Σε τομείς όπως η εξόρυξη, η επεξεργασία τροφίμων και η ταξινόμηση απορριμμάτων, ο παραδοσιακός εξοπλισμός διαλογής συχνά περιορίζεται από ορατά χαρακτηριστικά επιφάνειας, καθιστώντας δύσκολη την ακριβή διάκριση των εγγενών διαφορών των υλικών. Το μηχάνημα διαλογής φωτός AI, μέσω της ενσωμάτωσης της τεχνολογίας «οπτικής αντίληψης+τεχνητής νοημοσύνης+ακριβούς εκτέλεσης», έχει σπάσει αυτόν τον περιορισμό και έγινε ο βασικός εξοπλισμός για την επίτευξη αποτελεσματικής και υψηλής{3}}διαλογής ακριβείας. Η αρχή λειτουργίας του μπορεί να περιστρέφεται γύρω από τους τρεις βασικούς κρίκους της "έξυπνης συλλογής δεδομένων δυναμικής ταξινόμησης", σχηματίζοντας έναν πλήρη έξυπνο βρόχο ταξινόμησης. ,
-Βασική τεχνολογία: Τρία κύρια συστήματα που υποστηρίζουν τη διαλογή
Η αποτελεσματική λειτουργία των μηχανών οπτικής επιλογής AI βασίζεται σε τρία στενά συντονισμένα τεχνικά συστήματα, τα οποία αναλαμβάνουν αντίστοιχα τις λειτουργίες «βλέποντας», «κρίνουν με ακρίβεια» και «διαχωρίζουν»:
1. Σύστημα οπτικής ανίχνευσης: Αποτυπώστε το «πολυδιάστατο δακτυλικό αποτύπωμα» των υλικών
Οι παραδοσιακές μηχανές ταξινόμησης χρωμάτων βασίζονται αποκλειστικά στο ορατό φως για την αναγνώριση του χρώματος και του σχήματος, ενώ το οπτικό σύστημα των μηχανών διαλογής φωτός AI μπορεί να συλλέξει πλουσιότερες πληροφορίες υλικού, ακριβώς όπως η δημιουργία ενός "πολυδιάστατου αρχείου ταυτότητας" για υλικά:
Φασματική ανίχνευση: Με τη χρήση τεχνολογίας υπερφασματικής απεικόνισης (που καλύπτει ορατές σε κοντινές-υπέρυθρες ζώνες), συλλαμβάνεται το "φασματικό δακτυλικό αποτύπωμα" των υλικών - διαφορετικές ουσίες έχουν διαφορετικά χαρακτηριστικά απορρόφησης και ανάκλασης του φωτός λόγω της διαφορετικής χημικής τους σύνθεσης. Για παράδειγμα, το μετάλλευμα φθορίτη (που περιέχει CaF2) έχει ειδικές κορυφές απορρόφησης στις ζώνες μήκους κύματος 450 nm και 520 nm, οι οποίες μπορούν να διακριθούν από τα απόβλητα πετρώματα. Κατά τη διαλογή των τροφίμων, η φασματοσκοπία εγγύς-υπέρυθρου μπορεί να διεισδύσει στη φλούδα των φρούτων και να ανιχνεύσει το εσωτερικό σάκχαρο και την οξύτητα. ,
Οπτική αντίληψη: Η κάμερα γραμμικής συστοιχίας υψηλής ταχύτητας- (με ανάλυση έως και κάτω του χιλιοστού) σαρώνει συγχρονισμένα με τον μεταφορικό ιμάντα για να λαμβάνει- πληροφορίες σε πραγματικό χρόνο σχετικά με το σχήμα, το μέγεθος, τα ελαττώματα της επιφάνειας (όπως ρωγμές, λεκέδες) και άλλες πληροφορίες του υλικού. Ορισμένες συσκευές θα είναι επίσης εξοπλισμένες με απεικόνιση φθορισμού και απεικόνιση πολωμένου φωτός για τον εντοπισμό χαρακτηριστικών που δεν είναι ορατά με γυμνό μάτι, όπως πλαστικά σημάδια γήρανσης και ακαθαρσίες φαρμάκων.
