RU2782408C1 - Automated complex for sorting used containers - Google Patents

Abstract

FIELD: waste treatment.

SUBSTANCE: invention relates to the field of automated sorting of municipal solid waste, in particular used containers made of plastic, metal and glass. The automated complex for sorting used containers includes a transport conveyor belt equipped with a recognition system based on neural networks, a control unit and a sorting unit. The automated system for sorting used containers additionally includes a system for pre-sorting containers by specified classes, placed in front of the recognition system. The neural networks of the recognition system are trained to recognize the specified features of the classes of the accepted containers. The control unit is connected to the recognition modules of both systems and is designed with the ability to make decisions on sorting and separating containers. The sorting unit contains receptacles with two compartments and is designed with the possibility of dividing the container flow into two by means of pneumatic nozzles.

EFFECT: productivity of the complex and the quality of sorting are improved, as well as the functionality is expanded.

2 cl, 1 dwg

Description

Изобретение относится к области автоматизированной сортировки твердых коммунальных отходов, в частности использованной тары из пластика, металла и стекла.The invention relates to the field of automated sorting of municipal solid waste, in particular used containers made of plastic, metal and glass.

Известно устройство, способное идентифицировать изображения отходов, на основе сверточной нейронной сети (KR 101942219, опубл. 24.01.2019 г.), которое содержит блок приема начального изображения отходов, блок идентификации, который идентифицирует полученные изображения в соответствии с интересуемой областью и модуль детектирования, который определяет тип отходов, вычисляя их характеристики.A device is known that is capable of identifying waste images based on a convolutional neural network (KR 101942219, published on January 24, 2019), which contains an initial waste image receiving unit, an identification unit that identifies the received images in accordance with the area of interest, and a detection module, which determines the type of waste by calculating its characteristics.

Основным недостатком известного устройство является то, что модуль детектирования объектов основан на анализе первой карты признаков путем применения «скользящего» окна заданного размера и определения наличия или отсутствия объекта в этом окне, что не позволяет достичь скорости обработки не выше 0,5 кадра в секунду и в целом ограничивает производительность всего сортировочного комплекса.The main disadvantage of the known device is that the object detection module is based on the analysis of the first feature map by applying a "sliding" window of a given size and determining the presence or absence of an object in this window, which does not allow to achieve a processing speed of no more than 0.5 frames per second and generally limits the performance of the entire sorting complex.

Известно устройство для сортировки мусора, включающее захват сортируемых предметов с конвейера, размещенными вдоль него роботами с манипуляторами, с захватными органами в виде руки. Рука робота оборудована тактильными сенсорами, сигнализирующими о надежности захвата сортируемого предмета. Робот оснащен системой для распознавания мусорных предметов, состоящей из обычных и лазерных сканеров, спектрометров, лазерных 3D-сканнеров и различных детекторов, управляемых программным обеспечением робота. Системой распознавания определяются: величина, форма и цвет предмета, его вещественный состав, физические свойства. (RU 2624288, опубл. 03.07.2017 г.).A device for sorting garbage is known, including the capture of sorted items from the conveyor, placed along it by robots with manipulators, with gripping bodies in the form of a hand. The robot arm is equipped with tactile sensors that indicate the reliability of the capture of the sorted item. The robot is equipped with a system for recognizing garbage objects, consisting of conventional and laser scanners, spectrometers, 3D laser scanners and various detectors controlled by the robot's software. The recognition system determines: the size, shape and color of the object, its material composition, physical properties. (RU 2624288, published on July 3, 2017).

Манипуляторы, размещенные вдоль конвейера, захватывают предметы с конвейера и анализируют его: лазерными сканерами определяют его 3D-модель, его размеры, спектрометрами - вещественный состав, детекторами - физические свойства. Эти данные посредством программного обеспечения робота сравниваются с данными, образ которых заложен в его памяти. Опознанные предметы укладываются в соответствующие контейнера, остальные направляются в отходы.Manipulators placed along the conveyor capture objects from the conveyor and analyze it: laser scanners determine its 3D model, its dimensions, spectrometers - material composition, detectors - physical properties. These data are compared by the robot's software with the data, the image of which is stored in its memory. Identified items are placed in the appropriate containers, the rest are sent to waste.

