Identyfikacja frakcji: papier, plastik, złom – modele CV w akcji

Czyli jak kamera odróżnia karton po pizzy od puszki i butelki PET, zanim zdąży to zrobić człowiek.

Po co w ogóle uczyć kamerę „rozpoznawać śmieci”?

Na liniach sortowniczych i w instalacjach MBP przez taśmy przewijają się tony materiału: papier, tworzywa, złom, szkło, tekstylia. Człowiek jest w stanie to rozróżnić, ale ma ograniczoną szybkość, męczy się i po kilku godzinach widzi już tylko „coś kolorowego”. Model computer vision (CV) patrzy non stop, z tą samą uwagą, i potrafi w ułamku sekundy zakwalifikować obiekt do odpowiedniej frakcji.

Jak działa podstawowa klasyfikacja CV

Kamery nad taśmą przekazują obraz do systemu, który analizuje każdy obiekt osobno. Algorytmy CV uczą się rozpoznawać:

• kształt (płaska kartka vs. butelka vs. nieregularny złom),
• teksturę (gładki plastik, włóknisty papier, metaliczne powierzchnie),
• kolor i wzory (etykiety, nadruki, rdza),
• odbicie światła (charakterystyczny „połysk” metalu czy folii).

Na tej podstawie każdy fragment jest przypisywany do jednej z prostych kategorii: papier, plastik, metal, czasem też „inne/niepewne”.

Papier – od kartonu do makulatury

Dla modelu CV papier to m.in.:

• płaskie, włókniste powierzchnie, często z nadrukiem,
• kartony o charakterystycznej strukturze (tektura falista),
• gazety i broszury sklejone w cienkie pakiety.

System uczy się różnic między „papierem nadającym się do recyklingu” a np. papierem silnie zabrudzonym czy nasączonym płynami – ten może trafić do innej frakcji.

Plastik – butelki, folie, opakowania

Tworzywa sztuczne wyróżniają się:

• charakterystycznym odbiciem światła,
• gładką teksturą, często półprzezroczystą,
• typowymi kształtami: butelki, kubki, tacki, folie.

Model może rozróżniać np. twarde tworzywa (butelki PET, HDPE) od folii i miękkich opakowań, co ułatwia dalsze sortowanie mechaniczne lub ręczne.

Złom – metal widziany oczami kamery

Metale (złom stalowy, puszki, elementy konstrukcyjne) mają swój wizualny „podpis”:

• metaliczny połysk lub zmatowienie z charakterystycznymi refleksami,
• nieregularne krawędzie i odkształcenia,
• często jednolite, szare lub srebrne barwy z przebarwieniami (rdza, farba).

CV pozwala wskazać elementy metalowe jeszcze przed działaniem separatorów magnetycznych lub prądów wirowych – dzięki temu łatwiej ocenić jakość strumienia i wychwycić „niechciane” elementy.

Od klasyfikacji do automatycznego sortowania

Sama identyfikacja to dopiero pierwszy krok. Po przypisaniu frakcji kamera przekazuje informację do systemu sterowania. W odpowiednim momencie mogą zadziałać:

• napędy klap i zrzutów,
• ramiona robotów sortujących,
• dysze powietrzne „wystrzeliwujące” element w stronę właściwego zsypu.

W ten sposób obraz z kamery zamienia się bezpośrednio w ruch materiału na linii.

Ograniczenia – gdzie CV jeszcze się myli

Modele CV nie są nieomylne, zwłaszcza gdy:

• odpady są silnie zabrudzone lub zalane,
• kilka materiałów tworzy jedną bryłę (np. puszka owinięta folią i taśmą),
• oświetlenie jest niestabilne lub zmienne,
• kamera widzi obiekt tylko częściowo.

Dlatego systemy CV zwykle nie zastępują ludzi w 100%, ale znacząco odciążają sortujących i poprawiają jakość strumienia wyjściowego.

Korzyści z podstawowej klasyfikacji CV

Co daje wdrożenie takiego rozwiązania?

• stabilniejszą jakość surowców wtórnych,
• mniej błędów sortowniczych,
• większą wydajność linii przy tym samym składzie załogi,
• lepsze dane do analiz – dokładne statystyki udziału papieru, plastiku, złomu w strumieniu.

A przy okazji – kamera naprawdę przestaje „tylko patrzeć”. Zaczyna rozumieć, na co patrzy. Opracowanie redakcyjne.