Raport Cercetare Tora Etapa1 (2018) Utcn Mastot [304993]

II. RAPORTARE ȘTIINȚIFICĂ

FAZA DE EXECUȚIE: NR. 1

CU TITLUL: Studiul, analiza si proiectarea tehnologiilor TORA

Avizat

Proiect Complex: Tehnologii inovative pentru recuperarea avansată a materialelor din deșeuri de echipamente informatice și de telecomunicații (TRADE-IT) PN-III-P1-1.2-PCCDI-2017-0652

Contract nr. 84PCCDI/2018

Proiect Component: Tehnologii optimizate cu impact redus asupra mediului pentru recuperarea avansata a [anonimizat]

01.03.2018-31.12.2018

RAPORT TEHNIC ETAPA 1 (2018)

Cuprins

Cuprins i

Lista de figuri iii

1 Introducere 1

1.1 Obiectivele Etapei 1

2 Rezumatul activităților desfășurate în Etapa 1 (2018) 1

3 Descrierea științifică și tehnică: Studii privind elemente de inspecție vizuală computerizată pentru identificarea pe o bandă transportoare a componentelor electronice dezmembrate de pe DPCI (A1-1-4, activitate comună cu UTIași) 2

3.1 Sisteme cu vedere artificiala 2

3.2 Funcții si metode de analiza si procesare de imagine in tehnica machine vision 3

3.2.1 Clasificarea obiectelor binare 7

3.3 Clasificarea componentelor electronice dezmembrate de pe DPCI pe un sistem de benzi transportoare 14

3.3.1 Sistemul de benzi transportoare 16

3.3.2 Sistemul de acționare al benzilor transportoare 17

3.3.3 Sistemul de achiziție a imaginilor 18

3.3.4 Aplicația software de sortare 18

4 Descrierea științifică și tehnică: Studii privind sistemele senzoriale destinate sortării materialelor (A1-1-5, activitate comună cu UTIași) 22

4.1 Camerele de luat vederi 22

4.2 Senzorii optici 23

4.2.1 Barierele optice 23

4.2.2 Senzorii de culoare 25

4.3 Senzori spectrali 28

4.4 Separatoare cu curenți turbionari (de tip Eddy Curent) 29

4.5 Senzori de proximitate inductivi 31

4.5.1 Senzorul de proximitate inductiv in aplicația pentru sortarea componentelor electronice dezmembrate de pe DPCI 32

4.6 Bratul robotic in aplicația pentru sortarea componentelor electronice dezmembrate de pe DPCI 33

5 Caiet de sarcini pentru sistemul de benzi transportoare destinat sortării componentelor electronice (de mici și mari dimensiuni) având la baza elemente de viziune computerizată si tehnici senzoriale specifice (A1-1-6, activitate comună cu UBB și UTIași) 36

5.1 Introducere 36

5.2 Cerințe generale 36

5.3 Cerințe specifice 37

5.3.1 Sortare 1. 37

5.3.2 Sortare 2. 38

5.3.3 Sortare 3. 38

5.3.4 Sortare 4. 38

6 Bibliografie 39

7 Indicatori de realizare (se vor atașa acestui raport) 40

7.1 Categorie activitate: A2 – Cercetare Industrială 40

7.2 Categorie activitate: A3 – Dezvoltare experimentală 40

7.3 Categorie activitate: D1 – [anonimizat] a rezultatelor 40

8 Diseminarea rezultatelor (A1-1-13) 40

8.1 Articole aflate in lucru in timpul Etapei I de cercetare 40

9 Structura ofertei de servicii de cercetare si tehnologice 41

9.1 Echipamente utilizate in tematica proiectului 41

9.2 Echipamente in curs de achiziționare 43

Lista de figuri

Figura 1: Categorii de sortare a DPCI 1

Figura 2: Principalele componente ale unui sistem de vedere artificiala 2

Figura 3: Prezenta (a) respectiv absenta (b) componentei in ROI determinata prin metode statistice 4

Figura 4: Aplicarea funcției de prag: imaginea originala (a), metoda Entropy (b), metoda Metric (c) 5

Figura 5:Aplicare funcții morfologice (b) și analiza obiectelor binare (c) 5

Figura 6: Aplicarea funcției „Clamp” de măsurare a obiectului pe doua direcții: (a) verticala si (b) orizontala 6

Figura 7: Aplicarea funcției „Edge detector” de determinare a numărului de margini de-a lungul unei linii 7

Figura 8: Imagini ideale folosite in clasificare-obiecte negre pe fond alb 8

Figura 9: a)Imagini cu forme binare care conțin părți deconectate b) Imagini în nivele de gri care conțin diferite tipare. 8

Figura 10: Clasificarea șuruburilor si piulițelor 9

Figura 11: Procesul de învățare și testare al clasificatorului 10

Figura 12: Pașii generali din faza de clasificare 11

Figura 13: Eșantioane de clase ce nu sunt localizate în aceeași mulțime 12

Figura 14: Funcționarea clasificatorului K-Nearest Neighbor 13

Figura 15: Sistem de clasificare paralel 14

Figura 16: Aplicație pentru sortarea componentelor electronice dezmembrate de pe DPCI 15

Figura 17: Diagrama bloc a sistemului de sortare 15

Figura 18: Banda transportoare 1 (negru) 16

Figura 19: Banda transportoare 2 (alb) 17

Figura 20: (a)Controlerul NI-7344, (b) Controlerul MID 7604 17

Figura 21: Camera web Microsoft LifeCam HD-3000 18

Figura 22: Panoul frontal al aplicației. Clasificare suport procesor (a), Cipset integrat (b) 19

Figura 23: Achiziție imagine camera 2 19

Figura 24: Achiziție imagine camera 2 si clasificarea obiectelor pe banda neagra 20

Figura 25: Diagrama bloc – clasificarea obiectelor pe banda neagra 20

Figura 26: Aplicarea operatorului centroid 21

Figura 27: (a)Senzor vizual O2V100 (IFM) pentru inspecția obiectelor, (b) Smart Cameras (NI) 23

Figura 28: Bariera optica cu doua fascicule utilizata pentru sortarea obiectelor mari si mici 23

Figura 29: Stand experimental de sortare pe banda rulanta a obiectelor folosind bariere optice 24

Figura 30: Schema electrică pentru comanda benzii rulante. 24

Figura 31: Programul de sortare (FX1S-14MR) 25

Figura 32: Modulul senzor de culoare TCS230 26

Figura 33: Diagrama bloc de funcționare a senzoruluiTCS230 26

Figura 34: Stand experimental de sortare a obiectelor cu senzor de culoare 27

Figura 35: Schema electrică a standului experimental pentru sortarea obiectelor cu senzor de culoare 27

Figura 36: Cubul de date ale unei imagini hiperspectrale [22]. 28

Figura 37: Camera hiperspectrală SPECIM FX SERIES destinata aplicațiilor de tip „machine vison”[23] 29

Figura 38: (a) Răspunsul NIR pentru diferite materiale plastice, (b)Sistem de sortare [25] 29

Figura 39: Separator cu curenți turbionari 30

Figura 40: Principiul separatoarelor cu curenți turbionari 31

Figura 41: Senzor de proximitate inductiv 32

Figura 42: Principiul de funcționare al senzorului de proximitate inductiv 32

Figura 43: Schema de conectare a senzorului de proximitate la placa de achiziție myDAQ 32

Figura 44: Diagrama bloc – achiziție stare senzor de proximitate 33

Figura 45: Brațul robotic si sistemul de aspirare 33

Figura 46: Schema de conexiune a brațului robotic la placa MyRIO (NI) 34

Figura 47:Controlul factorului de umplere al semnalelor PWM pentru cele trei servomotoare 34

Figura 48: Componenta „LabVIEW Project” a aplicației cu MyRIO 35

Figura 49: Modalitatea de sortare a DPCI 37

Introducere

Directiva 2012/19/EU WEEE (Waste Electrical and Electronic Equipment) privind deșeurile din echipamente electrice și electronice se referă la dezafectarea corespunzătoare a echipamentelor electronice uzate. Obiectivele acestei directive sunt să păstreze, să protejeze și să amelioreze calitatea mediului înconjurător, să protejeze sănătatea oamenilor și să utilizeze resursele naturale în mod prudent și rațional. Reciclarea deșeurilor electronice in prezent este o prioritate pentru omenire la nivel global. In acest context separarea/sortarea deșeurilor are un rol primordial. Astfel, deșeurile de placi cu circuite integrate (DPCI) se pot separa (Figura 1) folosind sisteme de sortare inteligente bazate pe elemente senzoriale specifice si de inspecție vizuala computerizata. Astfel de sisteme utilizează principiile „Machine Vision” in timp real combinate cu elemente de inteligență artificială. Scopul sortării inteligente este de a păstra forma si structura componentelor de pe placi in vederea unei mai ușoare si economice separări si reciclări a deșeurilor secundare [1]. Aplicarea tehnologiilor propuse ar duce la o rata ridicată de recuperare a diferitelor materiale (aur, argint, cupru, aluminiu, staniu, platina, paladiu, fier, sticla, plastic) conținute în deșeurile electronice.

Figura 1: Categorii de sortare a DPCI

In acest proiect se va studia, dezvolta si implementa un sistem de sortare inteligent a deșeurilor de placi cu circuite integrate (DPCI). Se vor studia si combina diferite criteriile de sortare cum ar fi dimensiunea, proprietățile de material, culoarea, forma precum si tehnologii de sortare cum ar fi cele vizuale (procesare și analiză de imagine), optice, mecanice etc. Se vor stabili mijloacele de sortare rapida a DPCI si modul optim de integrare a acestora: sistemul de benzi transportoare, sistemul de palete, ejectoarele cu aer comprimat, brațele robotice, sitele, etc.

Obiectivele Etapei

Obiectivul principal al grupului de cercetare MAS din cadrul proiectului TORA este proiectarea, dezvoltarea si implementarea unui sistem de sortare inteligenta pe benzi transportoare a deșeurilor de placi cu circuite integrate (DPCI). Componentele de pe plăcile cu circuite integrate (Tabelul 1) sunt apriori dezmembrate prin metodele electrochimice si mecanice (condensatoare, șuruburi, radiatoare, baterii, alte obiecte nedizolvate). Sistemul de sortare proiectat va separa următoarele categorii: deșeuri din plastic (de mare si mica dimensiune), CIP-uri (de mare si mica dimensiune), SMD-uri, deșeuri magnetice: bobine, ferite.