Однако известное устройство имеет существенный недостаток, заключающийся в том, что его производительность напрямую связана с числом роботов, каждый из которых оснащен дорогостоящей системой распознавания предметов в виде различных сканеров, блоков памяти и программного управления, детекторов и спектрометров.However, the known device has a significant drawback in that its performance is directly related to the number of robots, each of which is equipped with an expensive object recognition system in the form of various scanners, memory and program control units, detectors and spectrometers.

Наиболее близким к заявляемому является роботизированный автоматический комплекс по сортировке твердых коммунальных отходов на основе нейронных сетей (RU 2731052, опубл. 09.09.2020 г.). Роботизированный комплекс включает систему машинного зрения с цифровой камерой и компьютером c программным обеспечением на основе сверточной нейронной сети, ленточный конвейер, робот с системой захвата и перемещения. Блок оптических сенсоров установлен над лентой конвейера за областью распознавания объектов цифровой камерой и включает излучатели и камеры-регистраторы и автоматизированную систему управления. Центральный сервер автоматизированной системы управления соединен по локальной линии связи с компьютером системы машинного зрения, модулем синхронизации, контроллером робота, датчиком измерения скорости движения конвейерной ленты. Модуль синхронизации автоматизированной системы управления соединен по локальной линии связи с камерой системы машинного зрения, блоком оптических сенсоров и центральным сервером.Closest to the claimed is a robotic automatic complex for sorting municipal solid waste based on neural networks (RU 2731052, publ. 09/09/2020). The robotic complex includes a machine vision system with a digital camera and a computer with software based on a convolutional neural network, a conveyor belt, a robot with a gripping and moving system. The block of optical sensors is installed above the conveyor belt behind the object recognition area with a digital camera and includes emitters and recording cameras and an automated control system. The central server of the automated control system is connected via a local communication line with the computer of the machine vision system, the synchronization module, the robot controller, the sensor for measuring the speed of the conveyor belt. The synchronization module of the automated control system is connected via a local communication line to the camera of the machine vision system, the block of optical sensors and the central server.

Известный комплекс осуществляет последовательно два этапа обработки информации и сортировки. На первом этапе осуществляется обработка информации, поступающей с нескольких фото/видеокамер для выделения «области интереса» при помощи нейронных сетей, на втором этапе - данные оптических сенсоров, работающих в ИК-, УФ-диапазонах для классификации сырья по определенному типу. Заявлено, что в среднем вероятность правильного распознавания объектов на первом этапе достигает 82.21%, а анализ материала оптическими методами в различных диапазонах обеспечивает практически безошибочную классификацию. The well-known complex performs sequentially two stages of information processing and sorting. At the first stage, the processing of information coming from several photo / video cameras is carried out to select the "region of interest" using neural networks, at the second stage - data from optical sensors operating in the IR, UV ranges to classify raw materials by a certain type. It is stated that, on average, the probability of correct recognition of objects at the first stage reaches 82.21%, and the analysis of the material by optical methods in various ranges provides an almost error-free classification.

Очевидно, что нейронные сети используются для «грубой» классификации предметов и определения области интереса (англ. Region of Interest, ROI) для следующего этапа сортировки. Данные по быстродействию нейронной сети, используемой в изобретении на первом этапе, не приводятся, но декларируется увеличение быстродействия всей системы до нескольких раз, в сравнении с прочими системами, использующими нейронные сети, что довольно спорно без указания конфигурации тестовой системы.Obviously, neural networks are used to “roughly” classify objects and determine the region of interest (eng. Region of Interest, ROI) for the next stage of sorting. Data on the speed of the neural network used in the invention at the first stage are not given, but an increase in the speed of the entire system up to several times is declared, in comparison with other systems using neural networks, which is quite controversial without specifying the configuration of the test system.

