En

Современные возможности автоматической сортировки вторичных полимеров

Существует множество способов автоматической сортировки вторичных полимеров. В данной статье рассматривается самый «интеллектуальный» — оптический. Свое название он получил потому, что распознавание вида пластика выполняется с помощью камеры и набора оптических приборов (линз, зеркал и т. п.). Во всех других способах (механических, воздушных и т. д.) используются кардинально иные подходы.
А. О. Неволин, канд. техн. наук, генеральный директор ООО «Невлабс»
Опубликовано в рубрике «Рециклинг»
463 просмотров
Современные возможности автоматической сортировки вторичных полимеров
А. О. Неволин

Оптическая сортировка появилась лет 20 назад и традиционно использует такой метод распознавания объектов, как спектральный анализ. Однако сегодня современные вычислительные возможности дали развитие и другому подходу — на основе искусственного интеллекта (ИИ). В статье мы расскажем о принципах работы обоих методов, их достоинствах и недостатках.

Спектральный анализ

Данный способ основан на анализе спектра отраженного света в инфракрасном (ИК) диапазоне. Оказалось, что у разных видов пластиков спектр отличается и может выступать в роли дифференцирующего признака. Для этих целей традиционно применяются гиперспектральные камеры в коротковолновом диапазоне — SWIR (Short Wave Infrared), а не NIR (Near Infrared), как часто путают. Подсветка при этом осуществляется галогеновыми лампами, обладающими большой интенсивностью в ИК-полосе. На рис. 1 в качестве примера представлены условные ИК-спектры двух видов пластика — ПП и ПС, заметно отличающиеся между собой.

Рис. 1. Условные волновые ИК-спектры ПП (а) и ПС (б)

Долгое время данный способ был единственным и поэтому получил большое распространение, фактически став стандартом. Сортировочные машины, работающие по этому принципу, выпускают многие производители из Германии, Франции, США и других стран.

Сам способ разделения достаточно прост: в конце конвейера располагается ряд воздушных форсунок с шагом 20–30 мм. Нужные фракции попросту «отстреливаются» сжатым воздухом, перелетают через пере- городку и попадают на конвейер (или бак) так называемого «позитива». Остальные фракции попросту падают вниз, на конвейер «негатива». Схематично данный процесс показан на рис. 2. Таким образом, оптический сортировщик разделяет один поток на два, и их часто ставят каскадом.

Рис. 2. Схема типовой линии оптической сортировки отходов

Искусственный интеллект

Бурное развитие ИИ получил в последние 10 лет — с появлением видеокарт большой производительности. Как известно, ИИ находит применение в самых различных областях. Распознавание изображений — не исключение.

Техническое зрение на базе ИИ использует многослойные сверточные нейронные сети, у которых количество слоев достигает нескольких сотен. Поэтому такие сети называют сетями с «глубоким обучением».

Создавая искусственные нейронные сети для распознавания изображений, человек подсмотрел идею у природы. Дело в том, что зрение животных, не исключая человека, устроено как раз «послойно». Первый слой распознает самые простые примитивы — точки, линии и др. Эта информация передается следующему слою, который из этих примитивов пытается распознать уже более сложные объекты — например, геометрические фигуры. По мере перехода от слоя к слою уровень абстракции повышается, и, наконец, последний слой выдает финальное решение — что, на его взгляд, за объект находится на изображении.

Интересно то, что нижние слои очень похожи у самых разных задач. Условно говоря, они будут практически совпадать у сети, обученной распознавать животных, и у сети, обученной распознавать станки. Отличаться будут только самые верхние слои.

Нейронные сети обучают на примерах. Для этого сначала формируют обучающую выборку — фотографии, на которых людьми размечены интересующие нас объекты. Далее следует непосредственно процесс обучения нейронной сети на этих примерах. Этот процесс хотя и длителен (от нескольких дней до нескольких недель), но не требует участия человека — все это время идут различные математические вычисления. В качестве примера на рис. 3 схематично представлен процесс обучения нейронной сети распознаванию автомобиля марки Volvo XC90.

Рис. 3. Схематичное представление процесса обучения (в направлении слева направо) нейронной сети (внизу) распознаванию автомобиля марки Volvo XC90 (вверху)

Нейронная сеть распознает объекты по их внешнему виду — примерно так, как наш мозг. И если спектральная машина видит ПЭТ-бутылку именно по спектру ПЭТ, то человек распознает ее по внешнему виду – известно, какой формы обычно бутылка; известно, что ПЭТ – прозрачен, бликует определенным образом, и т. д. Точно так же работают и нейронные сети.

Сравнение методов

Ниже приведено сравнение анализируемых методов сортировки по ряду ключевых критериев.

Стоимость

Здесь, безусловно, преимущество за нейронными сетями. Гиперспектральные камеры — очень дорогие. Их стоимость составляет до 60 % от стоимости всего сортировщика. Кроме того, такие камеры являются изделиями двойного назначения, и их покупка была сложна даже до пандемии коронавируса (нужно было проходить экспортный контроль в стране-производителе). Поэтому покупка оборудования на базе таких камер всегда сопряжена с риском непоставки.