Tabelul 1: Deșeuri rezultate in urma dezmembrării plăcilor cu circuite integrate

Pentru atingerea obiectivului principal se propun următoarele obiective secundare:

Identificarea sistemelor hardware si software necesare sortării DPCI utilizând elemente de inspecție vizuala computerizata

Studiul diferitelor tehnologii de separare utilizând sisteme senzoriale dedicate

Elaborarea caietului de sarcini pentru sistemul de sortare a DPCI de mari si mici dimensiuni

Testarea metodelor de sortare propuse

Modelarea unui sistem de sortare inteligenta pe benzi transportoare a componentelor de pe DPCI

Creșterea vizibilității grupului de cercetare prin proiectarea a cel puțin 2 articole in domeniu

Instruirea unui student doctorand in tehnicile de tip „Machine Vision”.

Rezumatul activităților desfășurate în Etapa 1 (2018)

Activitățile desfășurate în prima etapa a proiectului au avut ca scop principal proiectarea unui sistem de sortare inteligentă pe benzi transportoare a componentelor de pe DPCI folosind tehnici de inspecție vizuală și sisteme senzoriale specifice. Activitățile specifice sunt sintetizate în Tabelul 2.

Tabelul 2: Activitățile desfășurate în etapa 1 2018– RH=Rodica Holonec, RC= Romul Copindean, FD=Florin Drăgan, AF=Albert Fazakas.

Studii privind elemente de inspecție vizuală computerizată pentru identificarea pe o bandă transportoare a componentelor electronice dezmembrate de pe DPCI (A1-1-4, activitate comună cu UTIași)

Sisteme cu vedere artificiala

Sistemele de vedere artificială moderne [2],[3] conțin platforme PC rapide și puternice, și aplicații software integrate, ceea ce face ca aceste sisteme să fie mai ușor de folosit și mult mai ieftine. Sistemele de vedere artificiale pot fi folosite într-o mare varietate de operații de fabricație pentru taskuri repetitive de inspecție în care este nevoie de acuratețe și fiabilitate. Aceste sisteme folosesc camere video care supraveghează liniile de producție, pentru a inspecta produsele în timp real, fără a fi necesară intervenția factorului uman. Sistemele bazate pe vedere artificială integrează elemente din informatică, optica, mecanică.

Deoarece sistemele de vedere artificială sunt foarte diverse, componentele specifice variază de la un sistem la altul. Totuși, majoritatea sistemelor includ sistemul de iluminare, sistemul de achiziție al imaginii, o platformă PC, software-ul de inspecție, controlerul de proces (Figura 2). Iluminarea obiectelor (scenei) trebuie sa permită o achiziție optimă de date. Astfel sistemele de iluminat pot fi de forme, mărimi si principii diferite. Imaginile oferite de cameră pot fi obținute într-un format digital sau analog însă pentru procesare este necesara convertirea lor in informație digitală astfel încât aceasta sa poată fi utilizată pentru procesare de către PC.

Figura 2: Principalele componente ale unui sistem de vedere artificiala

Software-ul sistemelor de vedere artificială poate fi în diverse forme și poate avea o singură funcție (pentru o singura operație ca inspecția LCD-urilor, determinarea alinierii obiectelor, etc.) sau multifuncțional (pentru o serie de funcționalități: citire coduri de bare, calibrare, ghidarea brațelor robotice, verificarea prezentei obiectelor, numărarea obiectelor, și altele).Grupul de cercetare MAS a folosit pentru studiul elementelor sistemului de sortare inteligenta mediul de programare LabVIEW de la National Instruments impreuna cu programele dedicate LabVIEW Vision, LabVIEW Motion, LabVIEW Myrio, Vision Assistant.

Principala operație a unui sistem de vedere artificială este descrierea simbolică a unei imagini. Etapele parcurse în acest scop sunt: achiziția si procesarea imaginilor, descrierea si recunoașterea formelor (algoritmi de clasificare) si respectiv interpretarea. Sistemul cu vedere artificiala poate lucra cu mai multe tipuri de imagine: imagine binară (conține doar pixeli de valori 0 si 1), imagine în nuanțe de gri (conține direct nuanța de gri, de la 0 la 255), imagine color RGB (fiecare pixel este reprezentat de trei valori, câte una pentru fiecare componentă: roșu-R, verde-G și respectiv albastru-B)

Sistemele computerizate de achiziție și analiză a imaginilor își găsesc utilitatea într-o varietate extrem de largă de aplicații din domenii industriale și științifice, incluzând telecomunicațiile, electronica, domeniile referitoare la autovehicule sau materiale semiconductoare, farmaceutică [4],[5],[6].

Realizarea unui sistem pentru achiziție și analiză de imagini necesită în primul rând alegerea unor componente hardware cu caracteristici adecvate cerințelor impuse aplicației, apoi selectarea unui mediu de programare în care software-ul sistemului urmează a fi dezvoltat. Alternativ, pot fi alese sisteme cu configurație hardware prestabilită, dispunând de medii de programare pentru dezvoltarea de aplicații particulare, așa cum este cea din domeniul proiectului TORA : sortarea inteligentă a obiectelor aflate pe o banda transportoare.

Funcțiile și metode fundamentale de analiză și procesare de imagine (histograma, pragul, profilul unei linii, măsurarea intensității, LUT, filtrarea spațială, operatori aritmetici și logici) împreună cu funcțiile de analiză a obiectelor binare (operații de morfologie binară și tehnicile de măsurare a particulelor) precum și algoritmii utilizați în tehnica machine-vision (detecția conturului, potrivirea cu un model de referința, inspecția culorii, clasificarea particulelor binare, OCR, etc.), ajută la dezvoltarea unor aplicații de inspecție vizuala computerizata în timp real a obiectelor si in consecință poate furniza informații pentru controlul întregului proces.

Funcții si metode de analiza si procesare de imagine in tehnica machine vision

În aplicațiile machine vision se utilizează cu precădere imagini în nuanțe de gri (0-255) iar funcțiile de procesare a imaginii se aplica fie pe întreaga imagine, fie pe o mica zona de interes (ROI) cum ar fi o linie, un dreptunghi sau o forma aleasă arbitrar.

Cu ajutorul informațiilor statistice, cum este valoarea medie a intensității pixelilor sau deviația standard a intensității pixelilor se pot rezolva câteva din problemele de machine-vision. De exemplu se poate obține valoarea medie a intensității pixelilor dintr-o zonă de interes, pentru a verifica prezența, respectiv absența unei componente în locul respectiv (Figura 3). O componentă închisă la culoare pe un fundal deschis, produce o anumita valoare medie a intensității, în timp ce, în absența componentei, doar pentru fundalul deschis la culoare se produce o altă valoare medie (de aceea în timpul testării condițiile de iluminare trebuie să fie cele mai potrivite).

a)

b)

Figura 3: Prezenta (a) respectiv absenta (b) componentei in ROI determinata prin metode statistice

O altă aplicație care se poate realiza cu aceste funcții cantitative, constă în testarea și calibrarea unui sistem vision. Dacă valoarea medie a intensității pixelilor și deviația standard se modifică într-o regiune de interes (ROI) în care trăsăturile imaginii rămân neschimbate de la o imagine la alta, atunci sursa de lumină, sistemul optic sau focalizarea camerei s-au modificat. Aceste valori nu indică, care din părțile componente ale sistemului trebuie verificate, avertizează doar că există o problemă.

Una din funcțiile fundamentale de analiză a imaginilor utilizate în tehnica machine vision este histograma. Aceasta analizează întreaga imagine, numărând pixelii care există la fiecare din cele 256 nivele de gri posibile dintr-o imagine pe 8 biți. Graficul histogramei conține pe ordonata frecvența de apariție a fiecărui nivel de gri, iar pe abscisă intensitățile pixelilor (Figura 3). Informația dată de histogramă ajută la realizarea unei filtrări precise și eficace a trăsăturilor și a obiectelor pentru a putea realiza ulterior analiza morfologică și analiza obiectelor binare. În acest proiect, morfologia și analiza obiectelor binare se pot folosi pentru localizarea componentelor DPCI ce se deplasează pe banda transportoare .

Imaginea care va fi supusă analizei obiectelor binare, trebuie sa conțină informație formată numai din 0 și 1. Astfel primul pas în cadrul acestei analize implică găsirea unui prag care sa împartă imaginea în aceste doua valori. Valoarea pragului nu se alege întâmplător, ci în urma analizei histogramei imaginii asupra căreia se va aplica pragul. Exista metode globale respectiv locale de aplicare a pragului de binarizare, funcție de iluminarea uniforma respectiv neuniforma a scenei. Dintre metodele globale pot fi enumerate: aplicarea manuala a pragului, metode de tip Clustering, Entropy, Inter-Variance, Metric sau Moments. Dintre metodele locale de aplicare a pragului se pot enumera: algoritmii de tip Niblack, Sauvola sau Backgroud correction (corectia fundalului). În urma aplicării funcției de prag, într-o imagine binară se poate face diferențierea între suprafețele de interes (reprezentate cu roșu) și restul informației din imagine, care nu se mai utilizează ulterior (Figura 4).

a) b) c)

Figura 4: Aplicarea funcției de prag: imaginea originala (a), metoda Entropy (b), metoda Metric (c)

Prin utilizarea analizei obiectelor binare se pot localiza grupurile adiacente de pixeli care au valoarea logica 1, pentru a număra în acest fel obiectele izolate. Această analiză contribuie semnificativ la prelucrarea imaginii prin simplificarea acesteia.

Cu ajutorul analizei de particule se pot calcula mai mult 50 parametri, cum sunt: aria, perimetrul, centrul de masă, cel mai lung segment, aria golurilor, numărul golurilor, etc.

