a sorting unit is integrated, the sorting unit can sort bottles A and B into different containers.
Beispiel 3) example 3)
Zwei Sorten Verpackungen A und B, auf welchen sich die Etiketten A und B befinden, sollen über in die Etiketten integrierte Wassermarken identifiziert werden. Ferner sollen die Verpackungen A und B von Verpackung C unterschieden werden können, wobei Verpackung C keine Wassermarke im Etikett enthält. Die Wassermarken werden durch ein Detektionsmodul mit Kamerasystem detektiert. Die Verpackungen und damit Etiketten können mit zufälliger Orientierung in dem Detektionsmodul vorliegen. Ferner können die Etiketten verschmutzt und mechanisch deformiert sein. Diese Faktoren erschweren die automatische Erkennung der Wassermarken. Two types of packaging A and B, on which labels A and B are located, are to be identified via watermarks integrated into the labels. Furthermore, packaging A and B should be able to be distinguished from packaging C, with packaging C not containing a watermark on the label. The water marks are detected by a detection module with a camera system. The packaging and thus the labels can be present in the detection module with a random orientation. Furthermore, the labels can be dirty and mechanically deformed. These factors complicate the automatic detection of the watermarks.
Die Identifikation der Etiketten wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Wassermarke“ werden die Etiketten A und B mit zwei unterschiedlichen Fluoreszenz-Codes a und b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz-Objekttypeigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. Etikett C erhält keinen Fluoreszenz-Code, es enthält somit keine Referenz-Objekttypeigenschaft. The labels are identified using AI technology. Labels A and B are marked with two different fluorescence codes a and b for the autonomous training of the system using the “watermark” object property. The fluorescence codes a and b function as a reference object type property. The fluorescence codes a and b together with the associated object identities A and B are stored in a database. Label C does not receive a fluorescence code, so it does not contain a reference object type property.
Zur Lernphase wird eine Vielzahl Verpackungen mit den Etiketten A, B und C durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekt eigenschaft „Wassermarke“ durch Analyse der Etiketten, die Anwesenheitsprüfung der Referenz-Objekttypeigenschaften Code a und Code b, die Zuweisung der Objektidentität Etikett A zu Etiketten mit Code a, die Zuweisung der Objektidentität Etikett B zu Etiketten mit Code b und die Anpassung des Algorithmus welcher die Wassermarken verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Wassermarken und Herstellung einer Korrelation zwischen den erfassten Wassermarken und der Objektidentität. Auch bei den Etiketten C erfolgt die Analyse der Objekt eigenschaft „Wassermarke“ durch das Detektionsmodul und die Anwesenheitsprüfung der Referenz-Objekttypeigenschaft „Fluoreszenz-Code“. Da die Referenz-Objekttypeigenschaft nicht gefunden wird, erhalten Objekte mit Etikett C die Objektidentität „unbekannt“. Für die Etiketten C erlernt der Algorithmus daher die Korrelation zwischen der Objektidentität „unbekannt“ und Etiketten ohne Wassermarke. During the learning phase, a large number of packages with labels A, B and C are analyzed autonomously by the system. The learning phase includes the analysis of the object property "watermark" by analyzing the labels, the presence check of the reference object type properties code a and code b, the assignment of the object identity label A to labels with code a, the assignment of the object identity label B to labels with code b and adapting the algorithm that processes the watermarks to recognize patterns and regularities in the watermarks and establish a correlation between the detected watermarks and the object identity. In the case of labels C, too, the object property “watermark” is analyzed by the detection module and the presence of the reference object type property “fluorescence code” is checked. Since the reference object type property is not found, objects with label C get the object identity "unknown". For labels C, the algorithm therefore learns the correlation between the object identity “unknown” and labels without a watermark.