Сортировщики на базе ИИ требуют обычной видеокамеры и поэтому значительно дешевле. Кроме того, отсутствуют какие-либо трудности с закупкой для них компонентов.

Качество сортировки

Существует распространенное заблуждение, что ИИ «видит» хуже, чем спектральный анализ. Однако в реальности дело обстоит совсем иначе.

Так, например, оптический сортировщик на базе ИИ, разработанный в компании «Невлабс» и внедренный на «Тверском заводе вторичных полимеров», по итогам испытаний показал качество сортировки даже на пару процентов лучше, чем у известных иностранных производителей (точность идентификации составила 95–98 %). Аналогичная картина наблюдается и на комплексах по обращению с отходами при сортировке ТКО: испытания подтвердили, что такие оптические сортировщики с ИИ показывают квоту и чистоту отбора как минимум не хуже иностранных аналогов (около 85 %).

Еще одно преимущество применения ИИ заключается в том, что он дает возможность различать виды фракций, распознать которые ранее не представлялось возможным. Например, спектральный сортировщик не может отличить обычную прозрачную ПЭТ-бутылку от ПЭТ-бутылки из-под масла. Для него это — одинаковые объекты (даже не бутылки, а просто объекты) из материала «прозрачный ПЭТ». Сортировщик же на базе ИИ в состоянии их идентифицировать, поскольку они отличаются внешне: горлышко и крышка у масляных бутылок — иные по форме. Точно так же дело обстоит с другими проблемными бутылками — из-под молока, бытовой химии и пр.

Кроме того, применение нейронных сетей позволяет даже частично распознать такой «бич» переработчиков ПЭТ, как многослойную бутылку с полиамидным барьерным слоем. С точки зрения спектра такую бутылку не отличить от обычной. Внешне — в общем-то то же, однако есть нюанс — известны производители и даже конкретные торговые марки, которые выпускают напитки в такой таре. ИИ прекрасно умеет отличать бутылки конкретных производителей. И если сортировать такую бутылку до того, как с нее будет удалена этикетка (можно пусть и не полностью ее исключить, но все же снизить ее долю с 5–6 до 1–2 %), то это уже значительно улучшает ситуацию с переработкой (рис. 4).

Рис. 4. Оптический сепаратор для сортировки вторичных полимеров

Простота обслуживания

ИК-спектрометрия капризна. Так, у гиперспектральных камер в ИК-диапазоне разброс чувствительности пикселей между собой гораздо выше, чем у обычных камер. Зависимость от температуры сенсора тоже гораздо сильнее — поэтому любые иностранные сортировщики постоянно измеряют температуру сенсора и корректируют обработку сигнала на основе этой информации. Галогеновые лампы тоже подойдут не любые, а только заранее откалиброванные по излучаемому спектру, поскольку у всех ламп в сортировщике он должен быть более или менее похож. Это ставит пользователя в зависимость от поставки оригинальных ламп от производителя, которые и дороги, и крайне трудны в приобретении в настоящее время.

В то же время сортировщики на базе ИИ требуют самого обычного светодиодного освещения и обходятся без каких-либо калибровок. Сканер расположен гораздо выше, чем спектральный, и поэтому требует протирки оптики гораздо реже.

Энергопотребление

Здесь счет также не в пользу спектральных сортировщиков: им требуется подсветка из большого количества галогеновых ламп, что влечет за собой потребление мощности на уровне 5–7 кВт только на освещение. Их же «нейронным» собратьям достаточно обычной светодиодной подсветки суммарным потреблением в 200–300 Вт.

Когда спектральный анализ все же необходим

Из проведенного сравнения двух методов сортировки может показаться, что никаких преимуществ у спектрального анализа и нет. Однако это не совсем так: в некоторых случаях без него не обойтись. Например, при сортировке дробленых пластиков визуально сложно установить природу фрагмента. Спектральный же анализ без проблем ее «увидит». Или случай сортировки внешне неотличимых фракций — например, одноразовой посуды (лотки и пр.). Как известно, она может быть выполнена из разных пластиков — ПЭТ, ПП, ПС, и внешне они неотличимы. ИИ здесь не справится, а вот спектральный анализ — вполне.

Распространено мнение о том, что наилучшую комбинацию дает сочетание ИИ и спектрального анализа. Это действительно так, однако нужно понимать, что «усиление» ИИ гиперспектральной камерой улучшает качество сортировки от силы на 1 %, а вот увеличение стоимости — практически двукратное. Стоит ли за это столько платить — решать заказчику.

Заключение

Итак, мы рассмотрели два метода оптической сортировки пластиков. У каждого из них есть свои достоинства и недостатки. Анализируя их, можно сделать вывод о том, что в большинстве случаев достаточно применение ИИ — это решит большинство задач. А в тех редких случаях, когда он не справится, можно использовать сортировщики со спектральным анализом.

Поделиться материалом:

Другие статьи раздела

En