Надежная идентификация и разделение пластмасс являются ключевым компонентом современных систем переработки. Поливинилхлорид (ПВХ) представляет собой особую проблему из-за его спектральной изменчивости, на которую влияют пигменты, добавки, термическое старение и происхождение. В смешанных фракциях, содержащих полиэтилен (ПЭ), полипропилен (ПП) и другие пластмассы, определение конкретного материала становится технически сложной задачей.
Рисунок 1: Пример спектральной сигнатуры десяти типов пластика, включая ПВХ, ПП и ПЭ, полученной с помощью ULTRIS XMR.
В рамках своей стратегической инициативы по изучению передовых технологий сортировки наша компания оценила промышленную применимость гиперспектральной визуализации для точного разделения ПВХ в реальных условиях сортировки.
Рисунок 2: Пример анализа и проверки набора данных ULTRIS XMR. RGB-визуализация набора данных XMR, содержащего PVC и другие классы (вверху слева). Результат классификации на основе модели, созданной с использованием обучающих данных (внизу слева). Визуализация правильно и неправильно классифицированных образцов (вверху справа). Матрица ошибок для количественной оценки ошибок классификации (внизу справа), соответствующая визуализации (красный = неправильно классифицированные пиксели, зеленый = правильно классифицированные пиксели), показанной выше справа. Общая точность этой проверки составляет 81%, при этом точность для PVC составляет 62%.
Исследование, инициированное нашей компанией, оценивало технологии гиперспектральной сортировки в условиях, актуальных для промышленности. Были использованы две системы гиперспектральных камер:
- ULTRIS XMR (видимый и ближний инфракрасный спектр – VNIR)
- ULTRIS SWIR 1 (коротковолновое инфракрасное излучение – SWIR)
Были протестированы гетерогенные образцы пластика различных цветов, происхождения и химического состава. Модели машинного обучения были обучены и проверены с использованием ранее не встречавшихся образцов.
Рисунок 3: Пример спектральной сигнатуры типов пластика, полученной с помощью ULTRIS SWIR1.
Анализ с помощью ULTRIS XMR выявил значительную внутригрупповую изменчивость между ПВХ, ПЭ и ПП, что привело к перекрывающимся спектральным характеристикам в диапазоне VNIR (рис. 1). Хотя контролируемые тесты дали точную классификацию, точность снизилась в реальных условиях: общая точность составила 81%, но для ПВХ — всего 62% (рис. 2).
Дополнительные физические методы, такие как тест на плавучесть/тонучесть, помогли исправить завышенные классификации, но ложноотрицательные результаты для ПВХ оставались проблемой.
В отличие от этого, камера ULTRIS SWIR 1 обеспечила стабильно надежное обнаружение ПВХ даже при различных цветах и характеристиках поверхности (рис. 3). Проверка показала общую точность 81% и 100% обнаружение ПВХ. Ошибки классификации были сведены к минимуму с помощью методов физического разделения (рис. 4).
Рисунок 4. Пример анализа и проверки набора данных ULTRIS SWIR. Псевдоцветное представление набора данных SWIR, содержащего PVC и другие классы (вверху слева). Результат классификации на основе модели, обученной на обучающих данных (внизу слева). Визуализация правильно и неправильно классифицированных образцов (вверху справа). Матрица ошибок для количественной оценки ошибок классификации (внизу справа), соответствующая визуализации (красный = неправильно классифицированные пиксели, зеленый = правильно классифицированные пиксели), показанной выше справа. Общая точность этой проверки составляет 81%, при этом точность для PVC составляет 100%.
Совместное исследование подтверждает, что гиперспектральная визуализация на основе SWIR-диапазона в сочетании с методами физического разделения предлагает эффективное решение для сортировки ПВХ в смешанных потоках пластика. В промышленных условиях с высоким разнообразием материалов SWIR-анализ превосходит подходы VNIR.
Это преимущество обусловлено преобладанием цвета в спектре VNIR и уникальными характеристиками материала, обнаруживаемыми только в диапазоне SWIR. Гиперспектральные технологии демонстрируют большой потенциал при интеграции в процессы извлечения материалов на основе данных. Сочетание обоих типов камер может открыть новые возможности для будущих применений.
Типичные сценарии применения
- Автоматизированная сортировка ПВХ в отходах промышленного и бытового использования.
- Входящий контроль качества товаров на предмет обнаружения загрязнений.
- Контроль качества на всех этапах производства.
Наша компания занимается проектированием систем и машин управления, контроля, измерения и сортировки для повышения эффективности промышленного производства. Интегрируя технологии промышленного машинного зрения и передовые измерительные приборы, мы разрабатываем автоматизированное оборудование, начиная от технико-экономических обоснований и заканчивая разработкой прототипов и внедрением промышленных установок. Используемые технологии включают камеры, методы лазерной триангуляции, инфракрасные термографические камеры, гиперспектральные камеры и другие.