2. Σύστημα αλγορίθμου AI: ο πυρήνας της επίτευξης "ακριβούς κρίσης"
Τα τεράστια δεδομένα που συλλέγονται από το οπτικό σύστημα πρέπει να μετατραπούν σε αποφάσεις ταξινόμησης μέσω αλγορίθμων τεχνητής νοημοσύνης, που είναι η βασική διαφορά μεταξύ των μηχανών οπτικής ταξινόμησης τεχνητής νοημοσύνης και του παραδοσιακού εξοπλισμού
Εκμάθηση χαρακτηριστικών: Με βάση μοντέλα βαθιάς μάθησης, όπως τα Συνελικτικά Νευρωνικά Δίκτυα (CNN), η εκπαίδευση εκτελείται σε μεγάλο όγκο δειγματοληπτικών δεδομένων (όπως φασματικά δεδομένα και δεδομένα εικόνας διαφορετικών ορυκτών, φρούτων και πλαστικών). Το μοντέλο θα εξάγει αυτόματα βασικά χαρακτηριστικά του υλικού - χωρίς να ορίζει χειροκίνητα "κατώφλια χρώματος" ή "πρότυπα σχήματος", μπορεί να μάθει να διακρίνει μεταξύ "υλικών-στόχων" και "ακαθαρσιών" (όπως ο εντοπισμός φασματικών διαφορών μεταξύ PET και HDPE κατά την ταξινόμηση πλαστικού PET). ,
Λήψη{0}}απόφασης σε πραγματικό χρόνο: το εκπαιδευμένο μοντέλο αναπτύσσεται στη μονάδα υπολογιστών αιχμής (όπως το βιομηχανικό τσιπ AI). Όταν περάσουν νέα υλικά, ο αλγόριθμος μπορεί να ολοκληρώσει την επεξεργασία δεδομένων μέσα σε 200 ms, να δώσει το αποτέλεσμα κρίσης: "Αυτό είναι το υλικό-στόχος, κρατήστε το" ή "Αυτό είναι ακαθαρσία, εξαλείψτε το" και να δώσει εμπιστοσύνη (όπως πιθανότητα 99,2% είναι PET). Εάν αλλάξει η παρτίδα υλικού (όπως αύξηση της περιεκτικότητας σε υγρασία μεταλλεύματος), ο αλγόριθμος μπορεί επίσης να προσαρμόσει δυναμικά τις παραμέτρους μέσω της "διαδικτυακής μάθησης" για να αποφευχθεί η μείωση της ακρίβειας ταξινόμησης. ,
3. Σύστημα μηχανισμού εκτέλεσης: ολοκλήρωση του τελικού βήματος του "ακριβούς διαχωρισμού"
Αφού ο αλγόριθμος AI λάβει μια απόφαση, η εταιρεία εκτέλεσης πρέπει να ανταποκριθεί γρήγορα και να διαχωρίσει το υλικό-στόχο και τις ακαθαρσίες σε διαφορετικά κανάλια. Ο βασικός εξοπλισμός περιλαμβάνει:
Βαλβίδα αέρα υψηλής συχνότητας: Ο πιο συχνά χρησιμοποιούμενος ενεργοποιητής με χρόνο απόκρισης μικρότερο από 1 ms, ο οποίος ψεκάζει ροή αέρα υψηλής{1} πίεσης (0,6-0,8 MPa) για να "διώξει" ακαθαρσίες από το κανάλι-στόχο. Για παράδειγμα, κατά την ταξινόμηση των σκουπιδιών, η βαλβίδα αέρα μπορεί να χρησιμοποιήσει την κρίση AI για να φυσήξει πλαστικά μπουκάλια στο κανάλι ανακύκλωσης και πέτρες στο κανάλι απορριμμάτων, με ταχύτητα επεξεργασίας χιλιάδων τεμαχίων ανά ώρα. ,