Недостатками известного комплекса являются низкие производительность и качество сортировки из-за технических ограничений сенсоров, применяемых на втором этапе сортировки, а также невозможность интегрирования его в существующие функционирующие сортировочные конвейерные устройства, осуществляющие «грубую» сортировку использованной тары, т.к известный комплекс является полноценным устройством с единым центральным управлением процессом сортировки твердых бытовых отходов.The disadvantages of the known complex are low productivity and sorting quality due to the technical limitations of the sensors used at the second stage of sorting, as well as the impossibility of integrating it into existing functioning sorting conveyor devices that carry out "rough" sorting of used containers, because the well-known complex is a complete device with a unified central management of the process of sorting municipal solid waste.

Технический результат заключается в повышении производительности комплекса и качества сортировки за счет использования как высокоуровневых, так и низкоуровневых принципов управления, а также в расширении функциональных возможностей путем модификации существующих функционирующих сортировочных устройств.The technical result consists in increasing the productivity of the complex and the quality of sorting through the use of both high-level and low-level control principles, as well as expanding functionality by modifying existing functioning sorting devices.

Технический результат достигается тем, что автоматизированный комплекс по сортировке использованной тары, включающий транспортный ленточный конвейер, снабженный системой распознавания на основе нейронных сетей, управляющий блок и сортировочный узел, согласно изобретению, дополнительно включает систему предварительной сортировки тары по заданным классам, размещенную перед системой распознавания, нейронные сети системы распознавания обучены на распознавание заданных признаков классов принимаемой тары, а управляющий блок связан с модулями распознавания обеих систем и выполнен с возможностью принятия решений по сортировке и разделению тары, при этом сортировочный узел содержит контейнеры с двумя отсеками и выполнен с возможностью разделения потока тары на два. The technical result is achieved by the fact that the automated complex for sorting used containers, including a transport belt conveyor equipped with a recognition system based on neural networks, a control unit and a sorting unit, according to the invention, additionally includes a system for pre-sorting containers according to specified classes, placed in front of the recognition system, the neural networks of the recognition system are trained to recognize the given features of the classes of received containers, and the control unit is connected to the recognition modules of both systems and is configured to make decisions on sorting and separating containers, while the sorting unit contains containers with two compartments and is configured to separate the container flow for two.

В отличии от прототипа заявляемый автоматизированный комплекс дополнительно включает систему предварительной «грубой» сортировки тары по заданным классам, которую размещают перед системой распознавания. Использование системы распознавания после «грубой» сортировки позволяет сортировать материалы по типам и цветам, т.к. при сортировке пластиковой тары важно не смешивать пластик разных видов и цветов при утилизации.Unlike the prototype, the claimed automated complex additionally includes a system for preliminary "rough" sorting of containers according to specified classes, which is placed in front of the recognition system. Using the recognition system after "rough" sorting allows you to sort materials by types and colors, because when sorting plastic containers, it is important not to mix plastic of different types and colors during disposal.

Система предварительной, т.е. «грубой» сортировки тары включает модули (оптические сенсоры и датчики), которые позволяют обнаружить объект и выделить «области интереса» (контура объекта, англ. Rigion of Interest, ROI) с помощью быстрых алгоритмов машинного зрения. Преимущество заключается в сокращении затрат вычислительных ресурсов на этапе «грубой» сортировки.Preliminary system, i.e. "Coarse" sorting of containers includes modules (optical sensors and transducers) that allow you to detect an object and select "areas of interest" (object outline, English Rigion of Interest, ROI) using fast machine vision algorithms. The advantage is to reduce the cost of computing resources at the stage of "coarse" sorting.

Модули системы предварительной сортировки могут включать общепринятые датчики, одна или несколько фото- и видеокамер, датчики веса, различные виды мультиспектральных сенсоров, сенсоров ближнего (NIR) и дальнего (FIR) инфракрасного диапазона, лазерно-спектроскопические (LIBS), рентгено-флуоресцентные сенсоры, сканеры штрих-кода и QR-кода и др. Выбор зависит от поставленных задач и особенностей сортируемых фракций.The modules of the pre-sorting system may include conventional sensors, one or more photo and video cameras, weight sensors, various types of multispectral sensors, near infrared (NIR) and far infrared (FIR) sensors, laser spectroscopy (LIBS), X-ray fluorescence sensors, barcode and QR code scanners, etc. The choice depends on the tasks and features of the sorted fractions.