Beispiel 4) Example 4)
Zwei Sorten Verpackungen A und B sollen durch aufgebrachte Etiketten mit dort eingebrachten Fluoreszenz-Codes identifiziert werden. Der Fluoreszenz-Code wird durch ein Detektionsmodul mit Spektrometer detektiert. Two types of packaging, A and B, are to be identified by labels with fluorescence codes applied there. The fluorescence code is detected by a detection module with a spectrometer.
Die Identifikation der Verpackungen wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems durch die Objekteigenschaft „Fluoreszenz-Code“ werden die unterschiedlichen Geometrien der Verpackungen A und B als Referenz- Objekttypeigenschaft genutzt. In einer Datenbank werden die Geometrien a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. The packaging is identified using AI technology. The different geometries of packaging A and B are used as a reference object type property for the autonomous training of the system using the "fluorescence code" object property. The geometries a and b are stored in a database together with the associated object identities A and B.
Zur Lernphase wird eine Vielzahl Verpackungen A und B durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaft „Fluoreszenz- Code“ durch Spektrometer- Analyse, die Anwesenheitsprüfung der Referenz- Objekttypeigenschaften Geometrie a und Geometrie b, die Zuweisung der Objektidentität Verpackung A zu Verpackungen mit Geometrie a, die Zuweisung der Objektidentität Verpackung B zu Verpackungen mit Geometrie b und die Anpassung des Algorithmus welcher die Fluoreszenzspektren verarbeitet zur Erkennung von Mustern und Gesetzmäßigkeiten in den Spektren und Herstellung einer Korrelation zwischen den erfassten Spektren und der Objektidentität. During the learning phase, a large number of packages A and B are analyzed autonomously by the system. The learning phase includes the analysis of the object property "fluorescence code" by spectrometer analysis, the presence check of the reference object type properties geometry a and geometry b, the assignment of the object identity packaging A to packaging with geometry a, the assignment of the Object identity packaging B to packaging with geometry b and the adaptation of the algorithm that processes the fluorescence spectra to recognize patterns and regularities in the spectra and establish a correlation between the recorded spectra and the object identity.
Nach Abschluss der Lernphase kann das System die Identität der Verpackungen auf Basis der erfassten Fluoreszenz-Codes berechnen. Die Verpackungen müssen dabei nicht mehr die in der Lernphase eingesetzten Verpackungs-Geometrien aufweisen.After completing the learning phase, the system can calculate the identity of the packaging based on the detected fluorescence codes. The packaging no longer has to have the packaging geometries used in the learning phase.
Bei Integration einer Sortiereinheit kann die Sortiereinheit die Verpackungen A und B in unterschiedliche Behälter sortieren. If a sorting unit is integrated, the sorting unit can sort the packaging A and B into different containers.
Beispiel 5) Example 5)
Verpackungen enthalten einen Lumineszenzmarker im Grundmaterial der Verpackung. Die Verpackungen weisen unterschiedlich starke Verschmutzung auf. Der Einfluss der Verschmutzung auf die Varianz des Emissionsspektrums des Lumineszenzmarkers soll analysiert werden. Packaging contains a luminescent marker in the base material of the packaging. The packaging shows different levels of soiling. The influence of contamination on the variance of the emission spectrum of the luminescence marker is to be analyzed.
Es wird eine Vielzahl Verpackungen durch das System analysiert. Die Analyse der Objekt eigenschaft „Emissionsspektrum“ erfolgt durch Spektrometer- Analyse. Als Ergebnisse werden die Varianzen der Emissionsintensität, Emissionsmaxima (Wellenlängen mit maximaler Emission), und Halb wertsbreiten erhalten. Die erhaltenen Ergebnisse könne nun zur Anpassung der Spektrometer-Sensorik genutzt werden. A large number of packages are analyzed by the system. The object property “emission spectrum” is analyzed by spectrometer analysis. The variances of the emission intensity, emission maxima (wavelengths with maximum emission), and half-widths are obtained as results. The results obtained can now be used to adapt the spectrometer sensors.