Βραχίονας ρομπότ: Για σκηνές με πολύπλοκα σχήματα και που απαιτούν λεπτή ταξινόμηση (όπως ακανόνιστα μεταλλεύματα και κατεστραμμένα φρούτα), ο βραχίονας ρομπότ έξι αξόνων σε συνδυασμό με την τοποθέτηση τρισδιάστατης όρασης μπορεί να πιάσει με ακρίβεια τα υλικά και να τα τοποθετήσει σε καθορισμένες περιοχές, με ακρίβεια ταξινόμησης ± 2 mm, κατάλληλα για πεδία όπως η ιατρική και τα τρόφιμα υψηλής{2} υψηλής ακρίβειας ταξινόμησης. ,
-Ολοκληρωμένη ροή εργασίας: κλειστός-βρόχος από "τροφοδοσία" έως "ολοκλήρωση ταξινόμησης"
Η λειτουργία της μηχανής διαλογής φωτός AI είναι μια συνεκτική διαδικασία "εκτέλεσης απόφασης αντίληψης". Λαμβάνοντας ως παράδειγμα την ταξινόμηση εξόρυξης, η συγκεκριμένη διαδικασία έχει ως εξής:
Προεπεξεργασία υλικού: Ο δονούμενος τροφοδότης απλώνει ομοιόμορφα το μετάλλευμα στον μεταφορικό ιμάντα και αφαιρεί τα υπερμεγέθη/μικρομεγέθη σωματίδια μέσω του κοσκίνου για να διασφαλίσει την ενιαία διάταξη σωματιδίων του υλικού - αποφεύγοντας τη στοίβαξη σωματιδίων που εμποδίζει τα οπτικά σήματα και επηρεάζει την ακρίβεια ανίχνευσης. ,
Συλλογή δεδομένων: Το μετάλλευμα εισέρχεται στην περιοχή ανίχνευσης κατά μήκος του μεταφορικού ιμάντα και τα φασματικά του δεδομένα και τα δεδομένα εικόνας συλλέγονται συγχρονισμένα από υπερφασματικές κάμερες και κάμερες γραμμικής διάταξης και μεταδίδονται σε πραγματικό-χρόνο στη μονάδα αλγορίθμου AI. ,
Κρίση τεχνητής νοημοσύνης: Η μονάδα αλγορίθμου αναλύει γρήγορα δεδομένα για να προσδιορίσει εάν κάθε μετάλλευμα είναι «ορυχείο φθορίτη» (στόχος) ή «άχρηστος βράχος» (ακαθαρσία) και στέλνει οδηγίες στον αντίστοιχο μηχανισμό εκτέλεσης στην αντίστοιχη τοποθεσία. ,
Εκτέλεση διαλογής: Όταν το μετάλλευμα φτάσει στην περιοχή εκτέλεσης, εάν πρόκειται για απόβλητα πετρώματα, η βαλβίδα αέρα υψηλής-συχνότητας ψεκάζει αμέσως τη ροή αέρα στο κανάλι απορριμμάτων βράχου. Εάν πρόκειται για ορυχείο φθορίτη, θα εισέλθει ομαλά στο κανάλι-στόχο. ,
Σχόλια ποιότητας: Ορισμένος εξοπλισμός θα εγκαταστήσει αισθητήρες εκ νέου επιθεώρησης (όπως το φασματόμετρο φθορισμού ακτίνων Χ) στην περιοχή συλλογής για τον εντοπισμό των αποτελεσμάτων ταξινόμησης. Εάν διαπιστωθεί ότι τα απόβλητα πετρώματα αναμειγνύονται με μετάλλευμα φθορίτη, θα ανατροφοδοτούνται αυτόματα στον αλγόριθμο AI για βελτιστοποίηση των παραμέτρων του μοντέλου και σχηματισμό ενός κλειστού βρόχου "βελτιστοποίησης απόφασης ανίχνευσης".
