CZ38701U1 - Systém pro rozpoznávání materiálového složení textilií - Google Patents

Description

Systém pro rozpoznávání materiálového složení textilií

Oblast techniky

Technické řešení se týká systému pro rozpoznávání materiálového složení různých kusů textilií pomocí optického snímání, zejména pro potřeby třízení, např. pro recyklaci nebo jiné druhotné využití textilií.

Dosavadní stav techniky

V současném stavu techniky jsou známé různé systémy pro detekci různých druhů materiálů, přičemž tyto systémy často využívají metody strojového učení jako jsou například konvoluční neuronové sítě. Tyto systémy jsou často založené na snímání různých vlastností materiálů v různých oblastech elektromagnetického záření. Může se jednat o senzory v oblasti viditelného světla, infračerveného světlaného i ionizujícího záření, jako jsou rentgenové paprsky. Pro snímání optických vlastností se využívají jak klasické RGB kamery, tak rovněž hyperspektrální kamery, které slouží pro přesnější záznam spektrálních vlastností snímaného objektu.

Vývoj hyperspektrálního zobrazování a strojového učení otevřel v posledních letech nové možnosti pro analýzu materiálů v různých průmyslových odvětvích, včetně textilního průmyslu. Hyperspektrální kamery dokáží zachytit široký rozsah elektromagnetických vlnových délek a poskytují podrobné informace o složení materiálu, které nejsou viditelné pouhým okem. Tato schopnost v kombinaci s algoritmy strojového učení umožňuje přesnou identifikaci a klasifikaci textilních materiálů na základě jejich spektrální signatury. S dalším vývojem textilního průmyslu je poskytnutí účinných a přesných systémů pro rozpoznávání materiálů stále důležitější, což je hnací silou inovací v této oblasti.

Dokument EP 3658302 A2 popisuje systém pro detekci a třídění materiálů vhodných k recyklaci. Tento systém může zahrnovat RGB kameru nebo hyperspektrální kameru. Obrazová data jsou zpracována neuronovou sítí, která je naučená na rozpoznávání jednotlivých materiálů. Na základě rozpoznání materiálu jsou aktivovány jednotlivé posuvníky, které slouží k přesunutí detekovaného materiálu do cílového zásobníku. Neuronová síť může být rovněž dynamický přenastavená k rozpoznávání charakteristik nového materiálu tím, že se se nahradí aktuální parametry neuronové sítě zcela novými parametry.

Dokument US 7449655 B2 popisuje systém a metodu pro klasifikaci objektů v proudu odpadu. Tento systém zahrnuje hyperspektrální kameru, která snímá proud objektů na dopravním páse. Jednotlivé nasnímané pixely jsou následně zpracované pomocí SVM (Support Vector Machine), což je známá technika strojového učení s učitelem. SVM algoritmus může být trénovaný s pomocí známých vzorků. Naučený systém pak dokáže klasifikovat materiálové složení snímaných vzorků. Pro přidání dalšího materiálu je nutné systém znovu natrénovat a vytvořit tak nové parametry SVM.

Bylo by tak vhodné přijít s řešením, které by usnadnilo a zrychlilo možnosti přizpůsobení se systému novým neznámým materiálům.

Podstata technického řešení

Nedostatky řešení známých ze stavu techniky do jisté míry odstraňuje systém pro rozpoznávání materiálového složení textilií, který zahrnuje kameru, alespoň jeden osvětlovací prvek, detekční zónu a řídicí jednotku. Kamera je namířena do detekční zóny a je komunikačně spojena s řídicí jednotkou. Alespoň jeden osvětlovací prvek je nasměrován do detekční zóny pro osvětlení zpracovávaných kusů textilií. Řídicí jednotka zahrnuje analytický modul, trénovací modul

- 1 CZ 38701 UI a paměťový modul. Kamera je komunikačně spojena s analytickým modulem a analytický modul je komunikačně spojený s paměťovým modulem. Analytický modul zahrnuje alespoň jeden detekční sub-modul, který zahrnuje model strojového učení pro detekci obsahu jednoho materiálu pro výrobu textilií z obrazových dat. Trénovací modul je konfigurovaný pro trénování nového modelu strojového učení pro detekci nového materiálu, přičemž řídicí jednotka je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu. Již není potřeba znovu trénovat celý systém, jako například v dokumentu US 7449655 B2, ani rekonfigurovat celou síť, jako například v dokumentu EP 3658302 A2. V tomto systému s každým novým materiálem vzniká nový detekční sub-modul nezávislý na ostatních.

Tréninkový modul je výhodně schopen trénovat a vyhodnocovat několik druhů metod strojového učení a hlubokého učení současně, přičemž každá zkouší různé parametry a následně automaticky vybere ten nej efektivnější, který je následně nasazen do detekčního sub-modulu.