Beispiel 6) Example 6)
In einer Sortieranlage kommen vielfältige Detektionsmodule zum Einsatz. Erfasst werden z.B. die elektrische Leitfähigkeit, das IR-Reflexionsspektrum, Wasserzeichen und Fluoreszenz-Codes. Zwei Sorten Objekte A und B sollen identifiziert werden. Die Identifikation der Objekte wird mittels KI-Technologie durchgeführt. Zum autonomen Training des Systems wird Objekt A mit Fluoreszenz-Codes a und Objekt B mit Fluoreszenz-Code b markiert. Die Fluoreszenz-Codes a und b fungieren als Referenz- Eigenschaft. In einer Datenbank werden die Fluoreszenz-Codes a und b zusammen mit den zugehörigen Objektidentitäten A und B hinterlegt. Das Anlernen der KI-Technologie soll im laufenden Betrieb durchgeführt werden. Zur Lernphase werden Objekte A und B unter andere, durch die Sortieranlage transportierte Objekte gemischt. Die Objekte werden durch das System autonom analysiert. Die Lernphase beinhaltet die Analyse der Objekteigenschaften „elektrische Leitfähigkeit“, „IR-Reflexionsspektrum“ und „Wasserzeichen“, die Anwesenheitsprüfung der Referenz-Eigenschaften Code a und Code b, die Zuweisung der Objektidentitäten A zu Objekten mit Fluoreszenz-Code a und B zu Objekten mit Fluoreszenz-Code b, die Anpassung der Algorithmen zur Erkennung von Mustern und Gesetzmäßigkeiten in den analysierten Objekt eigenschaften und die Herstellung einer Korrelation zwischen den erfassten Eigenschaften und der Objektidentität. A variety of detection modules are used in a sorting system. For example, the electrical conductivity, the IR reflection spectrum, watermarks and fluorescence codes are recorded. Two types of objects A and B are to be identified. The objects are identified using AI technology. For the autonomous training of the system, object A is marked with fluorescence code a and object B with fluorescence code b. The fluorescence codes a and b act as a reference property. The fluorescence codes a and b together with the associated object identities A and B are stored in a database. The learning of the AI technology should be carried out during operation. For the learning phase, objects A and B are mixed with other objects transported through the sorting system. The objects are analyzed autonomously by the system. The learning phase includes the analysis of the object properties "electrical conductivity", "IR reflection spectrum" and "watermark", the presence check of the reference properties code a and code b, the assignment of the object identities A to objects with fluorescence code a and B to objects with fluorescence code b, the adaptation of the algorithms for the recognition of patterns and regularities in the analyzed object properties and the creation of a correlation between the detected properties and the object identity.
Nach Abschluss der Lernphase kann das System die Identität der Objekte auf Basis der erfassten Objekteigenschaften „elektrische Leitfähigkeit“, „IR-Reflexionsspektrum“ und „Wasserzeichen“ berechnen und die Objekte A und B sortieren. Die in der Lernphase eingesetzten Fluoreszenz-Codes müssen dazu nicht mehr auf den Objekten vorhanden sein. After completing the learning phase, the system can calculate the identity of the objects based on the detected object properties "electrical conductivity", "IR reflectance spectrum" and "watermark" and sort the objects A and B. The fluorescence codes used in the learning phase no longer have to be present on the objects.
Zum Test des Objektidentifikation und Sortierung wird der Abgleich der erfassten Referenz-Eigenschaften mit den in der Datenbank hinterlegten und mit Objektidentitäten verknüpften Referenz-Eigenschaften deaktiviert. Anschließend wird geprüft, ob die Objekte A und B noch immer korrekt identifiziert und sortiert werden. Ferner können Objekte A und B ohne Fluoreszenz-Codes durch die Sortieranlage verarbeitet und deren Identifikation und Sortierung überprüft werden. To test the object identification and sorting, the comparison of the recorded reference properties with the reference properties stored in the database and linked to object identities is deactivated. It is then checked whether objects A and B are still correctly identified and sorted. Furthermore, objects A and B without fluorescence codes can be processed by the sorting system and their identification and sorting can be checked.

