ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ НЕМАРКИРОВАННЫХ ЭЛЕМЕНТОВ ПИТАНИЯ

Rok vydání: 2023
Předmět:
DOI: 10.24412/2073-0667-2023-2-34-44
Popis: Актуальность исследования предопределяется необходимостью сортировки опасных и ценных объектов в составе твердых коммунальных отходов (ТКО), в частности немаркированных элементов питания, с целью их дальнейшей утилизации или переработки, что приобретает особую важность в условиях изменения мировой экологической политики. Предложен подход к идентификации немаркированных цилиндрических элементов питания стандартных типоразмеров на основе компьютерного зрения. Источником анализируемых изображений являются видеокамера и рентгеновская установка. Идентификация выполняется на основе последовательно применяемых процедур, позволяющих обнаруживать и распознавать элементы питания в потоке ТКО на конвейерной ленте. При наличии неповрежденной маркировки на корпусе элементов питания обработка изображений, распознавание надписей и анализ идентификаторов обеспечивают достаточно достоверную классификацию. При существенном повреждении маркировки распознавание затруднено, поэтому предложен дополнительный этап обработки изображений в рентгеновском диапазоне. Нейронные сети, составляющие основу системы идентификации элементов питания, обучаются на подготовленных наборах данных, содержащих множество рентгеновских снимков элементов питания разных типов, которым сопоставлены искомые классы. Обученная модель позволяет классифицировать тип элементов питания для последующей сортировки. Предложенный способ нейросетевой классификации элементов питания на основе обработки оптических изображений и рентгеновских снимков составляет основу программно-аппаратного комплекса, предназначенного для автоматизированных линий сортировки ТКО.
The problem of identifying and classifying hazardous and valuable species of municipal solid waste (MSW), especially unlabeled cell batteries, has become increasingly important in the light of current global environmental policies, which emphasize the need for increased recycling and utilization of waste. With the introduction of a variety of environmental initiatives, it is essential to ensure that proper identification and classification of MSW is carried out in order to reduce the environmental impact of MSW. This includes identifying and classifying hazardous and valuable materials, such as cell batteries, to ensure they are reused and recycled rather than disposed of in landfills. Furthermore, the development of effective strategies for the detection and classification of MSW is essential in order to maximize the economic and environmental benefits associated with the recycling and utilization of waste. This article describes an approach to the standard-size, unlabeled cylindrical cell batteries identification, powered by computer vision. To achieve this goal, a video camera and an X-ray machine are used to analyze and process images. The images captured by the video camera are first processed by a series of steps involving data preprocessing, feature extraction and model training. All the extracted features are then combined to form a model which can be used to accurately detect and recognize the cell batteries in the MSW stream on the conveyor belt. The developed procedures ensure a sufficiently high-quality classification of intact label batteries, and thus can be used to effectively identify the batteries in multiple scenarios. An extra step of digital radiography image processing is proposed, which allows for recognition even when the marking is significantly damaged. This novel approach to image processing offers a dependable and accurate method for the classification of batteries, even when their markings are no longer clearly visible or are completely obscured. This is a great benefit, as previous techniques relied on the clarity of the markings, which created difficulties when those markings were faint or absent. The core of the batteries identification system is a neural network, trained on a data set containing X-ray images of various types of batteries along with the associated classes. This neural network MobileNetV2 is used to extract features from the images, allowing it to correctly classify the batteries for further sorting. The proposed method of batteries neural network classification, including the optical images and X-ray images processing, thus forms the backbone of a software and hardware complex for automated MSW sorting lines. The use of this system to identify and sort batteries would greatly reduce manual labor, improve accuracy and increase the efficiency of the sorting process. Additionally, the use of this system could also potentially reduce the amount of time required to sort the batteries, as the neural network can process the images much faster than a human can. This system could thus revolutionize the MSW sorting process, making it more accurate and efficient than ever before.
Databáze: OpenAIRE