In imaginea din Figura 5 s-a folosit funcția morfologica de îndepărtare a punctelor mici si cea de închidere iar la analiza de imagine s-au calculat aria(in pixeli) a obiectului din imagine, centrul de masă al obiectului în coordonate (x,y) si respectiv numărul de goluri. Pentru a calcula suprafața fizică (în unități reale de măsură), este necesară calcularea manuală a unui factor de conversie a suprafeței: 1pixel=„x”mm2.

a) b) c)

Figura 5:Aplicare funcții morfologice (b) și analiza obiectelor binare (c)

Operațiile morfologice sunt complementare funcțiilor analizei obiectelor binare. În general, funcțiile morfologice modifică puțin formele obiectelor dar analiza ulterioara a acestora este mult simplificata. De exemplu, operația morfologică de eroziune reduce perimetrul obiectelor dar le separa pe cele care sunt foarte apropiate sau care se suprapun parțial. De asemenea eroziunea elimină mici trăsături ale imaginii, cum ar fi: marginile neregulate și pixelii individuali care pot proveni din zgomot. Funcțiile morfologice se comporta astfel ca si filtrele de tip trece-sus sau ca filtrele de tip trece-jos. În același mod, operația de dilatare poate umple golurile mici din interiorul obiectelor. Acestea pot fi o urmare a zgomotului sau a unor mici imperfecțiuni. Funcțiile de morfologie completează „golurile”, îndepărtează particule de dimensiuni mici, erodează marginile obiectelor pentru a șterge pixelii nedoriți simplificând astfel numărarea și dimensionarea obiectelor.

Funcțiile de morfologie și cele ale analizei obiectelor binare oferă mijloace foarte eficiente pentru realizarea inspecției vizuale, dar au și restricții. Acestea funcționează cel mai bine când imaginile de analizat prezintă un contrast bun între obiecte și fundal iar sistemul de iluminat asigura o iluminare uniformă, astfel încât să nu apară în imagine gradienți de iluminare.

Pe lângă calcularea ariilor și a perimetrelor, un sistem care utilizează vederea artificială trebuie sa facă măsurători sau calibrări ale dimensiunilor curente într-o imagine, în general între marginile unui obiect (funcția Clamp). Calibrarea se folosește în inspecția asamblărilor mecanice, a componentelor electronice sau a conectorilor electronici. Programul localizează utilizând valori ale pixelilor situați de-a lungul unei linii drepte, care se trasează în zona în care se așteaptă găsirea marginii. Se verifică valorile pixelilor pentru a detecta schimbările bruște și semnificative ale nivelelor de gri. Se știe ca derivata unei funcții algebrice continue determină locul punctelor de inflexiune ale funcției. Punctele de inflexiune sunt punctele în care panta trece de la pozitiv la negativ sau invers, iar în baza acestei teoreme se determină și marginile unui obiect într-o imagine. Mulți din algoritmii de detectare a conturului folosesc derivata a doua a valorilor pixelilor pentru a localiza marginile unui obiect de-a lungul unei linii.

…

a) b)

Figura 6: Aplicarea funcției „Clamp” de măsurare a obiectului pe doua direcții: (a) verticala si (b) orizontala

Este de reținut faptul că funcțiile de detectare a conturului acționează numai asupra pixelilor situați de-a lungul unei linii, nu asupra unei imagini întregi. Când detectează marginile, convertesc informația în coordonate spațiale, care definesc locațiile specifice ale acestora.

Tehnicile de detectare a conturului au și alte aplicabilități. Pentru a determina dacă o componentă este prezentă sau nu in imagine, programul trasează o linie pe direcția transversală a componentei și se calculează numărul de margini (Figura 7). Apoi compară numărul cu o valoare prestabilită, iar dacă valorile se potrivesc, componenta există.

Figura 7: Aplicarea funcției „Edge detector” de determinare a numărului de margini de-a lungul unei linii

Spre deosebire de funcțiile analizei obiectelor binare și a celor morfologice, funcțiile de detectare a conturului se pot utiliza chiar dacă imaginile conțin gradienți de iluminare. Gradienții mici de iluminare nu influențează aceste funcții.

Adesea, programul de inspecție vizuala trebuie să realizeze potrivirea unui model memorat cu un model din imaginea achiziționată. Spre exemplu, prin localizarea unor referințe tehnice pe o placă de circuite sistemul de vedere artificială poate alinia corespunzător componentele de pe placă raportându-se la aceste referințe identificate, poate inspecta componente cunoscându-le amplasarea pe placa, raportându-se la această referință și totodată poate ghida roboții care realizează asamblarea componentelor pe placă.

Funcțiile de recunoaștere a formei trebuie să țină cont și de condițiile curente de pe linia de producție cum sunt modificările neprevăzute de iluminat și alte variații nefavorabile ale procesului tehnologic. Orice program de recunoaștere a formei trebuie să funcționeze suficient de repede pentru a fi folosit cu succes pe linia de producție asociată acestuia.

Clasificarea obiectelor binare

Clasificarea particulelor binare identifică un eșantion necunoscut prin compararea unui set de caracteristici importante cu un set de caracteristici care conceptual reprezintă clase de eșantioane cunoscute [7],[8]. Clasificarea cuprinde două faze: învățarea și clasificarea propriu-zisă.

Învățarea este faza în care software-ul este antrenat să cunoască tipurile de eșantioane care se doresc a fi clasificate. Se pot învăța un număr de eșantioane pentru a crea un set de clase, care mai apoi poate fi comparat cu eșantioanele necunoscute. Clasele se pot stoca într-un fișier de clasificare. Învățarea poate fi un proces care să se execute o singură dată sau poate fi un proces incremental în care se pot adăuga noi eșantioane claselor existente sau să se creeze noi clase.

Clasificarea este faza în care se poate configura programul astfel încât aplicația să clasifice un eșantion necunoscut dintr-o imagine, într-una din clasele cunoscute care au fost învățate. În faza de clasificare, un eșantion este clasat în funcție de cât de mult seamănă caracteristicile acestuia cu caracteristicile eșantioanelor învățați.

Sortarea obiectelor cu diferite forme este una din aplicațiile tipice în care se folosește această metodă de clasificare. Imaginile ideale pentru clasificare sunt cele negre pe un fond alb, de diferite forme, cum sunt cele prezentate în Figura 8.

Figura 8: Imagini ideale folosite in clasificare-obiecte negre pe fond alb

În Figura 9 sunt prezentate imagini care nu sunt ideale pentru acest tip de clasificare deoarece conțin diferite părți neconectate sau imaginea este în nivele de gri și conține un șablon intern.

a) b)

Figura 9: a)Imagini cu forme binare care conțin părți deconectate b) Imagini în nivele de gri care conțin diferite tipare.

Un exemplu de aplicație de clasificare ar fi cea care își propune sortarea unor piulițe și șuruburi. Clasele din acest exemplu sunt piulița și șurubul.

Înainte de a învăța o aplicație de clasificare, trebuie să se determine un set de caracteristici, cunoscut ca și vector caracteristic, pe care să se bazeze comparația eșantioanelor necunoscute cu eșantioane din clase cunoscute. Caracteristicile din vectorul caracteristic trebuie să descrie în mod unic clasele de eșantioane cunoscute. În această aplicație un vector caracteristic poate cuprinde de exemplu, circularitatea Heywood și factorul de elongație. În

sunt prezentate valori bune pentru caracteristicile piulițelor și șuruburilor prezentate în Figura 10. Cu cât forma unui obiect este mai apropiată de un cerc, cu atât factorul circularității Heywood este mai aproape de 1. Cu cât un obiect este mai lung, cu atât factorul de elongație este mai mare.

Tabelul 3: Caracteristici de clasificare ale piulițelor și șuruburilor

Clasa piulița este descrisă de o caracteristică puternică a circularității și o caracteristică slabă a elongației. Clasa șurub este descrisă de o caracteristică slabă a circularității și de o caracteristică puternică a elongației.

După ce se determină vectorul caracteristic, se aleg exemple de eșantioane care se doresc a fi clasificate. Un sistem robust de clasificare conține multe exemple de eșantioane pentru fiecare clasă. Toate eșantioanele aparținând unei clase ar trebui să aibă valori similare cu ale vectorului caracteristic pentru a nu se încurca.

După ce se aleg eșantioanele pentru clasificare, se realizează învățarea softului prin compunerea vectorului caracteristic, dând valori pentru fiecare eșantion în parte. Pe urmă se poate începe clasificarea eșantioanelor prin calcularea vectorului caracteristic al eșantioanelor necunoscute, comparând valorile cu cele ale caracteristicilor vectorului eșantioanelor cunoscute. Clasificatorul atribuie un nume de clasă eșantioanelor necunoscute pe baza similarităților dintre valorile vectorului caracteristic și valorile eșantioanelor cunoscute.

În Figura 10 a) este prezentată imaginea binară a piulițelor și șuruburilor. În Figura 10 b) este prezentată clasificarea obiectelor după circularitate și elongație.

Figura 10: Clasificarea șuruburilor si piulițelor

Învățarea clasificatorului de particule (Particle Classifier)

Un clasificator trebuie sa treacă print-un proces de învățare și testare care trebuie sa conțină pașii expuse in Figura 11.

Figura 11: Procesul de învățare și testare al clasificatorului

Pornind de la aplicația de sortare dorita, se predefinește și se asociază un set de eșantioane învățate, care vor reprezenta proprietățile întregii populații de eșantioane ce vor să fie clasificate. Clasificatorul se configurează prin selectarea unei metode de clasificare și a unei distanțe metrice bine stabilite. De exemplu se poate configura clasificatorul de particule pentru a distinge următoarele:

• Diferențele mici între formele obiectelor independent de scală, rotație sau simetrie

• Formele care diferă numai prin scală

• Formele care diferă numai prin simetrie

• Orice combinație dintre punctele de mai sus

Dacă după testare se indică faptul că, clasificatorul nu răspunde cum ar trebui, se poate relua procesul de învățare prin colectarea unor imagini cu obiecte mai reprezentative sau se pot schimba setările procesului. În unele aplicații ce utilizează tehnica machine-vision, noi parți pot fi adăugate la un sistem de clasificare existent.

Clasificarea eșantioanelor

Pentru sortare, după procesul de învățare al clasificatorului, imaginile eșantioanelor se vor încadra în clasele lor corespunzătoare. În sunt prezentați pașii dintr-o fază de clasificare.

Figura 12: Pașii generali din faza de clasificare

Operația de preprocesare pregătește imaginea pentru o mai bună extragere a caracteristicilor. Preprocesarea include filtrarea zgomotului, aplicarea pragului, rejecția particulelor care ating marginea imaginii, ștergerea particulelor mici. Pentru rezultate mai bune imaginile trebuie achiziționate în aceleași condiții de iluminare în care s-au achiziționat imaginile de antrenare.