Claims

Ansprüche: Expectations:
1. Verfahren zur Identifikation und/oder Sortierung von Objekten, insbesondere für das Recycling von Materialien, welches die Schritte aufweist: 1. Method for identifying and/or sorting objects, in particular for the recycling of materials, comprising the steps:
Verknüpfen zumindest eines ersten Objekttyps über eine den ersten Objekttyp eindeutig identifizierenden Referenz-Objekttypeigenschaft mit einer Linking at least one first object type to a reference object type property that uniquely identifies the first object type
Obj ekti denti tätsi nform ati o n ; Obj ecti identi ty inform ati o n ;
Durchführen zumindest einer Lernphase zum Anlernen von mindestens einem KI-Algorithmus, wobei die Lernphase das Analysieren zumindest eines die Referenz-Objekttypeigenschaft aufweisenden Objekts auf eine Objekteigenschaft umfasst; Carrying out at least one learning phase for training at least one AI algorithm, the learning phase comprising analyzing at least one object having the reference object type property for an object property;
Herstellen einer Korrelation zwischen der Objektidentitätsinformation und der zumindest einen Objekteigenschaft, wobei die Korrelation das Zuordnen des zumindest einen analysierten Objekts zum ersten Objekttyp umfasst; Analysieren zumindest eines Objekts auf zumindest eine Objekteigenschaft und Berechnen einer Objektidentität des Objekts zum ersten Objekttyp mittels dem zumindest einen KI-Algorithmus. Establishing a correlation between the object identity information and the at least one object property, the correlation comprising assigning the at least one analyzed object to the first object type; Analyzing at least one object for at least one object property and calculating an object identity of the object for the first object type using the at least one AI algorithm.
2. Verfahren nach Anspruch l, wobei die Referenz-Objekttypeigenschaft ein Fluoreszenz-Code ist. 2. The method according to claim 1, wherein the reference object type property is a fluorescence code.
3. Verfahren nach Anspruch l oder 2, wobei die Referenz-Objekttypeigenschaft RFA (Röntgenfluoreszenzanalyse)-Codes und/oder magnetische Codes und/oder Partikel-Codes und/oder elektronische Daten und/oder Wasserzeichen und/oder Bar-Codes und/oder QR-Codes und/oder Symbole und/ oder Artikelnummern und/ oder Designelemente und/ oder native Objekteigenschaften, wie beispielsweise die chemische3. The method according to claim l or 2, wherein the reference object type property RFA (X-ray fluorescence analysis) codes and / or magnetic codes and / or particle codes and / or electronic data and / or watermarks and / or bar codes and / or QR -Codes and/or symbols and/or item numbers and/or design elements and/or native object properties, such as chemical
Materialzusammensetzung, und/oder die Farbe und/oder die Form und/oder die Größe und/oder die Oberflächenstruktur des zumindest einen analysierten Objekts umfasst. Material composition, and/or the color and/or the shape and/or the size and/or the surface structure of the at least one analyzed object.
4. Verfahren nach einem der Ansprüche 1 bis 3, ferner umfassend die Übertragung von durch zumindest zwei unterschiedliche KI-Algorithmen berechnete Einzel- Objektidentitäten an einen Abstimmungsalgorithmus zur Berechnung einer kombinierten Objektidentität. 4. The method according to any one of claims 1 to 3, further comprising the transmission of individual object identities calculated by at least two different AI algorithms to a matching algorithm for calculating a combined object identity.
5. Verfahren nach einem der Ansprüche 1-4, ferner umfassend die Sortierung der Objekte entsprechend der berechneten Objektidentität bzw. kombinierten Objektidentität. 5. The method according to any one of claims 1-4, further comprising the sorting of the objects according to the calculated object identity or combined object identity.
6. Verfahren nach einem der vorangehenden Ansprüche, bei dem nach Abschluss der Lernphase keine weitere Lernphase mehr durchgeführt wird. 6. The method as claimed in one of the preceding claims, in which no further learning phase is carried out after the learning phase has ended.
7. Verfahren nach einem der vorangehenden Ansprüche 1 bis 6, wobei die Berechnung der Objektidentität unter Analyse einer Referenz- Objekttypeigenschaft nach Abschluss der Lernphase erfolgt. 7. The method according to any one of the preceding claims 1 to 6, wherein the object identity is calculated by analyzing a reference object type property after the learning phase has ended.
8. Verfahren nach einem der vorangehenden Ansprüche, wobei für die Lernphase zumindest ein Referenz-Objekt mit mindestens einer Referenz- Objekttypeigenschaft zur Verfügung gestellt wird. 8. The method according to any one of the preceding claims, wherein at least one reference object with at least one reference object type property is made available for the learning phase.