Системой «точной» сортировки служит система распознавания, включающая один или несколько блоков нейронных сетей с промежуточным принятием решений. Нейронные сети могут быть идентичными, работающими в параллельной конфигурации, либо различными, использующими разные модели. Система распознавания может быть подготовлена к сортировке двух, трех и большего количества классов полезной фракции, увеличивая количество подготовленных нейронных сетей, т.к. нейронные сети натренированы не только на определение областей интереса, но и на определение формы объекта. Для повышения производительности разные классы полезной фракции, разделенные системой предварительной сортировки, могут подаваться для точного поиска по индивидуальным линиям.The "exact" sorting system is a recognition system that includes one or more blocks of neural networks with intermediate decision making. Neural networks can be identical, operating in a parallel configuration, or different, using different models. The recognition system can be prepared to sort two, three or more useful fraction classes by increasing the number of trained neural networks, since neural networks are trained not only to determine areas of interest, but also to determine the shape of an object. To increase productivity, different classes of usable fraction, separated by a pre-sorting system, can be fed for precise retrieval of individual lines.

Управляющий блок связан с модулями распознавания обоих систем (система предварительной сортировки и система распознавания) и выполнен с возможностью принятия решений по сортировке и сепарации (разделению) тары. Управляющий блок связан с исполнительными механизмами, передавая им координаты и тип объекта. Точность решений управляющего блока повышается в случае обработки им результатов распознавания несколькими нейронными сетями, объединенными в одном модуле.The control unit is connected to the recognition modules of both systems (pre-sorting system and recognition system) and is configured to make decisions on sorting and separation (separation) of containers. The control block is connected with the actuators, passing them the coordinates and type of the object. The accuracy of the decisions of the control block increases if it processes the recognition results by several neural networks combined in one module.

Важно, что нейронные сети натренированы не только на определение областей интереса и классов принимаемой тары, но и на определение таких признаков, как форма объекта, в том числе - характерные недеформируемые фрагменты тары.It is important that neural networks are trained not only to determine areas of interest and classes of accepted containers, but also to determine such features as the shape of an object, including characteristic non-deformable container fragments.

Примером может быть связка из двух нейронных сетей – одной, обученной для распознавания всей принимаемой тары по форме (отличает форму пластиковой бутылки от формы остальных объектов), и второй, обученной для распознавания характерных фрагментов тары, которые не деформируются, даже если сама тара смята (для пластиковой бутылки данным фрагментом является горловина). Решение выносится одновременно двумя нейронными сетями и учитывается комплексно, применяя весовые коэффициенты к полученным вердиктам. Т.к. одна из сетей может ошибиться, то более достоверный ответ другой сети позволит все равно вынести правильное решение.An example can be a bunch of two neural networks - one trained to recognize the entire accepted container by shape (distinguishes the shape of a plastic bottle from the shape of other objects), and the second trained to recognize characteristic container fragments that do not deform even if the container itself is crumpled ( for a plastic bottle, this fragment is the neck). The decision is made simultaneously by two neural networks and is taken into account in a complex way, applying weight coefficients to the received verdicts. Because one of the networks may make a mistake, then a more reliable answer from the other network will still make the correct decision.

Разработанная авторами изобретения нейронная сеть позволяет достигать точности распознавания пластиковой и алюминиевой тары на уровне 95% даже для деформированной и загрязненной тары. Это достигается посредствам применения технологии сверточных нейронных сетей (CNN) и обучения на специально подготовленных наборах изображений, включающих в себя изображения, получаемые камерами (в кадре находится объект, принадлежащий одной из групп – пластиковая тара (независимо от степени повреждения и загрязнения), алюминиевая тара (независимо от степени повреждения и загрязнения), прочие объекты. Условия съемки максимально приближены к условиям штатной работы, а изображения, получаемые из изображений предшествующей категории, обработаны специальными фильтрами (искажение цветовой гаммы, поворот изображения на произвольный угол, искажение пропорций изображения, добавление искусственного информационного шума и др.).The neural network developed by the inventors makes it possible to achieve an accuracy of recognition of plastic and aluminum containers at the level of 95% even for deformed and contaminated containers. This is achieved through the use of convolutional neural networks (CNN) technology and training on specially prepared sets of images, including images obtained by cameras (there is an object in the frame that belongs to one of the groups - plastic containers (regardless of the degree of damage and contamination), aluminum containers (regardless of the degree of damage and pollution), other objects.The shooting conditions are as close as possible to the conditions of normal operation, and the images obtained from the images of the previous category are processed with special filters (distortion of the color gamut, rotation of the image by an arbitrary angle, distortion of image proportions, addition of artificial information noise, etc.).