Extragerea caracteristicilor calculează vectorul caracteristic din spațiul caracteristic din imaginea de intrare. Extragerea caracteristicilor reduce volumul de informații din imagine prin măsurarea anumitor caracteristici sau proprietăți care încadrează aceste imagini in clase diferite. În funcție de scopul dorit, se decide ce caracteristică să se folosească. Caracteristicile pot fi valori brute de pixeli, sau niște reprezentări abstracte de date din imagini. Pentru aplicațiile de sortare este necesară selectarea cât mai eficientă a caracteristicilor care conservă separarea claselor adică, caracteristicile unei clase să fie diferite de a celorlalte clase. Clasificatorul de particule de la National Instruments (NI) clasifica eșantioane folosind diferite tipuri de descriptori de forma. Un descriptor de forma este un vector caracteristic care se bazează pe analiza măsurătorilor asupra particulelor. Fiecare tip de descriptor conține una sau mai multe măsurători de forma obținute dintr-un eșantion.

Descriptorul de forma implicit al clasificatorului de particule se bazează pe caracteristicile de forma care sunt invariante față de schimbările de scală, de rotație sau simetrie. Un alt tip de descriptor de formă se bazează pe dimensiunea eșantionului și se utilizează împreună cu descriptorul implicit de formă pentru a distinge eșantioane cu aceleași forme dar cu scale diferite. Clasificatorul mai folosește și un descriptor de formă reflexo-dependent pentru a distinge eșantioane care au aceeași formă dar care prezintă simetrie (cum ar fi literele mici p și q). Clasificatorul de particule folosește aceste tipuri diferite de descriptoare de formă într-un sistem multiclasificator pentru a obține o clasificare dependentă de scală, sau reflexo-dependentă sau o clasificare dependenta de scala si reflexo-dependentă.

Clasificatorul NI de particule poate aplica unul din următorii algoritmi : Minimum Mean Distance, Nearest Neighbor, K-Nearest Neighbor. Fiecare dintre aceste metode folosesc diferite distanțe metrice: distanța maximă (L∞), distanța sumă (L1) și distanța Euclidiană (L2).

Fie vectorii caracteristici :

si (1)

Distanța Euclidiană (L2) este definită prin următoarea formula:

(2)

Distanța suma (distanța Manhattan, metrica City-Block, L1) este data de formula: (3)

Distanța maximă (L∞) este data de formula:

(4)

În clasificarea Nearest Neighbor (cel mai apropiat vecin), distanța de la un vector caracteristic X, a unei clase necunoscute, la o clasa Cj, este definită ca și distanța la cel mai apropiat eșantion care este utilizat să reprezinte clasa.

(5)

unde este distanța dintre X si Xij.

Regula de clasificare atribuie un model X de clasificare necunoscută la clasa celui mai apropiat vecin

, daca (6)

Algoritmul Nearest Neighbor este in general cel mai potrivit pentru o clasificare. Dacă sunt disponibili vectorii caracteristici reprezentativi pentru fiecare clasă, această clasificare va funcționa cel mai bine pentru majoritatea aplicațiilor. În unele clasificări o clasă poate fi reprezentată de mai multe eșantioane care nu sunt în același grup cum se arată și Figura 13. În aceste cazuri clasificarea Nearest Neighbor este mai eficientă decât clasificarea Minimum Mean Distance.

Figura 13: Eșantioane de clase ce nu sunt localizate în aceeași mulțime

În cazul clasificatorului K-Nearest Neighbor (Clasificatorul al k-lea vecin apropiat), un vector caracteristic X este clasificat într-o clasă Cj pe baza unui mecanism de votare. Clasificatorul găsește k cele mai apropiate eșantioane din toate clasele. Vectorul caracteristic a clasei necunoscute este atribuit unei clase cu majoritatea voturilor în cele mai apropiate k eșantioane.

Seria de valori ale modelului caracteristic cauzate de zgomotele din aplicațiile din lumea reală pot cauza erori de clasificare atunci când este folosită clasificarea Nearest Neighbor. În exemplul din Figura 14 clasificarea K-Nearest Neighbor este mai robustă în comparație cu clasificarea Nearest Neighbor. Cu vectorul X ca mărime de intrare, se observă că pentru K=1 acesta va fi etichetat cu 1 și pentru K=3 acesta va fi etichetat cu 2.

Figura 14: Funcționarea clasificatorului K-Nearest Neighbor

Fie nj vectori caracteristici {X1j, X2j,…, Xnjj} care reprezintă clasa Cj. Fiecare vector caracteristic poartă eticheta clasei j care a fost selectată să reprezinte clasa. Centrul clasei j este definit prin relația:

(7)

Referitor la algoritmul Minimum Mean Distance un vector caracteristic X de clasă necunoscută este clasificat pe baza distanței sale față de centrul fiecărei clase.

, daca (8)

unde d(X,Mj) este definită ca fiind funcția distanță metrică selectată în faza de învățare.

Într-un sistem de clasificare în serie (cascadă), clasificatoarele iau decizii bazate pe mai multe etape de clasificare. Astfel Clasificatorul 1 obține candidați pentru Clasificatorul 2 in următoarea etapă.

Combinarea rezultatelor de la clasificatoarele multiple poate genera clasificări mai corecte decât orice alt algoritm de clasificare singular. Combinația valorilor rezultate este de obicei bazată pe reguli de combinare fixe cum ar fi produsul și/sau media rezultatelor clasificării. Clasificatorul NI de particule folosește un sistem cu clasificare paralelă cu trei clasificatori cum este ilustrat în Figura 15. Două clasificatoare sunt utilizate pentru clasificarea dependentă de scală. Unul dintre aceste clasificatoare folosește caracteristici invariante de scală și celălalt folosește caracteristici dependente de scală. În plus clasificatorul NI de particule folosește un al treilea clasificator pentru a distinge eșantioanele cu simetrie. Rezultatele clasificatoarelor sunt combinate folosind valorile specificate de utilizator pentru a găsi rezultatul.

Figura 15: Sistem de clasificare paralel

Studii privind sistemele senzoriale destinate sortării materialelor (A1-1-5, activitate comună cu UTIași)

Separarea deșeurilor electronice a devenit in ultimii ani un proces complex si aceasta deoarece o reciclare optima depinde tocmai de modul in care se face sortarea.

Sistemele de sortare folosesc pentru controlul procesului diferite tipuri de senzori si elemente de execuție. Astfel ca elemente senzoriale prezente in sistemele de sortare se remarca:

Camerele de luat vederi

Senzorii optici: bariere optice, senzori de culoare,

Senzorii spectrali

Separatoarele cu curenți turbionari (de tip Eddy Curent).

Senzorii de proximitate inductivi

Tehnologiile cu raze x. Acestea pot fi folosite pentru a detecta diferite tipuri de deșeuri funcție de densitatea acestora

Ca elemente de execuție (actuatori) in sistemele de sortare se remarca cele:

Pneumatice (ejectoare pneumatice)

Electrice: motoare, servomotoare (acționare palete separare, jgeaburi)

Mecanice (ciur rotativ). Acestea separa materialele in funcție de dimensiunea lor. Deșeurile sunt introduse in ciurul rotativ perforat cu găuri de o anumita dimensiune. Obiectele mai mici decât diametrul găurilor vor putea să cadă, restul vor rămâne in tambur..

Mecatronice (brațele robotice)

Camerele de luat vederi

Camerele de luat vederi utilizate in aplicațiile realizate in tehnica „Machine Vision” pot face parte din una din categoria senzorilor vizuali, a camerelor inteligente unde imaginea este achiziționată si prelucrata independent si respectiv a sistemelor cu viziune computerizata unde computerul procesarea imaginii preluata de la camera [15].

Un senzor vizual este un sistem specializat de viziune (in vizibil sau infraroșu) care este configurat sa îndeplinească anumite funcții fără a exista o flexibilitate privind reconfigurarea sa software. Din aceste motive timpul de setare al senzorului vizual este relativ scurt. Exista astfel senzori vizuali care, de exemplu, sunt specializați in sortarea după culoare a obiectelor (Figura 27-a), alții sunt utilizați in verificarea conturului sau citirea unor coduri de bare [16].

(a) (b)

Figura 27: (a)Senzor vizual O2V100 (IFM) pentru inspecția obiectelor, (b) Smart Cameras (NI)

O camera inteligenta (Smart Camera-Figura 27,b) are integrata unitatea de analiza de imagine ceea ce ii permite sa opereze independent de un computer si intr-un domeniu larg de aplicații „machine vision” 2D sau 3D [17].

Camere din sistemele de viziune computerizata capturează imaginea si o transfera computerului pentru procesare si analiza. Aplicația de sortare propusa la capitolul (3.3) utilizează acest tip de camere.

Senzorii optici

Barierele optice

O barieră optica este formata din un emițător optic al cărui fascicul luminos este focalizat pe un senzor optic. Pentru a emite lumina se pot utiliza LED-uri in infraroșu sau laser. Senzorii optici cei mai utilizați sunt fototranzistoarele, fotodiodele si fotorezistențele.

Un obiect care intra in raza de acțiune a fasciculului luminos, modifica semnalul dat de senzorul optic. In Figura 28, poate fi urmărita amplasarea a doua bariere optice X1, X2, pentru a detecta obiecte de înălțimi diferite.

Figura 28: Bariera optica cu doua fascicule utilizata pentru sortarea obiectelor mari si mici

In continuare este prezentata o aplicație cu automat programabil FX1S-14MR de la Mitsubishi Electric [18], pentru sortarea pe o banda rulanta a obiectelor de doua dimensiuni (mari si mici) folosind bariere optice (Figura 29).

Figura 29: Stand experimental de sortare pe banda rulanta a obiectelor folosind bariere optice

Schema electrica pentru comanda benzii rulante si pentru controlul sortării poate fi urmărita in Figura 30

Figura 30: Schema electrică pentru comanda benzii rulante.

Cele doua bariere optice sunt formate din LED-uri in infraroșu de tip LIR30243 si fototranzistoare de tip LTR3208. Semnalul dat de fototranzistor este comparat (comparatorul de tensiune LM393) cu o valoare de referință determinata experimental.

Automatul programabil sesizează la intrările X1, X2 starea celor doua bariere optice astfel:

Daca nici un obiect nu este in raza de acțiune a barierelor, intrările automatului vor fi active: X1=ON, X2=ON.

Daca un obiect mic intra in raza de acțiune a barierelor, intrările automatului vor fi: X1=ON, X2=OFF.

Daca un obiect mare intra in raza de acțiune a barierelor, intrările automatului vor fi inactive: X1=OFF, X2=OFF.

Ieșirile automatului Y0 respectiv Y1 comandă cele două electroventile, de tip ESM 86, cu aer sub presiune, care vor trimite obiectele de pe bandă în două containere.