9. Verfahren zum Anlernen von mindestens einem KI-Algorithmus für das Recycling von Materialien, welches die Schritte aufweist 9. Method for training at least one AI algorithm for recycling materials, comprising the steps
Bestimmen mindestens einer Objekt eigenschaft eines ersten Objekttyps als Referenz-Objekttypeigenschaft für eine Lernphase; determining at least one object property of a first object type as a reference object type property for a learning phase;
Analysieren von Objekteigenschaften zumindest eines Objekts, wobei das zumindest eine Objekt auf die Anwesenheit der mindestens einen Referenz- Objekttypeigenschaft überprüft wird; Analyzing object properties of at least one object, the at least one object being checked for the presence of the at least one reference object type property;
Berechnen einer Objektidentität des mindestens einen Objekts zum ersten Objekttyp anhand zumindest einer Objekteigenschaft; calculating an object identity of the at least one object for the first object type based on at least one object property;
Anlernen von zumindest einem KI-Algorithmus mittels der zumindest einen Objekt eigenschaft, wobei eine Korrelation zwischen der zumindest einen analysierten Objekt eigenschaft und der Objektidentität hergestellt wird. Training of at least one AI algorithm using the at least one object property, with a correlation being established between the at least one analyzed object property and the object identity.
10. System zur Identifikation und/oder Sortierung von Objekten für das Recycling von Materialien, welches umfasst: ein Detektionssystem mit zumindest einem Detektionsmodul, wobei das zumindest eine Detektionsmodul zum Analysieren von Objekteigenschaften von Objekten ausgebildet ist; ein Computersystem, wobei das Computersystem zum Verarbeiten der analysierten Objekt eigenschaften ausgebildet ist, um Objektidentitäten der analysierten Objekte zu berechnen, wobei das Computersystem ein System zur Speicherung, Ausführung und zum Training von ein oder mehreren KI-Algorithmen beinhaltet, wobei das Training der KI-Algorithmen anhand ein oder mehrerer Objekt eigenschaften erfolgt; wobei die KI-Algorithmen dazu eingerichtet sind, für analysierte Objekte eine Objektidentität zu berechnen. 10. System for identifying and/or sorting objects for the recycling of materials, which comprises: a detection system with at least one detection module, wherein the at least one detection module is designed to analyze object properties of objects; a computer system, wherein the computer system is designed to process the analyzed object properties in order to calculate object identities of the analyzed objects, wherein the computer system includes a system for storing, executing and training one or more AI algorithms, wherein the AI algorithms are trained on the basis of one or more object properties; wherein the AI algorithms are set up to calculate an object identity for analyzed objects.
11. System nach Anspruch io, wobei das Computersystem einen Abstimmungsalgorithmus enthält, welcher zum Kombinieren der von allen Algorithmen berechneten Objektidentitäten eingerichtet ist, um eine kombinierte Objektidentität zu berechnen. 11. The system of claim 10, wherein the computer system includes a matching algorithm configured to combine the object identities computed by all of the algorithms to compute a combined object identity.
12. System nach Anspruch n, wobei der Abstimmungsalgorithmus zum Vornehmen einer Gewichtung der von allen Algorithmen berechneten Objektidentitäten eingerichtet ist. 12. The system of claim 1, wherein the voting algorithm is configured to weight the object identities computed by all of the algorithms.
13. System nach einem der Ansprüche 11 bis 12, welches ferner eine Sortiervorrichtung umfasste, welche zum Sortieren der Objekte entsprechend der durch das Computersystem berechneten Objektidentität eingerichtet ist. 13. System according to any one of claims 11 to 12, further comprising a sorting device arranged to sort the objects according to the object identity calculated by the computer system.
14. System nach einem der Ansprüche 11 bis 13, wobei die Analyse der Objekteigenschaften die Prüfung einer Referenz-Objekttypeigenschaft umfasst. 14. System according to any one of claims 11 to 13, wherein the analysis of the object properties comprises the examination of a reference object type property.
EP22717721.9A 2021-03-22 2022-03-22 System and method for identification and/or sorting of objects Pending EP4315271A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021107079 2021-03-22
PCT/DE2022/100220 WO2022199758A1 (en) 2021-03-22 2022-03-22 System and method for identification and/or sorting of objects