Systém může rozpoznávat materiál různých textilií, které jsou umísťovány do detekční zóny. Textilie mohou být například jednotlivé kusy oděvů určené k recyklaci nebo dalšímu zpracování. Rovněž se může jednat o jednotlivé útržky textilií, které mohly vzniknout například předchozím procesem zpracování, jako může být různé stříhání nebo mletí textilního odpadu.

Systém může také rozpoznat různé kontaminanty (například může detekovat elastan) v textilii, i když nedokáže rozpoznat základní materiál textilie.

Kamera je umístěna tak, aby její zorné pole snímalo detekční zónu. Zároveň systém zahrnuje alespoň jeden osvětlovací prvek, který osvětluje tuto detekční zónu. Umístění kamery, především její vzdálenost od detekční zóny, může být zvoleno na základě optických vlastností kamery, tedy především s ohledem na použitý objektiv. Kamera tak může být umístěna například kolmo nad detekční zónou, přičemž je nasměrována do detekční zóny tak, že její úhel záběru pokrývá celou detekční zónu.

Osvětlovací prvek může zahrnovat různá svítidla, jako jsou například halogenové reflektory nebo LED světla. Osvětlovací prvek může být umístěn tak, aby docházelo kco nej rovnoměrnějšímu osvětlení detekční zóny, a přitom aby přímé světlo nedopadalo do kamery. Výhodně může systém zahrnovat více osvětlovacích prvků, které směřují do detekční zóny. Použití více osvětlovacích prvků může minimalizovat vznik stínů a dalších artefaktů, které mohou vznikat v detekční zóně. Osvětlovací prvky mohou být výhodně umístěny ve stejné výšce jako kamera a mohou být uspořádány kolem kamery, přičemž všechny osvětlovací prvky směřují na detekční zónu. Tvar osvětlovacích prvků může být libovolný, může se jednat o kulaté reflektory, čtvercové nebo obdélníkové osvětlovací plochy, rovněž je možné použít prstencový osvětlovací prvek, který je umístěn okolo objektivu kamery.

Detekční zóna může být předem určenou oblastí, do které j sou umísťovány kusy textilií, u nichž je zjišťováno materiálové složení. Detekční zóna může být určena například fyzickými rozměry kusů textilií. Rovněž může být definována rozměry podložky, na kterou jsou textilie pro detekci umisťovány, jako je například dopravní pás, třídicí stůl nebo rám systému. Tuto detekční zónu snímá kamera a s ohledem na zorné pole kamery (FOV) a rozlišení kamery je výhodné umístění kamery tak, aby zabírala celou detekční zónu s dostatečným rozlišením. Rovněž osvětlovací prvky jsou výhodně umístěny tak, aby rovnoměrně osvětlovaly detekční zónu.

Řídicí jednotka je určena k řízení dílčích částí systému. Řídicí jednotka může zahrnovat počítač s příslušným rozhraním pro připojení kamery. Rozhraní pro připojení kamery může zahrnovat další jednotky pro zpracování obrazových dat například pro provádění komprese, ořezávání obrazu, transformace jasu, úpravu histogramu a další. Řídicí jednotka dále může zahrnovat uživatelské rozhraní, které může sloužit pro ovládání kamery, spouštění a ovládání trénování modelu pro detekci materiálu a pro zobrazování výsledku detekce.

-2CZ 38701 UI

Paměťový modul může být realizován jako fyzická paměť v řídicí jednotce, například v podobě formě flash paměti, pevného disku. Rovněž může být paměťový modul realizovaný jako cloudové úložiště, které je komunikačně spojeno s řídicí jednotkou. Paměťový modul slouží k ukládání dat. Do paměťového moduluje možné ukládat nasnímaná obrazová data, přičemž se může jednat jak o obrazová data pořízená z průběhu běžné činnosti, kdy systém rozpoznává materiálové složení předkládaných kusů textilu, tak i o obrazová data, která jsou pořízena pro účely trénování modelu strojového učení. Do paměťového modulu může ukládat data také analytický modul. Může se jednat o výsledky detekce jednotlivých detekčních sub-modulů. Trénovací modul může do paměťového modulu ukládat výsledné parametry natrénovaného modelu strojového učení.

Jednotlivé funkční moduly zahrnuté v řídicí jednotce mohou být realizovány jako hardwarové jednotky, které jsou navzájem propojeny drátově nebo bezdrátově. Tyto funkční moduly mohou být softwarově implementovány, přičemž jednotlivé funkční moduly mezi sebou komunikují pomocí programového rozhraní.