Programul înscris in automatul FX1S-14MR (Figura 31) conține semnalele X1, X2 de la barierele optice conține, comanda Y0, Y1 a electroventilelor cu aer sub presiune, temporizările T respectiv locațiile M de memorie de 1 bit [19].

Figura 31: Programul de sortare (FX1S-14MR)

Pentru obiectele mici, (linia de program 0), se va seta M1=1 când obiectul ajunge in dreptul barierei optice. După un timpT1, se va acționa electroventilul Y0, care este menținut deschis timpul T3.

Pentru obiecte mari, (linia de program 15), se va seta M2=1 când obiectul ajunge in dreptul barierei optice. Dupa un timp T2, se va acționa electrovana Y1, care este menținută deschisă timpul T4.

In este prezentat standul experimental de sortare.

Senzorii de culoare

Dispozitivele destinate sortării obiectelor pe baza culorii acestora (sortatoare de culori) sunt destul de des întâlnite pe liniile de producție din industrie. Ele detectează culorile obiectelor ce trec prin fața senzorului optic iar apoi în funcție de programul prestabilit de utilizator și folosindu-se ejectoare mecanice sau pneumatice care direcționează obiectele în locurile corespunzătoare. Acestea pot fi folosite aplicațiile de reciclare sau în industria alimentară si a diamantelor, fiind capabile să măsoare transparența diamantelor, implicit puritatea acestora.

Spre deosebire de o camera video, care necesita un echipament complex de prelucrare a datelor, un senzor de culoare furnizează la ieșire o frecventa specifica pentru fiecare culoare. Partea de prelucrare a semnalului de ieșire este relativ simpla. Este necesara de fapt măsurarea frecventei, acesta putând-se face utilizând un microcontoler, automat programabil, placa de achiziție, etc.

Senzorul de culoare TCS230 [20] este un convertor lumină-frecvență care combină fotodiodele de siliciu și un convertor curent-frecvență pe un singur circuit integrat monolitic CMOS (Figura 32). La ieșire acesta produce un semnal dreptunghiular cu o frecvență direct proporțională cu intensitatea luminii. Frecvența poate fi scalată cu una din cele trei valori prestabilite prin intermediul a doi pini de intrare de comandă. Intrările și ieșirile digitale permit interfațarea directă cu un microcontroler sau alte circuite logice. Comanda de ieșire (Output Enable, pinul OE) comută ieșirea în starea de înaltă impedanță pentru partajarea pinului de intrare pentru mai multe microcontrolere.

Figura 32: Modulul senzor de culoare TCS230

Convertorul de lumină-frecvență citește o matrice de 8×8 de fotodiode. Șaisprezece fotodiode au filtru albastru, șaisprezece fotodiode au filtrul verde, șaisprezece fotodiode au filtrul roșu și șaisprezece fotodiode sunt clare, fără filtru de culoare. Cele patru tipuri (culori) de fotodiode sunt așezate uniform pentru a minimiza efectul de neuniformitate a radianței incidente. Toate cele 16 fotodiode de aceeași culoare sunt conectate in paralel. Fotodiodele au dimensiuni de 120 μm x 120 μm.

Diagrama bloc de funcționare senzorului TCS230 este prezentata in (Figura 33).

Figura 33: Diagrama bloc de funcționare a senzoruluiTCS230

Frecvența de ieșire este controlată de două intrări logice, S0 și S1. Convertorul intern lumină-frecvență generează un tren de impulsuri cu lungime de undă fixă. Scalarea se realizează prin conectarea internă a ieșirii trenului de impulsuri a convertorului la o serie de separatoare de frecvență. Din cauză că frecvența de ieșire este rezultată prin numărarea pulsurilor a frecvenței principale interne, perioada pulsului de ieșire reprezintă o medie a mai multor perioade a frecvenței principale.

Regiștrii de contorizare a scalării de ieșire sunt șterși până la următorul impuls al frecvenței principale după orice tranziție a liniilor S0, S1, S2, S3 și OE. Ieșirea este ridicată până la următorul impuls al principalei frecvențe, începând o nouă perioadă validă. Acest lucru scade întârzierea dintre o modificare a liniei de intrare și perioada rezultată. Timpul de răspuns la o modificare de programare de intrare sau la o iradiere.

Funcția de scalare a frecvențelor permite optimizarea intervalului de ieșire pentru o varietate de tehnici de măsurare. Ieșirile scalate în jos pot fi utilizate numai în cazul în care este disponibil un contor de frecvență mai lent, cum ar fi un microcontroler cu cost redus sau în cazul în care se utilizează tehnici de măsurare a perioadei.

S-a realizat o aplicație de sortare a obiectelor după culoare folosind standul experimental din Figura 34. Acesta cuprinde următoarele: senzorul de culoare TCS230, servomotorul FS5103B pentru poziționarea jgheabului de sortare, motorul de curent continuu 3-9V, 47rpm pentru antrenarea benzii transportoare, tranzistorul IRF3710 pentru comanda PWM a motorului benzii transportoare, Sursa de alimentare 5V, 3A, o bariera optica.

Figura 34: Stand experimental de sortare a obiectelor cu senzor de culoare

Schema electrica a standului experimental si codul de citire a culorii “roșu” sunt prezentate in Figura 35.

Figura 35: Schema electrică a standului experimental pentru sortarea obiectelor cu senzor de culoare

Algoritmul programului se bazează pe succesiunea de pași descrisă mai jos:

Motorul de curent continuu acționează banda transportoare pe care se află obiectele ce urmează să fie sortate;

Când un obiect ajunge în dreptul barierei optice motorul se oprește;

Senzorul RGB citește valorile date de culoarea obiectului oprit în dreptul lui;

Pe baza valorilor citite de la senzorul de culoare se setează un unghi pentru servomotorul atașat jgheabului

Banda transportoare pornește din nou pana când obiectul este adus in dreptul jgheabului de ghidaj.

Senzori spectrali

Imagistica hiperspectrală reprezintă o noua tehnologie, bazata pe senzori spectrali, care în combinație cu elemente de inteligență artificială și dispozitivele de acționare, cum ar fi roboți, ejectoare pneumatice sau palete permite mașinilor sa îndeplinească sarcini complexe., cum ar fi cele de sortare industrială [21].

Senzorii spectrali oferă informații într-un spațiu tridimensional acesta constând din doua dimensiuni spațiale si o dimensiune spectrală. Imagistica hiperspectrală măsoară date spectrale de înaltă rezoluție la fiecare pixel într-o imagine bidimensională. Camerele standard oferă trei puncte de date spectrale la fiecare pixel: roșu, verde și albastru (RGB). Amestecul celor trei valori este interpretat ca o culoare unică. Într-o imagine hiperspectrală, spectrul de reflexie a materialelor este o curbă continuă a lungimilor de undă cu sute de puncte de date spectrale la fiecare pixel. Este o formă de spectroscopie. Un spectrometru standard oferă un însă singur "pixel" pe măsurătoare – nu există imagistică. Imaginea "multispectrală" se referă la un cub in care fiecare pixel care furnizează câteva puncte de date spectrale, de obicei între patru și doisprezece. Termenul hiperspectral se referă la multe puncte de date spectrale care produc un spectru aproape continuu, de obicei sute de puncte de date la fiecare pixel (Figura 36).

Figura 36: Cubul de date ale unei imagini hiperspectrale [22].

Proiectarea și fabricarea camerelor hiperspectrale (Figura 37) este semnificativ mai complexă decât pentru spectrometrele de punct, deoarece imagistica tuturor lungimilor de undă pe întregul plan de imagine, în timp ce minimizarea distorsiunilor este o problemă optică dificilă.

Figura 37: Camera hiperspectrală SPECIM FX SERIES destinata aplicațiilor de tip „machine vison”[23]

Una din aplicațiile imagisticii hiperspectrale este cea de clasificare a materialelor. Acestea sunt caracterizate de diferite spectre de absorbție, si deci, spectrele lor de reflexie diferă unul de altul. Astfel imagistica spectrală poate fi utilizata pentru sortarea materialelor plastice, a mineralelor, a sticlei, a produselor alimentare și precum in procesele de reciclare.

Principiul măsurărilor hiperspectrale poate fi utilizat si în afara spectrului vizibil [24]. Nivelele de energie ale oscilațiilor moleculare sunt situate în principal în regiunea infraroșie a spectrului (NIR si IR). Deoarece compușii chimici au niveluri caracteristice de oscilații moleculare, materialele moleculare pot fi clasificate prin utilizarea informației privind absorbția spectrala în spectrul infraroșu. Valorile măsurate ale intensității diferitelor părți ale spectrului pot fi combinate într-un vector caracteristic ce poate servi intrare într-un clasificator.

Un exemplu ce folosește măsurători ale spectrului in NIR (Figura 38, a) este cel folosit pentru sortarea diferitelor materiale plastice(Figura 38, b).

Figura 38: (a) Răspunsul NIR pentru diferite materiale plastice, (b)Sistem de sortare [25]

Separatoare cu curenți turbionari (de tip Eddy Curent)

In sistemele de sortare a deșeurilor, la separarea metalelor feroase de cele neferoase se utilizează principiul curenților turbionari, curenți ce apar atunci când un material conductor este expus la un câmp magnetic variabil.

In principiu la capătul unei benzi transportoare ce transporta deșeurile este prevăzut un rotor cu curenți turbionari. Metalele neferoase sunt aruncate din centură într-un recipient, în timp ce nemetalele cad datorită gravitației.

Separatoarele de curenți turbionari (Figura 39: Separator cu curenți turbionari, funcție de tipul acestora, pot utiliza un tambur rotativ cu magneți permanenți sau un electromagnet. Rotirea magneților generează un câmp magnetic variabil. Astfel fiecare particulă electric conductivă situată în acest câmp se magnetizată temporar. Astfel toate metalele care trec peste rola magnetică devin ele însele magnetizate. Aceasta permite separarea unui număr mare de metale neferoase și aliajele lor, inclusiv aluminiu, cupru și alamă.

Figura 39: Separator cu curenți turbionari

In funcție de proprietățile lor fizice, unele metale neferoase sunt mai ușor de separat decât altele. In Tabelul 4 [26]sunt specificate diferite metale neferoase clasificate pe baza a trei factori. Prima coloană prezintă conductivitatea electrică a materialului, a doua coloană indică densitatea materialului (efectul gravitației asupra bucății de metal evacuate) iar ultima coloană prezintă raportul dintre acești doi factori. Cu cât conductivitatea electrică este mai mare și cu cat densitatea este mai mică, cu atât un material poate fi separat mai bine.