Обучение проводится поэтапно с фиксацией промежуточных результатов для возможности выбора варианта с наилучшим качеством распознавания. Нейронная сеть была заново обучена. База фотографий содержала 1700 изображений бутылок и банок, сделанных в разрабатываемом аппарате по сортировке твердых коммунальных отходов. База изображений была разделена по материалу предмета и категории, что в общей сложности составила пять классов. Вся база фотографий была поделена на обучающую и тестовую выборки в соотношении 80/20. Для обучения использовалось облачное вычисление Cloud TPU и фреймворк TensorFlow.The training is carried out in stages with the fixation of intermediate results in order to be able to choose the option with the best quality of recognition. The neural network has been retrained. The database of photographs contained 1700 images of bottles and cans made in the developed apparatus for sorting municipal solid waste. The image database was divided by subject material and category, making a total of five classes. The entire database of photographs was divided into training and test sets in a ratio of 80/20. For training, Cloud TPU cloud computing and the TensorFlow framework were used.

Для оптимизации нейронной сети использовали оптимизатор Adam и циклическое обучение. В ходе тестирования была настроена нейронная сеть, способная идентифицировать тару по 3 классам – «бутылка ПЭТФ», «алюминиевая банка», «другое». Нейронная сеть на тестовой выборке достигла точности 97 %. (Ахметзянов К.Р., Тур А.И., Кокоулин, А.Н., Южаков А.А. Оптимизация вычислений нейронной сети // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2020. № 36, стр. 120-121; Тур А.И., Кокоулин А.Н., Дзыгарь А.В. Иерархическая система поиска и распознавания штрихкода на поврежденной таре в автомате раздельного сбора отходов // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления, 2019, No 29, стр. 46).The Adam optimizer and loop learning were used to optimize the neural network. During testing, a neural network was set up that can identify containers by 3 classes - “PET bottle”, “aluminum can”, “other”. The neural network on the test set achieved an accuracy of 97%. (Akhmetzyanov K.R., Tur A.I., Kokoulin, A.N., Yuzhakov A.A. Optimization of neural network computing // Bulletin of the Perm National Research Polytechnic University. Electrical Engineering, Information Technology, Control Systems. 2020. No. 36 , pp. 120-121; Tur A.I., Kokoulin A.N., Dzygar A.V. A hierarchical system for searching and recognizing a barcode on a damaged container in a separate waste collection machine // Bulletin of the Perm National Research Polytechnic University. technologies, control systems, 2019, No 29, p. 46).

Методы, рассматриваемые в прототипе, имеют схожую идею, но в описанном концепте не могут быть использованы при модифицировании существующих и функционирующих устройствах сортировки твердых отходов. А предлагаемый комплекс может быть интегрирован в уже существующие и функционирующие конвейерные линии, т.к. система распознавания (точная сортировка) может быть включена параллельно системе «грубой» сортировке для повышения быстродействия и производительности устройств сортировки за счет использования как высокоуровневых, так и низкоуровневых принципов управления.The methods considered in the prototype have a similar idea, but in the described concept they cannot be used when modifying existing and functioning solid waste sorting devices. And the proposed complex can be integrated into existing and functioning conveyor lines, because. the recognition system (fine sorting) can be included in parallel with the "coarse" sorting system to increase the speed and performance of sorting devices through the use of both high-level and low-level control principles.