Publications (1)

Publication Number Publication Date
EP4315271A1 true EP4315271A1 (en) 2024-02-07

Family

ID=81346266

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22717721.9A Pending EP4315271A1 (en) 2021-03-22 2022-03-22 System and method for identification and/or sorting of objects

Country Status (3)

Country Link
US (1) US20240157402A1 (en)
EP (1) EP4315271A1 (en)
WO (1) WO2022199758A1 (en)

Also Published As

Publication number Publication date
US20240157402A1 (en) 2024-05-16
WO2022199758A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
EP4034308B1 (en) Sorting method
EP0696236B1 (en) Process and device for sorting materials
Tehrani et al. A novel integration of hyper-spectral imaging and neural networks to process waste electrical and electronic plastics
DE102008028120B4 (en) Method and device for sorting textiles
EP3746992B1 (en) Method for checking the authenticity and/or integrity of a security document having a printed security feature, security feature and arrangement for verification
WO2017148550A1 (en) Method for making a description of a piece of luggage and luggage description system
EP3071340B1 (en) Method and appartus for sorting objects
EP0602464B1 (en) Method and apparatus for recognizing objects
WO2018196921A1 (en) Method for identifying deposit material
EP4315271A1 (en) System and method for identification and/or sorting of objects
EP4139106B1 (en) Method and device for sorting plastic objects
EP1421999A2 (en) Process for identification, classification and sorting of objects and materials and according recognition system
DE10049404C2 (en) Plastic, glass, textile or paper-containing material provided with an NIR marker and method for identifying this material
DE4330815A1 (en) Marking of packs for the purpose of easy sorting
DE102007036621A1 (en) Bottle e.g. beverage bottle, testing method for use in beverage industry, involves analyzing bottle image by image sensor and image processing system, and using self-luminous image for detecting preselected characteristics of bottle
EP4139662A1 (en) Method and system for producing a plastic material
EP1533045A1 (en) Process and device for improved sorting of waste based on wood or wood fibre products
DE102017109496B4 (en) Product detection apparatus
DE102004051938A1 (en) Method and device for checking the loading of a transport device with objects
DE102021119662A1 (en) Container made of recyclable plastic and method and device for taking back such a container
DE102019127894B4 (en) PRODUCT IDENTIFICATION SYSTEM AND PROCEDURES FOR IDENTIFICATION OF A PRODUCT
EP2283937B1 (en) Method and device for transporting objects to destinations depending on pattern images
DE10315739A1 (en) Automatic identification of exchangeable system components in a measurement system, e.g. biometric systems, by optoelectronic imaging of the labeled components and then analysis of the resultant images using fuzzy logic

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

TPAC Observations filed by third parties

Free format text: ORIGINAL CODE: EPIDOSNTIPA

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230911

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR