Op gebieden als mijnbouw, voedselverwerking en afvalclassificatie wordt traditionele sorteerapparatuur vaak beperkt door zichtbare oppervlaktekenmerken, waardoor het moeilijk wordt om de inherente verschillen tussen materialen nauwkeurig te onderscheiden. De AI-lichtsorteermachine heeft, door de integratie van 'optische perceptie+kunstmatige intelligentie+precieze uitvoering'-technologie, deze beperking doorbroken en is de kernapparatuur geworden voor het bereiken van efficiënt en uiterst nauwkeurig sorteren. Het werkingsprincipe kan draaien rond de drie kernschakels van "gegevensverzameling, intelligente analyse, dynamische sortering", die een complete intelligente sorteerlus vormen.
-Kerntechnologie: Drie grote systemen die sorteren ondersteunen
De efficiënte werking van AI-optische selectiemachines is afhankelijk van drie nauw gecoördineerde technische systemen, die respectievelijk de functies "zien", "nauwkeurig oordelen" en "scheiden" op zich nemen:
1. Optisch detectiesysteem: leg de "multidimensionale vingerafdruk" van materialen vast
Traditionele kleursorteermachines vertrouwen uitsluitend op zichtbaar licht om kleur en vorm te herkennen, terwijl het optische systeem van AI-lichtsorteermachines rijkere materiaalinformatie kan verzamelen, net zoals het opzetten van een ‘multidimensionaal identiteitsbestand’ voor materialen:
Spectrale detectie: door gebruik te maken van hyperspectrale beeldtechnologie (die zichtbare bijna- infraroodbanden bedekt), wordt de 'spectrale vingerafdruk' van materialen vastgelegd - verschillende stoffen hebben verschillende absorptie- en reflectie-eigenschappen van licht vanwege hun verschillende chemische samenstellingen. Fluorieterts (dat CaF₂ bevat) heeft bijvoorbeeld specifieke absorptiepieken in de golflengtebanden van 450 nm en 520 nm, die kunnen worden onderscheiden van afvalgesteente; Tijdens het sorteren van voedsel kan nabij-infraroodspectroscopie de vruchthuid binnendringen en de interne suiker- en zuurgraad detecteren.
Visuele waarneming: de hoge-lineaire array-camera (met een resolutie tot submillimeterniveau) scant synchroon met de transportband om realtime-informatie te verkrijgen over de vorm, grootte, oppervlaktedefecten (zoals scheuren, vlekken) en andere informatie van het materiaal. Sommige apparaten zullen ook worden uitgerust met fluorescentiebeeldvorming en beeldvorming met gepolariseerd licht om kenmerken te identificeren die niet zichtbaar zijn voor het blote oog, zoals plastic verouderingsvlekken en medicijnonzuiverheden.
2. AI-algoritmesysteem: de kern van het bereiken van een ‘nauwkeurig oordeel’
De enorme gegevens die door het optische systeem worden verzameld, moeten worden omgezet in sorteerbeslissingen via AI-algoritmen, wat het belangrijkste verschil is tussen optische AI-sorteermachines en traditionele apparatuur.
Feature learning: Gebaseerd op deep learning-modellen zoals Convolutional Neural Networks (CNN), wordt training uitgevoerd op een grote hoeveelheid voorbeeldgegevens (zoals spectrale en beeldgegevens van verschillende mineralen, fruit en kunststoffen). Het model extraheert automatisch de belangrijkste kenmerken van het materiaal - zonder handmatig 'kleurdrempels' of 'vormstandaarden' in te stellen. Het kan leren onderscheid te maken tussen 'doelmaterialen' en 'onzuiverheden' (zoals het identificeren van spectrale verschillen tussen PET en HDPE tijdens het sorteren van PET-plastic).
Realtime besluitvorming-: het getrainde model wordt geïmplementeerd in de edge computing-eenheid (zoals een industriële AI-chip). Wanneer nieuwe materialen passeren, kan het algoritme de gegevensverwerking binnen 200 ms voltooien, het beoordelingsresultaat weergeven: "Dit is het doelmateriaal, bewaar het" of "Dit is een onzuiverheid, elimineer het", en het vertrouwen geven (zoals een waarschijnlijkheid van 99,2% is PET). Als de materiaalbatch verandert (zoals een toename van het ertsvochtgehalte), kan het algoritme de parameters ook dynamisch aanpassen via "online leren" om een afname van de sorteernauwkeurigheid te voorkomen.
3. Executiemechanismesysteem: voltooiing van de laatste stap van "precieze scheiding"
Nadat het AI-algoritme een beslissing heeft genomen, moet de uitvoerende instantie snel reageren en het doelmateriaal en de onzuiverheden in verschillende kanalen verdelen. De kernuitrusting omvat:
Hoogfrequente luchtklep: de meest gebruikte actuator met een responstijd van minder dan 1 ms, die een luchtstroom onder hoge- druk (0,6-0,8 MPa) spuit om onzuiverheden uit het doelkanaal "weg te blazen". Tijdens de afvalclassificatie kan de luchtklep bijvoorbeeld AI-oordeel gebruiken om plastic flessen in het recyclingkanaal en stenen in het afvalkanaal te blazen, met een verwerkingssnelheid van duizenden stuks per uur.
Robotarm: Voor scènes met complexe vormen en die een fijne sortering vereisen (zoals onregelmatige ertsen en beschadigd fruit), kan de robotarm met zes assen, in combinatie met 3D vision-positionering, nauwkeurig materialen vastpakken en deze in aangewezen gebieden plaatsen, met een sorteernauwkeurigheid van ± 2 mm, geschikt voor vakgebieden zoals medicijnen en hoogwaardig voedsel-die een extreem hoge sorteernauwkeurigheid vereisen.
-Volledige workflow: gesloten-lus van 'invoeren' tot 'voltooiing van sorteren'
De werking van een AI-lichtsorteermachine is een samenhangend proces van "uitvoering van perceptiebeslissingen". Als we het sorteren van mijnbouw als voorbeeld nemen, is het specifieke proces als volgt:
Materiaalvoorbehandeling: De vibrerende feeder verspreidt het erts gelijkmatig op de transportband en verwijdert te grote/ondermaatse deeltjes door middel van screening om de rangschikking van de afzonderlijke deeltjes van het materiaal te garanderen -, waardoor stapeling van deeltjes wordt vermeden die optische signalen blokkeert en de detectienauwkeurigheid beïnvloedt.
Gegevensverzameling: het erts komt het detectiegebied langs de transportband binnen en de spectrale gegevens en beeldgegevens worden synchroon verzameld door hyperspectrale camera's en line array-camera's en in realtime- naar de AI-algoritme-eenheid verzonden.
AI-oordeel: de algoritme-eenheid analyseert snel gegevens om te bepalen of elk erts een "fluorietmijn" (doel) of een "afvalgesteente" (onzuiverheid) is, en stuurt instructies naar het overeenkomstige uitvoeringsmechanisme op de overeenkomstige locatie.
Uitvoering sorteren: wanneer het erts het executiegebied bereikt en het afvalgesteente betreft, spuit de hoog{0}}luchtklep onmiddellijk een luchtstroom in het afvalgesteentekanaal; Als het een fluorietmijn is, zal deze soepel het doelkanaal binnendringen.
Kwaliteitsfeedback: Sommige apparatuur zal herinspectiesensoren (zoals een röntgenfluorescentiespectrometer) in het verzamelgebied plaatsen om de sorteerresultaten te detecteren. Als blijkt dat afvalgesteente vermengd is met fluorieterts, wordt dit automatisch teruggekoppeld naar het AI-algoritme om de modelparameters te optimaliseren en een gesloten lus van "detectiebeslissingsoptimalisatie" te vormen.
-Technisch voordeel: Waarom is de AI optische selectiemachine efficiënter?
Vergeleken met traditionele sorteerapparatuur zoals handmatige sorteer- en kleurensorteermachines, ligt het voordeel van AI optische sorteermachines in hun "intelligente upgrade":
Hogere nauwkeurigheid: in staat om interne componentverschillen (zoals fruitsuikergehalte en ertszuiverheid) te identificeren, in plaats van alleen naar het oppervlak te kijken, met een sorteernauwkeurigheid van meer dan 98% (traditionele kleursorteermachines zijn ongeveer 90%).
Sterker aanpassingsvermogen: Geen noodzaak om parameters handmatig aan te passen, in staat om te gaan met veranderingen in materiaalbatches (zoals fruit in verschillende seizoenen, ertsen in verschillende mijngebieden).
Hogere efficiëntie: de verwerkingssnelheid is 10-20 keer sneller dan handarbeid en kan 24 uur continu werken, waardoor de arbeidskosten worden verlaagd.
-Typische toepassing: dekking van "mijnen" tot "eettafels"
Het werkingsprincipe van de AI optische selectiemachine bepaalt de brede toepasbaarheid ervan:
Mijnbouw: verrijk ertsen van lage{0}} kwaliteit (zoals het weggooien van 50% van het afvalgesteente) om de transport- en flotatiekosten te verlagen;
Voedsel: Sortering van fruit (op basis van suikergehalte en grootte), verwijdering van graanonzuiverheden (exclusief beschimmelde deeltjes);
Afvalclassificatie: Scheid plastic (PET/HDPE), metaal en glas om het terugwinningspercentage van hulpbronnen te verbeteren;
Geneeskunde: Detecteer vreemde voorwerpen in capsules en defecten in tabletten om de veiligheid van geneesmiddelen te garanderen.
Conclusie
De kernlogica van de optische AI-sorteermachine is het vervangen van 'menselijke observatie' door 'optische perceptie', het vervangen van 'handmatig oordeel' door 'AI-besluitvorming-', en het vervangen van 'handmatig sorteren' door 'precieze uitvoering'. Het is niet alleen een sorteerapparaat, maar ook een typische belichaming van 'data-gestuurde industriële upgrades' - door middel van continue data-analyse en modeloptimalisatie. Het verbetert voortdurend de sorteerefficiëntie en nauwkeurigheid en biedt technische ondersteuning voor de circulaire economie en groene productie.