В случае реализации такого модифицирования функционирующий конвейер будет дополнен такими элементами, как: минимум одна транспортная лента, система как минимум с одним исполнительным механизмом сортировки (манипуляторы/пневматические системы и прочее), система точного поиска, дополнительные конструкционные элементы (ящики для сбора фракции, дозаторы, направляющие для формирования потока на ленте и прочее). Управление может осуществляться с помощью уже имеющегося на линии компьютера, либо с помощью дополнительного, обрабатывающего поступающие данные и подающего управляющие команды исполнительным механизмам.If such a modification is implemented, the functioning conveyor will be supplemented with such elements as: at least one conveyor belt, a system with at least one sorting actuator (manipulators / pneumatic systems, etc.), an accurate search system, additional structural elements (boxes for collecting fractions, dispensers , guides for forming the flow on the tape, etc.). Control can be carried out with the help of a computer already available on the line, or with the help of an additional computer that processes incoming data and sends control commands to actuators.

Согласно п.2 формулы сортировочный узел выполнен с возможностью разделения потока тары на два, один из которых попадает в первый отсек контейнера, второй – во второй отсек. Траектория перемещения каждого потока регулируется с помощью пневматических форсунок, управляющие команды на которые подает управляющий блок.According to claim 2 of the formula, the sorting unit is made with the possibility of dividing the flow of containers into two, one of which enters the first compartment of the container, the second - into the second compartment. The trajectory of movement of each stream is regulated by means of pneumatic nozzles, the control commands to which are given by the control unit.

Согласно п.3 формулы заданным признаком класса использованной тары может служить ее недеформируемый фрагмент, например, горловина пластмассой бутылки, что способствует повышению точности распознавания объекта при его сортировке.According to claim 3 of the formula, its non-deformable fragment, for example, the neck of a plastic bottle, can serve as a given sign of the used container class, which helps to increase the accuracy of object recognition when sorting it.

На чертеже схематичного изображено заявляемое устройство, где:The schematic drawing shows the claimed device, where:

1 - загрузочный контейнер;1 - loading container;

2 - лента первого транспортного конвейера;2 - tape of the first transport conveyor;

3 - система предварительной сортировки;3 - pre-sorting system;

4 - первый контейнер сортировочного узла;4 - the first container of the sorting unit;

5 - пневматическая система форсунок;5 - pneumatic system of nozzles;

6 - открытый отсек первого контейнера 4;6 - open compartment of the first container 4;

7 - закрытый отсек первого контейнера 4;7 - closed compartment of the first container 4;

8 - второй транспортный конвейер;8 - second transport conveyor;

9 - система распознавания;9 - recognition system;

10 - сортировочный узел;10 - sorting unit;

11, 12 - отсеки второго контейнера сортировочного узла;11, 12 - compartments of the second container of the sorting unit;

13 - управляющий блок.13 - control block.

Заявляемое устройство работает следующим образом.The claimed device works as follows.

Из загрузочного контейнера 1 на ленту первого транспортного конвейера 2 поступает несортированная тара. Модули системы предварительной «грубой» сортировки 3 с помощью фото- или видеокамер и/или приборов спектроскопического анализа определяют местоположение объектов по заданным классам, например, пластиковых бутылок, на ленте первого транспортного конвейера 2 и передают информацию на управляющий блок 13. Лента 2 перемещает тару к пневматической системе форсунок 5 сортировочного узла 4. По сигналам, поступающим с управляющего блока 13, система форсунок 5 сортировочного узла разделяет поток тары на два потока с разной траекторией полета.From the loading container 1, unsorted containers enter the belt of the first transport conveyor 2. The modules of the preliminary "rough" sorting system 3, using photo or video cameras and/or spectroscopic analysis devices, determine the location of objects according to given classes, for example, plastic bottles, on the tape of the first transport conveyor 2 and transmit information to the control unit 13. Tape 2 moves the container to the pneumatic system of injectors 5 of the sorting unit 4. According to the signals coming from the control unit 13, the injector system 5 of the sorting unit divides the tare stream into two streams with different flight paths.

Нужная фракция попадает в открытый отсек 6 первого контейнера 4, остальная фракций – в закрытый отсек 7 первого контейнера 4. Через дозатор открытого отсека первого контейнера 4 нужная фракция выгружается на ленту второго транспортного конвейера 8.The desired fraction enters the open compartment 6 of the first container 4, the rest of the fractions into the closed compartment 7 of the first container 4. Through the dispenser of the open compartment of the first container 4, the desired fraction is unloaded onto the belt of the second transport conveyor 8.

