Новости

Jan 31, 2024

Как соединить сенсорные технологии с правильным методом экстракции

В последнее время искусственному интеллекту (ИИ) и робототехнике уделяется много внимания. Для некоторых людей робототехника и искусственный интеллект являются синонимами. Однако робототехника — это не ИИ, а ИИ — это не робототехника. ИИ ищет

В последнее время искусственному интеллекту (ИИ) и робототехнике уделяется много внимания. Для некоторых людей робототехника и искусственный интеллект являются синонимами. Однако робототехника — это не ИИ, а ИИ — это не робототехника. ИИ ищет решения сложных проблем, связанных с человеческими способностями, в то время как робототехника стремится автоматизировать физические, повторяющиеся задачи. Кроме того, роботы — не единственная механическая технология, с которой можно использовать ИИ. В некоторых случаях применение диктует необходимость более надежной экстракции, например, с помощью воздушных струй, обычно используемых в оптических сортировщиках, которые доказали свою ценность в MRF на протяжении десятилетий.

В MSS мы твердо убеждены, что сенсорные технологии необходимо полностью отделить от технологий добычи. Одно действительно не имеет ничего общего с другим. Оператору MRF необходимо рассмотреть лучшую сенсорную технологию для идентификации целевых предметов в потоке смешанного материала, а затем соединить ее с наиболее подходящим методом извлечения, необходимым для физического удаления целевых предметов.

В приложениях MRF для массовой сортировки чаще всего используются датчики ближнего инфракрасного диапазона (NIR), цветные и металлические. В зависимости от применения для достижения цели сортировки может потребоваться только одна или, возможно, комбинация этих отдельных сенсорных технологий. Производительность этих датчиков можно повысить за счет добавления других сенсорных технологий, таких как искусственный интеллект.

Датчики NIR и AI могут предоставлять операторам MRF огромные объемы данных и статистики для целей мониторинга и улучшения работы. Возможности глубокого обучения ИИ дополняют NIR, а более глубокие уровни доступной детализации обеспечивают более точную классификацию отдельных категорий продуктов и материалов.

Кроме того, датчики искусственного интеллекта используют возможности идентификации, которых нет у NIR, в первую очередь сортируя такие предметы, как банки для кошачьего корма и кулинарную фольгу, из использованных банок для напитков (UBC) и бутылки из полиэтилентерефталата (ПЭТ) из термоформ ПЭТ. Датчики NIR могут действительно идентифицировать материал по химическому составу, а датчики AI — нет.

Датчики искусственного интеллекта работают как человеческий глаз, определяя, каким может быть предмет, на основе того, как он выглядит; он не может определить, изготовлена ​​ли бутылка из ПЭТ или полиэтилена высокой плотности (ПЭВП), он делает это только косвенно. Датчики AI также не могут отличить некоторые термоформованные контейнеры из ПЭТ и ПП или контейнеры UBC с термоусадочными рукавами из ПЭТ от контейнеров с прямой печатью графики. Для решения этих задач хорошо подходят обычные NIR-датчики в сочетании с металлодетекторами.

Дополнительными факторами являются скорость конвейера и принятия решений. Датчики NIR могут развивать скорость до 1000 футов в минуту, в то время как искусственный интеллект начинает испытывать проблемы, когда лента движется со скоростью более 300 футов в минуту. Кроме того, скорость принятия решения или время между обнаружением и извлечением предмета у NIR примерно в 10 раз быстрее, чем у датчиков AI. Что касается рабочей ширины, датчики AI обычно используются на ремнях шириной до 60 дюймов. Поэтому, если вы хотите расширить сферу деятельности, вам придется удвоить количество датчиков искусственного интеллекта. С другой стороны, датчики NIR на оптических сортировщиках можно использовать на конвейерных лентах шириной до 112 дюймов.

Присоски, обычно используемые в роботах, являются одной из форм технологии экстракции. Другой формой являются воздушные форсунки, используемые в оптических сортировщиках. Но на этом варианты не заканчиваются; технологии извлечения также могут включать, например, зажимы или отводные устройства.

При определении наилучшей технологии экстракции для конкретного применения учитывайте эффективность отбора в минуту. Мы определяем эффективные подборы как те, при которых эффектор успешно помещает правильный целевой предмет в специальный желоб, а не просто количество движений или выбрасываний. Основываясь на данных, которые мы имеем со всех наших установок, наши пневматические оптические сортировщики могут производить более 1000 эффективных выборок в минуту с помощью ускоряющей ленты шириной 112 дюймов, тогда как робот может производить около 60 эффективных выборок в минуту ( из 90 возможных движений), что делает его в 15 раз медленнее.