Tabelul 4 Proprietățile fizice ale diferitelor metale neferoase

Dimensiunea fracției (adică mărimea particulelor în fluxul de material) este de asemenea un factor foarte important pentru obținerea unei bune separări. Curenții turbionari produc forțe de respingere într-o bucată de metal ceea ce determină evacuarea lor după o anumită traiectorie. Ca rezultat, metalele neferoase au o altă traiectorie de evacuare decât celelalte. Cu cât volumul este mai mare, cu atât mai mult separarea traiectoriilor ("a") este mai mare (Figura 40).

Figura 40: Principiul separatoarelor cu curenți turbionari

Deoarece fluxurile de produse conțin adesea elemente feroase, separatoarele cu curenți turbionari pot include un modul pentru îndepărtarea bucăților de fier printr-o rută separată, înainte de a avea loc separarea neferoasă. Soluțiile posibile includ un jgheab vibrat sau o alta banda transportoare în combinație cu un tambur magnetic. Ambele sisteme pot fi construite cu rezistențe magnetice diferite, pentru separarea unor metale magnetice puternic magnetice sau chiar slab magnetice (cum ar fi oțelul inoxidabil).

Separatorul de tip Eddy Current se poate folosi si pentru a separa materiale metalice (feroase și neferoase) de particulele nemetalice (plastic,cauciuc, lemn, sticlă, etc.).

Senzori de proximitate inductivi

Senzorii de proximitate fac parte din categoria senzorilor fără contact, proximitatea însemnând apropierea dintre două elemente: unul de referință fix, iar al doilea aflat în mișcare [12][13]. Ca domenii de aplicabilitate se pot enumera : sesizarea capetelor de cursă, sesizarea unei distanțe între două suprafețe, sesizarea prezenței unui obiect în câmpul de lucru. Oscilatorul din cadrul traductorului întreține un câmp electromagnetic de înaltă frecvență, în jurul bobinajului (Figura 41).

Figura 41: Senzor de proximitate inductiv

Apropierea unui corp metalic de fața activa a traductorului conduce la amortizarea oscilațiilor (Figura 42). Etajul electronic de basculare prelucrează semnalul rezultat și comandă prin intermediul amplificatorului sarcina de tip releu. Alimentarea blocurilor componente ale traductorului, se realizează din exterior prin bloc separat.

Figura 42: Principiul de funcționare al senzorului de proximitate inductiv

Senzorul de proximitate inductiv in aplicația pentru sortarea componentelor electronice dezmembrate de pe DPCI

Referitor la aplicația de la paragraful 3.3 si la standul experimental din Figura 17, senzorul inductiv de proximitate (IFM) a fost conectat pe stand astfel încât la căderea pieselor de pe banda neagra pe cea alba acesta sezisează prezenta materialelor conductoare in piesele de sortat. Preluarea semnalului (on/off) de la senzorul de proximitate s-a făcut pe canalul digital DI0 de pe placa de achiziție de tip MyDAQ de la National Instruments. Schema de conectare este reprezentata in Figura 43.

Figura 43: Schema de conectare a senzorului de proximitate la placa de achiziție myDAQ

Starea senzorului de proximitate este monitorizata pe canalul DI0 al plăcii de achiziție MyDAQ (Figura 44). Acesta poate indica doua stări: „on”-prezență componenta metalică, „off”-absență componenta metalică.

Figura 44: Diagrama bloc – achiziție stare senzor de proximitate

Bratul robotic in aplicația pentru sortarea componentelor electronice dezmembrate de pe DPCI

In sistemele de sortare a obiectelor de pe benzi transportoare separarea acestora se poate face fie prin acționarea unor ejectoare pneumatice fie prin acționarea unor palete sau jgheaburi sau prin acționarea unor brațe robotice [27] dotate cu gripper sau elemente de tip ventuza (aspirare).

Referitor la aplicația de la paragraful 3.3 si la standul experimental din Figura 17, in procesul de sortare s-a decis ca in momentul in care sistemul de inspecție vizuala clasifica obiectul de pe banda transportoare ca fiind :cipset integrat acesta sa fie ridicat (prin aspirare) de pe banda cu ajutorul unui braț robotic (Figura 45) si plasat intr-un recipient separat.

Figura 45: Brațul robotic si sistemul de aspirare

Brațul robotic este unul de tip articulat, cu 3 grade de libertate (rotație, deplasare verticala, deplasare radiala) si este acționat prin intermediul a 3 servomotoare legate la un dispozitiv hardware de tip myRIO de la National Instruments, conectat la o rețea WiFi, schema de conexiune fiind realizata ca in Figura 46.

Dispozitivul hardware MyRIO se bazează pe tehnologia RIO de la NI fiind un dispozitiv IO reconfigurabil. Acest lucru se regăsește și pe NI CompactRIO și RIO, care sunt adesea folosite în industrie. Hardware-ul NI este de obicei programat cu Labview, interfața de programare grafică a NI [9],[14]. NI myRIO este realizat in jurul unui System-on-Chip Zynq – 7010 FPGA, dezvoltat de Xilinx care include un dual-core ARM Cortex-A9. FPGA are 28000 de celule logice programabile, 10 intrări analogice, 6 ieșiri analogice, 1 intrare / ieșire audio și până la 40 de linii de intrare / ieșire digitale. De asemenea, myRIO are WiFi, un accelerometru cu trei axe și câteva LED-uri programabile.

Figura 46: Schema de conexiune a brațului robotic la placa MyRIO (NI)

Cele trei 3 servomotoare sunt conectate la canalele B/PWM0 (rotire), B/PWM1 (Sus – Jos), B/PWM2 (Înainte – Înapoi). Pentru încadrarea poziției brațului robotic in zona ariei de acționare pe banda s-au stabilit limitele in care se poate varia factorul de umplere al semnalului PWM (Duty cycle)(Figura 4.25). Frecventa pulsurilor PWM a fost setata la valoarea de 50 Hz. Totodată s-au testat stările pentru comanda pompei si valvei necesare in acționarea sistemului de aspirare (Figura 4.26).

Figura 47:Controlul factorului de umplere al semnalelor PWM pentru cele trei servomotoare

Din punct de vedere software, aplicația include dispozitivul MyRYO – 1900 (Figura 4.27) si programul principal „Main4.vi” unde se comanda secvența de prindere a cipset-ului respectiv eliberarea a acestuia in zona de sortare. Pozițiile pe direcția „sus – jos” si respectiv „rotire” nu depind de poziția obiectului de pe banda, in schimb coordonata „y” rezultata din analiza de imagine din pasul anterior de sortare va fi convertita intr-o valoare de factor de umplere. Conversia se face in urma unui proces de calibrare.

Figura 48: Componenta „LabVIEW Project” a aplicației cu MyRIO

Sortarea cu braț robotic poate fi o alternativa de sortare intr-un sistem complex cu benzi transportoare.

Arhitectura hardware si cea software a aplicației realizate nu permit o viteza foarte mare de sortare iar in acest sens vor trebui găsite soluții de scădere a timpilor in etapele de transport si clasificare a componentelor în așa fel încât randamentul sistemului sa crească semnificativ.

Caiet de sarcini pentru sistemul de benzi transportoare destinat sortării componentelor electronice (de mici și mari dimensiuni) având la baza elemente de viziune computerizată si tehnici senzoriale specifice (A1-1-6, activitate comună cu UBB și UTIași)

Introducere

Reciclarea deșeurilor electronice in prezent este o prioritate pentru omenire la nivel global. In acest context separarea/sortarea deșeurilor are un rol primordial. Astfel, deșeurile de placi cu circuite integrate (DPCI) se pot separa folosind sisteme de sortare inteligente bazate pe elemente senzoriale specifice si de inspecție vizuala computerizata. Astfel de sisteme utilizează principiile „Machine Vision” in timp real combinate cu elemente de inteligență artificială.

Obiectivul principal al acestui proiect este proiectarea si implementarea unui sistem destinat sortării inteligente, pe benzi transportoare, a deșeurilor de placi cu circuite integrate (DPCI). Metodele de sortare vor avea la baza elemente de viziune computerizată si tehnici senzoriale specifice cu scopul păstrării integrității componentelor de pe placi in vederea unei mai ușoare si economice separări si reciclări a deșeurilor secundare. Aplicarea tehnologiilor propuse ar duce la o rata ridicată de recuperare a diferitelor materiale (aur, argint, cupru, aluminiu, staniu, platina, paladiu, fier, sticla, plastic) conținute în deșeurile electronice.

Componentele de pe plăcile cu circuite integrate (Tabelul 1) sunt apriori dezmembrate prin metodele electrochimice si mecanice (condensatoare, șuruburi, radiatoare, baterii, alte obiecte nedizolvate). Sistemul de sortare va trebui sa separe următoarele categorii: deșeuri din plastic (de mare si mica dimensiune), CIP-uri (de mare si mica dimensiune), SMD-uri, deșeuri magnetice, bobine, ferite.

Cerințe generale

Sistemul va sorta următoarele categorii de DPCI: deșeuri din plastic (de mare si mica dimensiune), CIP-uri (de mare si mica dimensiune), SMD-uri, deșeuri magnetice, bobine, ferite. Acestea sunt deja dezmembrate prin proceduri electrochimice.

Sistemul de sortare va trebui sa fie unul automat, cu excepția :

-alimentarii manuale a instalației cu elemente de sortat

-pornirii si opririi instalației

-acționarii unui buton in caz de urgenta.

Dimensionarea instalației se va face pentru un model experimental. Astfel se vor fi stabilite valori acceptabile pentru:

Viteza, accelerația capacitatea de încărcare a benzilor transportoare

Dimensiunea containerelor de sortare

Consumul de energie electrica

Containerele de sortare vor fi marcate cu denumirile deșeurilor de sortat

Scopul acestui proiect este de a modela si proiecta sistemul de sortare propus. Construcția benzilor transportoare si a altor subansambluri mecanice nu fac obiectul acestui proiect

Senzorii, motoarele, componentele hardware si software de achiziție si procesare a datelor pot fi menținute, daca este cazul, la trecerea de la model la prototip

Temperatura aerului in zona de sortare nu trebuie sa depășească 35C

Cerințe specifice

Instalația de sortare inteligenta pe benzi transportoare DPCI va trebui sa respecte diagrama din Figura 49.