Двигаясь по ленте вдоль конвейера 8 отобранная тара проходит через модули системы распознавания 9, основанной на нейронных сетях, которая обменивается сигналами с управляющим блоком 13. Далее тара перемещается на сортировочный узел 10, где осуществляется окончательная сортировка, во время которой отобранная тара попадает в отсек 11, а остальная, не удовлетворяющая критериям сортировки, попадает в отсек 12. Траекторию потоков задает пневматическая система форсунок 5 по сигналам, поступающим с управляющего блока 13. Далее выполняются действия согласно технологическому процессу утилизации.Moving along the belt along the conveyor 8, the selected container passes through the modules of the recognition system 9 based on neural networks, which exchanges signals with the control unit 13. Then the container moves to the sorting unit 10, where the final sorting is carried out, during which the selected container enters compartment 11 , and the rest, which does not meet the sorting criteria, enters compartment 12. The trajectory of the flows is set by the pneumatic system of injectors 5 according to signals from the control unit 13. Next, actions are performed according to the recycling process.

Для увеличения пропускной способности устройства и/или количества классов отбираемых объектов может быть увеличено число транспортных конвейеров, систем распознавания и дополнительных компонентов, обеспечивающих осуществление процесса сортировки.To increase the throughput of the device and / or the number of classes of selected objects, the number of transport pipelines, recognition systems and additional components that ensure the sorting process can be increased.

При модифицировании существующей линии сортировки, уже включающей в себя контейнеры, транспортные конвейеры и механизмы разделения потоков, будет применяться следующая схема. Управляющий блок 13 интегрируется в технический процесс уже имеющегося блока управления или целиком его заменяет. Системы 3 и 9 устанавливают последовательно друг за другом, если система оснащена только одним транспортным конвейером. В этом случае существует необходимость прохождения сортируемой тары через системы дважды (сначала «грубая», а затем «точная» сортировка). В остальном процесс сортировки соответствует описанному выше. В противном случае системы 3 и 9 устанавливают на разных транспортных конвейерах.When modifying an existing sorting line, which already includes containers, transport conveyors and stream separation mechanisms, the following scheme will be applied. The control unit 13 is integrated into the technical process of an existing control unit or completely replaces it. Systems 3 and 9 are installed in series one after the other if the system is equipped with only one transport conveyor. In this case, there is a need to pass the sorted containers through the systems twice (first "coarse" and then "fine" sorting). The rest of the sorting process is the same as described above. Otherwise, systems 3 and 9 are installed on different transport conveyors.

Claims (2)

1. Автоматизированный комплекс по сортировке использованной тары, включающий транспортный ленточный конвейер, снабженный системой распознавания на основе нейронных сетей, управляющий блок и сортировочный узел, отличающийся тем, что дополнительно включает систему предварительной сортировки тары по заданным классам, размещенную перед системой распознавания, нейронные сети системы распознавания обучены на распознавание заданных признаков классов принимаемой тары, а управляющий блок связан с модулями распознавания обеих систем и выполнен с возможностью принятия решений по сортировке и разделению тары, при этом сортировочный узел содержит контейнеры с двумя отсеками и выполнен с возможностью разделения потока тары на два посредством пневматических форсунок. 1. An automated complex for sorting used containers, including a transport belt conveyor equipped with a recognition system based on neural networks, a control unit and a sorting unit, characterized in that it additionally includes a system for pre-sorting containers according to specified classes, placed in front of the recognition system, neural networks of the system recognitions are trained to recognize the given features of the classes of received containers, and the control unit is connected to the recognition modules of both systems and is configured to make decisions on sorting and separating containers, while the sorting unit contains containers with two compartments and is configured to divide the container flow into two by means of pneumatic nozzles. 2. Автоматизированный комплекс по сортировке использованной тары по п. 1, отличающийся тем, что заданным признаком класса использованной тары может служить ее недеформируемый фрагмент.2. Automated complex for sorting used containers according to claim 1, characterized in that its non-deformable fragment can serve as a given attribute of the class of used containers.

Images