-Τεχνικό πλεονέκτημα: Γιατί η μηχανή οπτικής επιλογής AI είναι πιο αποτελεσματική; ,
Σε σύγκριση με τον παραδοσιακό εξοπλισμό διαλογής, όπως οι μηχανές χειροκίνητης ταξινόμησης και διαλογής χρώματος, το πλεονέκτημα των μηχανών οπτικής διαλογής AI έγκειται στην "έξυπνη αναβάθμισή" τους:
Υψηλότερη ακρίβεια: μπορεί να εντοπίσει διαφορές εσωτερικών συστατικών (όπως περιεκτικότητα σε ζάχαρη φρούτων και καθαρότητα μεταλλεύματος), αντί να κοιτάζει απλώς την επιφάνεια, με ακρίβεια ταξινόμησης άνω του 98% (οι παραδοσιακές μηχανές διαλογής χρώματος είναι περίπου 90%). ,
Ισχυρότερη προσαρμοστικότητα: Δεν χρειάζεται χειροκίνητη προσαρμογή παραμέτρων, ικανή να αντιμετωπίσει αλλαγές στις παρτίδες υλικών (όπως φρούτα σε διαφορετικές εποχές, μεταλλεύματα σε διαφορετικές περιοχές εξόρυξης). ,
Υψηλότερη απόδοση: Η ταχύτητα επεξεργασίας είναι 10-20 φορές ταχύτερη από τη χειρωνακτική εργασία και μπορεί να λειτουργεί συνεχώς για 24 ώρες, μειώνοντας το κόστος εργασίας.
-Τυπική εφαρμογή: κάλυψη από "ορυχεία" έως "τραπεζαρίες"
Η αρχή λειτουργίας της μηχανής οπτικής επιλογής AI καθορίζει την ευρεία εφαρμογή της:
Εξόρυξη: Προεμπλουτισμός μεταλλευμάτων χαμηλής-ποιότητας (όπως η απόρριψη του 50% των απορριμμάτων πετρωμάτων) για μείωση του κόστους μεταφοράς και επίπλευσης. ,
Τρόφιμα: Ταξινόμηση φρούτων (με βάση την περιεκτικότητα και το μέγεθος σε ζάχαρη), αφαίρεση ακαθαρσιών κόκκων (εξαιρουμένων των μουχλιασμένων σωματιδίων). ,
Ταξινόμηση σκουπιδιών: Διαχωρίστε το πλαστικό (PET/HDPE), το μέταλλο και το γυαλί για τη βελτίωση του ποσοστού ανάκτησης πόρων. ,
Ιατρική: Ανίχνευση ξένων αντικειμένων στις κάψουλες και ελαττώματα στα δισκία για να διασφαλιστεί η ασφάλεια του φαρμάκου. ,
Σύναψη
Η βασική λογική της μηχανής οπτικής ταξινόμησης AI είναι να αντικαταστήσει την "ανθρώπινη παρατήρηση" με "οπτική αντίληψη", να αντικαταστήσει τη "χειροκίνητη κρίση" με τη "λήψη{0}}απόφασης AI" και να αντικαταστήσει τη "χειροκίνητη ταξινόμηση" με την "ακριβή εκτέλεση". Δεν είναι μόνο μια συσκευή ταξινόμησης, αλλά και μια τυπική ενσωμάτωση της "βιομηχανικής αναβάθμισης βάσει δεδομένων" - μέσω συνεχούς ανάλυσης δεδομένων και βελτιστοποίησης μοντέλων, βελτιώνει συνεχώς την αποτελεσματικότητα και την ακρίβεια ταξινόμησης, παρέχοντας τεχνική υποστήριξη για κυκλική οικονομία και πράσινη παραγωγή.