Figura 49: Modalitatea de sortare a DPCI

Sortare 1.

Componentele dezmembrate de pe circuitele integrate vor fi sortate după dimensiune in doua categorii: mari si mici. Pentru aceasta etapa de sortare:

se pot folosi metode mecanice de sortare (tambur cu site) si/sau bariere optice

componentele din cele doua categorii vor merge in locații separate pentru a fi supuse unui nou proces de sortare

Piesele de dimensiune mare vor trebui aliniate pe o banda transportoare

Sortare 2.

Componentele de dimensiune mare vor sorta in categoriile prezentate in Figura 49. Pentru aceasta etapa de sortare:

Se pot folosi tehnici de inspecție vizuala si sisteme senzoriale

Separarea componentelor poate fi făcută cu palete, ejectoare pneumatice sau brațe robotice

Componentele separate vor fi depozitate in containere

Componentele din plastic vor rămâne pe banda transportoare pentru a fi supuse unui nou proces de sortare

Se va prevedea un container pentru componentele din plastic ce au incluziuni metalice rezultate in urma dezmembrării

Sortare 3.

Componentele din plastic de dimensiune mare se vor sorta pe diferite categorii de plastic. Pentru aceasta etapa de sortare

Se pot folosi tehnici de inspecție vizuala, senzori de culoare sau senzori spectrali

Acest tip de sortare nu este obligatoriu

Componentele separate vor fi depozitate in containere

Sortare 4.

Componentele de dimensiune mica vor sorta in categoriile prezentate in Figura 49.Pentru aceasta etapa de sortare:

Separarea se va face pe o banda transportoare speciala dedicata acestei categorii

Se pot folosi tehnici de inspecție vizuala, separatoare cu curenți turbionari, senzori spectrali

Componentele separate vor fi depozitate in containere

Modelarea si proiectarea unui sistem de sortare inteligentă pe benzi transportoare a componentelor de pe DPCI folosind tehnici de inspecție vizuală și sisteme senzoriale specifice

Unul dintre obiectivele acestei etape ale proiectului a fost identificarea sistemelor hardware si software necesare sortării DPCI utilizând elemente de inspecție vizuala computerizata. Astfel s-a implementat o aplicație dedicata acestui obiectiv, aplicație ce conține următoarele parți principale (Figura 16):

Sistemul de benzi transportoare (banda alba si banda neagra)

Sistemul de acționare al benzilor transportoare

Sistemul de achiziție a imaginilor (camerele web)

Aplicația software realizata in mediul de programare LabVIEW

Aplicația conține de asemenea si alte elemente senzoriale respectiv de execuție, elemente ce vor fi descrise in detaliu in capitolul 4.5 si respectiv Error! Reference source not found.:

Senzorul de proximitate si sistemul de achiziție de semnal (MyDAQ)

Brațul robotic cu prindere (3 servomotoare, o pompa, valva)

Figura 16: Aplicație pentru sortarea componentelor electronice dezmembrate de pe DPCI

Din punct de vedere hardware aplicația conține: Banda transportoare neagra (1), Controlerul MID 7604 (2), placa de achiziție MyDAQ (3), Camera Microsoft LifeCam HD-3000 (4), Senzor de proximitate (5), placa de dezvoltare MyRIO (6), Braț robotic (7), PC (8), Banda transportoare alba (9)

Aplicația software rulează pe doua computere, unul principal ce realizează acționarea benzilor si clasificarea obiectelor si unul secundar ce realizarea acționarea brațului robotic prin intermediul plăcii MyRIO (conexiune wi-fi). Diagrama bloc din Figura 17 indica modul de interacțiune intre sistemele prezentate.

Figura 17: Diagrama bloc a sistemului de sortare

Sistemul de benzi transportoare

Partea mecanică a sistemului proiectat este alcătuită din doua benzi care au rolul de a transporta obiectele de sortat de pe o banda pe alta. Benzile transportoare se află la o diferență de nivel una de alta pentru a facilita trecerea componentelor de pe o bandă pe alta.

Prima bandă transportoare (Figura 18) este realizată din 2 plăci de poliuretan dispuse paralel la o distanță de 65 mm una de alta și prinse de un suport în partea inferioara a acestora. În interiorul acestor plăci, pentru suportul benzii transportoare rulante se află o altă placă de poliuretan. La capetele acestei benzi transportoare se afla două role. Una din aceste role este acționată de un motor pas cu pas, și are rolul de a angrena partea rulantă a benzii transportoare.

Angrenajul dintre rolă și motor se face cu 2 roți dințate, una care se află pe axul rolei și una care se află pe axul motorului pas cu pas. Rotile dințate folosite în angrenajul descris mai sus sunt confecționate din material plastic. Materialele plastice au elasticitate mărită, dar caracteristici mecanice reduse, utilizându-se în construcția roților dințate puțin solicitate.

Figura 18: Banda transportoare 1 (negru)

A doua bandă transportoare (Figura 19) este asemănătoare primei. Diferența semnificativă dintre aceste 2 benzi transportoare o reprezintă dimensiunea lor si culoarea materialului (negru si alb). Acest lucru este justificat de culoarea componentelor, multe dintre acestea fiind de culoare închisa sunt greu de distins pe o suprafața tot de culoare închisa.

Angrenajul dintre rolă și motor este același ca și în cazul primei benzi transportoare, iar angrenarea se realizează de asemenea cu un motor pas cu pas.

Transferul de pe o bandă transportoare pe alta se face prin intermediul unei suprafețe netede pe care sa plasat un senzor de proximitate necesar sesizării prezentei elementelor metalice din obiectele de sortat.

Figura 19: Banda transportoare 2 (alb)

Sistemul de acționare al benzilor transportoare

Benzile transportoare sunt angrenate de 2 motoare pas cu pas comandate cu ajutorul controlerului de mișcare NI-7344 și controlerului NI-MID-7604 (Figura 20). Rolul benzilor rulante este de a transporta obiectele pe sub camerele video pentru a putea face achiziția de imagine.

(a) (b)

Figura 20: (a)Controlerul NI-7344, (b) Controlerul MID 7604

Controlerul NI-7344 din Figura 20 (a) este dedicat atât motoarelor pas cu pas cât si servomotoarelor. Acesta oferă control programabil al mișcării pentru până la 4 axe independente sau interconectate, cu limitatoare de intrare sau ieșire pentru funcții de uz general. Axele pentru servomotoare se folosesc pentru a comanda servomotoare, servovalve sau alte dispozitive numai în buclă închisă. Pentru monitorizarea vitezei si a poziției se pot folosi cititoare în cuadratura sau semnale analogice de intrare. Axele pentru motoare pas cu pas se folosesc pentru controlul motoarelor pas cu pas în buclă deschisă sau închisă. Bucla închisă este realizată la fel ca și pentru servomotoare: cititoare în cuadratura sau semnale analogice de intrare. Motoarele pas cu pas pot funcționa în 3 regimuri diferite: regim de micropășire, jumătate de pas sau cu pas întreg. Performanțele ridicate ale controlerului sunt date de arhitectura cu două procesoare. Primul este un procesor în timp real de 32 de biți făcut de Motorola (MC68331), al-2-lea fiind un procesor digital de semnal (Analog Devices ADSP-2185).. O alta caracteristică importantă a controlerului este faptul ca poate executa până la zece programe de mișcare simultană într-un mediu de operare multitasking în timp real.

Programarea controlerului se poate face cu mai multe programe începând cu cele de la National Instruments( Flex Motion, LabView, BridgeView) pana la C++ sau Visual Basic sau alte limbaje de programare.

Controlerul MID 7604 din Figura 20 (b) este un amplificator de putere folosit pentru controlul simultan al mișcării motoarelor pas cu pas bipolare pe două sau patru axe. Controlerul poate acționa o gamă largă de motoare pas cu pas bipolare cu 4,6,8 fire având setările pentru curentul de fază selectabil de către utilizator între 0,20 A/faza – 1,4 A/faza. Componentele controlerului sunt răcite cu ajutorul unor ventilatoare aflate în interiorul carcasei acestuia pentru o mai mare fiabilitate.

Legătura dintre NI-MID 7604 și controlerul de mișcare 7344 se face cu ajutorul cablului SHC68-C68-S cu 68 de pini.

Sistemul de achiziție a imaginilor

Pentru achiziția imaginilor pieselor pe cele doua benzi transportoare s-au folosit camere web de tip Microsoft LifeCam HD-3000 (Figura 21).

Figura 21: Camera web Microsoft LifeCam HD-3000

Acest tip de camera are următoarele caracteristici: Rezoluție senzor (pixeli): 1.3 MP, Rezoluție video (pixeli): 1280 x 720, Interfața: USB, Format înregistrare 16:9, HD 720p, Tehnologie TrueColor

Aplicația software de sortare

Aplicația software a fost realizata in mediul de programare LabVIEW împreuna cu produsele LabVIEW Vision si respective LabVIEW Motion de la National Instruments [9][10][11].

Panoul frontal ala aplicației conține informații legate de pașii parcurși si decizia de clasificare (Figura 22)

Figura 22: Panoul frontal al aplicației. Clasificare suport procesor (a), Cipset integrat (b)

Aplicația este realizata într-o arhitectura de tip “State Machine” ce conține următoarele parți componente:

1. Achiziție imagine camera 1 (camera 1, Default). In acest caz camera 1 sesizează prezenta unui obiect pe banda si resetează starea senzorului de proximitate (Fals). Daca obiectul este prezent pe banda se trece la sortarea propriu-zisa care începe cu oprirea obiectului in dreptul camerei 2.

2. Achiziție imagine camera 2 (camera 2). In acest caz motorul pas cu pas 1 (Axa 2) deplasează banda pana când obiectul se afla in dreptul camerei 2. Acest lucru este determinat prin analiza si procesarea imaginii parcurgând următorii pași: extragerea planului de culoare (verde), aplicarea unei măști si extragerea zonei de interes (ROI), filtrarea cu un filtru de netezire Gaussian, aplicarea unui filtru de tip Sobel (Edge Detection) si respectiv aplicarea unui detector de margini de tip Edge Detector. Pașii de procesare au fost stabiliți cu ajutorul programului NI Vision Assistant (Error! Reference source not found.).

Figura 23: Achiziție imagine camera 2

3. Achiziție imagine camera 2 si clasificarea obiectelor pe banda neagra (clasificare). Imaginea obiectului se achiziționează cu un nivel de strălucire adus la minim (30) si se procesează in următorii pași: aplicarea unei măști, extragerea planului de culoare (value plane) si respectiv clasificarea propriu zisa (Particle Classification 1) (Figura 24).

Figura 24: Achiziție imagine camera 2 si clasificarea obiectelor pe banda neagra

S-a creat un fișier de tip „Particle Classifier” care pentru obiectele de culoare deschisa conține următoarele clase: conector sursa, mufa cablu IDE, suport mufa audio, suport procesor, VGA, conector PCI, mufa LPT/RS232, suport mufa LPT. De fiecare data in procesul de clasificare s-a făcut o antrenare bazata pe imaginile obiectelor preluate in diferite poziții. Informația extrasa in final se refera la clasa obiectului si distanta minima fata de aceasta clasa (Figura 25). După clasificare banda pornește din nou obiectul trecând deasupra senzorului de proximitate.

Figura 25: Diagrama bloc – clasificarea obiectelor pe banda neagra

4. Achiziție imagine camera 3 si clasificarea obiectelor pe banda alba (camera 3). In acest caz se executa o secvența de 3 cadre. In cadrul 0 se determina centrul obiectului aflat pe banda. Acest lucru se face in următorii pași: aplicarea unei măști, extragerea planului de culoare(value plane), aplicarea unui filtru de netezire de tip Gaussian, aplicarea unui prag de binarizare pentru obiecte de culoare închisa (118), aplicarea unui operator binar de umplere a golurilor si in final aplicarea operatorului centroid care va da coordonatele x, y ale centrului obiectului(Figura 26).

Figura 26: Aplicarea operatorului centroid

In cadrul 1 se face o noua achiziție a imaginii de pe camera 3. In cadrul 2 se face clasificarea obiectelor de culoare închisa pe banda de culoare alba. Algoritmii sunt asemănători celor de clasificare pe banda neagra iar fișierul de tip Particle Classifier va conține următoarele clase: cipset integrat, circuit integrat, mufa DIN/suport baterie, slot DDR, slot ISA, soclu integrat.

5. Sortarea obiectelor de pe banda transportoare (sortare). In acest caz se executa o secvența de 3 carde. In cadrul 0 motorul 2 face 10 pași si se oprește in poziția de sortare. In cadrul 1 pe baza clasificărilor si a distantelor minime se alege clasa din care face parte obiectul acest lucru este anunțat printr-un semnal audio.

6. Reluarea pașilor de sortare. Acest lucru se face de către utilizator in condițiile in care butonul de „Stop” nu este acționat.

Sistemul de sortare poate lucra continuu cu restricția ca alimentarea pieselor pe banda sa se facă in ritmul impus de parcurgerea tuturor pașilor prezentați anterior.

Proiect al instalației de sortare inteligentă pe benzi transportoare a componentelor (de mici și mari dimensiuni) de pe DPCI folosind tehnici de inspecție vizuală și sisteme senzoriale

Instalatia de sortare, descrisa in caietul de sarcini, poate fi urmarita in figura 50.

Figura 50: Instalatie sortare

In tabelul 5, sunt precizate partile componente si caracteristicile acestora

Tabelul 5. Proprietățile fizice ale diferitelor metale neferoase

Diseminare pe scară largă (comunicări, articole). Organizare workshop, tehnologii TORA. Platforma web de învățare a tehnologiilor TORA (A1-1-13)

Articole aflate in lucru in timpul Etapei I de cercetare

Lucrări in reviste naționale B+

1. Romul Copandean, Rodica Holonec, Florin Dragan ,The PLC Implementation of an Automated Sorting System using Optical Sensors, Acta Electrotehnica, Cluj-Napoca

Lucrări in conferințe internaționale si publicate in proceedings-urile acestora

2. Rodica Holonec, Romul Copandean, Florin Dragan, „Techniques for Sorting Materials from Dismembered Medical PCBs”, International Conference on Advancements of Medicine and Health Care through Technology, 17th – 20th October 2018, Cluj-Napoca, Romania

Bibliografie

Sorin Aurel Dorneanu “Electrochemical recycling of waste printed circuit boards in bromide media. Part I: Preliminary leaching and dismatling tests” Studia UBB Chemia, LXII 3, 2017 (p177-186)

Cojocaru, D., Aplicații industriale ale vederii artificiale, Scientific Seminar of Computer Engineering Dept., Automation, Computer and Electronics Faculty, ELSE Software, p141-156, nr. 7-8, Craiova, Romania, 1996.

Borang, T., s.a., – Vedere artificiala in robotica, Editura Universitatea Tehinca București, 1993, București.

P. K. Sinha, Image Acquisition and Preprocessing for Machine Vision Systems, SPIE Press, 2012

Thomas Klinger, Image Processing with LabVIEW and IMAQVision, Prentice Hall, 2003

Cojocaru, D., Achiziția, prelucrarea și recunoașterea imaginilor, Editura Universitaria, 2003

http://zone.ni.com/reference/en-XX/help/372916P-01/nivisionconcepts/binary_particle_classification/

Kye-Si Kwon, Steven Read, „Practical Guide to Machine Vision Software-An Introduction with LabVIEW, Wiley”-VCH, 2014

Holonec, Rodica, Radu Munteanu, Jr. – Aplicații ale instrumentației virtuale în metrologie electrică, Editura Mediamira Cluj-Napoca, 2003, România, ISBN: 973-9357-47-4;

Horia Hedeșiu, Radu Munteanu jr. –Introducere în Programare Grafică Instrumentală, Editura Mediamira, Cluj-Napoca, 2003, România, ISBN: 973-9357-48-2;

Vernon, D., Machine Vision: Automated Visual Inspection and Robot Vision, Prentice Hall International, 1991, ISBN 0135433983

Dolga V „Senzori si traductoare”, Editura Eurobit, ISBN 973-99-227-9-1, Timișoara, 1999

Copîndean Romul, Bortoș P – Interfețe standard pentru achiziția de date, Editura Mediamira, Cluj-Napoca, 2003, România;

Horia Cornel Hedeșiu, Programarea Grafică în Sisteme cu Mașini Electrice. Simulare, Măsurare și Testare în Timp Real, Teza de abilitare, Universitatea Tehnica Cluj-Napoca, 2017

SICK/IVP Machine Vision Introduction

https://www.ifm.com/in/en/product/O2V100

https://www.ni.com/ro-ro/shop/select/smart-camera

FX1S Series Programmable Controllers, Hardware Manual, Manual number:JY992D83901, Manual revision:J, Mitsubishi Electric, Industrial Automation, Date:March 2007

[MELSEC FX Family, Progrramable Logic Controller, Beginner’ s manual, FX1S, FX1N, FX2N, FX2NC și FX3U, Mitsubishi Electric, Industrial Automation, 30.0.2010, Versiunea C ]

TCS230 Color Light to Frequency Converter

Adam Stern, Hyperspectral Imaging – Teaching Robots to See, Photonics and Imaging Technologies Magazine , Supplement to Tech Briefs Magazine, martie 2018

Gerrit Polder, Erik Pekkeriet, Marco Snikkers, A Spectral Imaging System for Detection of Botrytis in Greenhouses, EFITA-WCCA-CIGR Conference “Sustainable Agriculture through ICT Innovation”, Turin, Italy, 24-27 June 2013

http://www.specim.fi/fx/

Jürgen Beyerer, Fernando Puente León, Christian Frese-Machine Vision Automated Visual Inspection Theory, Practice and Applications-Springer-Verlag Berlin Heidelberg (2015)

Xing-Fei He, Planet Earth or Planet Plastic?, The Problems and Importance of Plastics Recycling , April 19, 2018

https://www.goudsmitmagnets.com/industrial-magnetic-systems/recycling-sorting/eddy-current-separators

R.Shah, A.B.Pandey Concept for Automated Sorting Robotic Arm, 2nd International Conference on Materials Manufacturing and Design Engineering , Procedia Manufacturing, Volume 20, 2018, Pages 400-405

Perrine Chancerel, Susanne Rotter Recycling-oriented characterization of small waste electrical and electronic equipment, Waste Management 29 (2009) 2336–2352

Indicatori de realizare (se vor atașa acestui raport)

Categorie activitate: A2 – Cercetare Industrială

Indicatori de realizare:

In aceasta prima etapa a proiectului s-a realizat „1 raport privind sistemele senzoriale destinate sortării materialelor. Acesta este prezentat in capitolul 4.

1 raport despre modelarea și proiectarea unui sistem de sortare inteligentă pe benzi transportoare a componentelor de pe DPCI folosind tehnici de inspecție vizuală și sisteme senzoriale;

1 proiect al instalației de sortare inteligentă pe benzi transportoare a componentelor de pe DPCI folosind tehnici de inspecție vizuală și sisteme senzoriale.

Categorie activitate: A3 – Dezvoltare experimentală

Indicatori de realizare:

In aceasta prima etapa a proiectului s-au realizat:

„1 raport privind elemente de inspecție vizuală computerizată pentru identificarea pe o bandă transportoare a componentelor electronice dezmembrate de pe DPCI” conform capitolului 3 si ;

„1 caiet de sarcini pentru sistemul de benzi transportoare destinat sortării componentelor electronice (de mici și mari dimensiuni) având la baza elemente de viziune computerizată si tehnici senzoriale specifice” conform capitolului 5.

Categorie activitate: D1 – Activități suport – Diseminarea pe scară largă prin comunicarea și publicarea națională sau internațională a rezultatelor

1 raport general de etapa;

1 comunicarea științifică.

Structura ofertei de servicii de cercetare si tehnologice

Echipamente utilizate in tematica proiectului

Pentru întocmirea „Raportului privind elemente de inspecție vizuală computerizată pentru identificarea pe o bandă transportoare a componentelor electronice dezmembrate de pe DPCI” au fost utilizate echipamente din dotarea “Centrului pentru Instrumentație Virtuală, Măsurări Inteligente si Fiabilitate” (link ERRIS) conform datelor din Tabelul 5.

Tabelul 5: Echipamente din dotarea

„Centrului pentru Instrumentație Virtuală, Măsurări Inteligente si Fiabilitate”

Pentru întocmirea „Raportului privind sistemele senzoriale destinate sortării materialelor” au fost utilizate echipamentele din dotarea laboratoarelor “Laboratorului de automate programabile” “Laboratorului de sisteme de masurare distribuite” conform listei di Tabelul 6

Tabelul 6: Echipamente din dotarea laboratoarelor de

“Automate programabile” si “Sisteme de măsurare distribuite”