Analytický modul slouží pro analýzu obrazových dat, na jejichž základě systém detekuje konkrétní materiál textilie. Detekční sub-modul může zahrnovat několik různých modelů strojového učení, z nichž každý určený k detekci konkrétního materiálu pro výrobu textilií. Tento model strojového učení může být založený na hlubokých neuronových sítích a může zahrnovat přístupy například konvolučních neuronových sítí (CNN), k-nearest neighbors algoritmus, náhodné stromy, XgBoost, Logistické regrese a další. Výsledný model neuronové sítě je s pomocí trénovacích dat naučen k detekci jednoho konkrétního materiálu z obrazových dat. Detekční sub-modul tak dokáže detekovat, zda konkrétní snímaný kus textilu obsahuje tento jeden materiál, na jehož detekci je model naučený. Detekční sub-modul může rovněž poskytovat míru nejistoty své detekce. Analytický modul může zahrnovat více detekčních sub-modulů, přičemž každý sub-modul zahrnuje model strojového učení, který je naučený na detekci jiného materiálu než ostatní detekční sub-moduly. Analytický modul tak může vyhodnocovat finální výsledek z dílčích výsledků detekce jednotlivých detekčních sub-modulů s využitím míry nejistoty těchto detekcí. Informace o výsledném detekovaném materiálu se může zobrazit na uživatelském rozhraní.

Trénování modelu strojového učení probíhá pomocí trénovacího modulu. Trénovací modul obsahuje programové instrukce, které na základě přijetí instrukcí od uživatele a přijetí trénovací množiny dat, zajistí běh trénovacího algoritmu a uložení parametrů výsledné vytrénované neuronové sítě do paměťového modulu. Uživatel může trénovacímu modulu poskytnout trénovací data ve formě připravených obrazových dat, ke kterým je známé materiálové složení. Trénovací data je rovněž možné nasnímat pomocí kamery, kdy jsou do detekční zóny vkládány kusy textilu ze známého materiálu, na který má být model naučen. Trénovací modul využije trénovací data, aby natrénoval nový model strojového učení a výsledný model, respektive parametry tohoto modelu, uloží do paměťového modulu. Parametry natrénovaného modelu zahrnují zejména váhy jednotlivých neuronů a rovněž informace o uspořádání a propojení jednotlivých neuronových vrstev. Tyto parametry natrénovaného modelu řídicí jednotka přiřadí dalšímu detekčnímu sub-modulu, tedy v systému může vzniknout nový detekční sub-modul pro detekci nového materiálu. Řídicí jednotka přenese parametry natrénovaného modelu do detekčního sub-modulu, přičemž se jedná především o nastavení parametrů neuronové sítě, jako jsou například váhy jednotlivých neuronů. Jinými slovy se může jednat o vytvoření dalšího bloku kódu v programu, který realizuje umělou neuronovou síť s nastavenými váhami u jednotlivých neuronů. Trénovací modul může natrénovat model, který dokáže rozeznávat více materiálů. Jeden detekční sub-modul tak může rozeznávat více druhů materiálů. Výhodně však trénovací modul trénuje model pro detekci právě jednoho materiálu. Počet jednotlivých detekčních sub-modulů pak odpovídá počtu rozpoznávaných materiálů. Systém lze tímto způsobem přizpůsobit potřebám a rozšířit jeho možnosti pro detekci širšího spektra materiálů. Při přidávání dalšího materiálu k detekci, a tedy vytvoření nového detekčního sub-modulu, kterému je přiřazen výsledný model, nedochází k přetrénování všech modelů, ale pouze k vytvoření dílčího modelu pro detekci konkrétního materiálu. To zjednodušuje možné rozšiřování systému a zároveň zrychluje proces trénování.

- 3 CZ 38701 UI

Řídicí modul může nový natrénovaný model strojového učení přiřadit již existujícímu detekčnímu sub-modulu. Tím dojde k přepsání modelu v detekčním sub-modulu a tento detekční sub-modul je tak přenastavený pro detekci nového materiálu.

Výhodně je kamera hyperspektrální kamera pro detekci elektromagnetického vlnění v blízkém infračerveném pásmu o rozsahu vlnových délek alespoň 900 nm až 1700 nm. Kamera je tedy konfigurována pro detekci elektromagnetického vlnění v blízkém infračerveném spektru (NIR). Tato konfigurace umožňuje získávání spektrálních dat s vysokým rozlišením v uvedeném rozsahu, která poskytují dostatečné informace pro analýzu materiálového složení textilií i u vizuálně podobných materiálů, jež se liší svým spektrálním podpisem v blízkém infračerveném spektru.

Hyperspektrální kamera umožňuje získávání spektra odraženého elektromagnetického záření v mnoha úzkých a po sobě jdoucích pásmech v uvedeném rozsahu vlnových délek. Tento rozsah je zvláště vhodný pro analýzu organických polymerů a identifikaci chemického složení materiálů, protože mnohé textilní materiály - jako je bavlna, polyester, viskóza, vlna, nylon, polypropylen nebo hedvábí - vykazují charakteristické absorpční pásy právě v oblasti NIR. Tyto absorpční pásy odpovídají specifickým molekulárním vibracím vázaným na funkční skupiny přítomné v daných polymerech (např. -OH, -CH, -NH, -C=O), a jsou tudíž vhodné k neurální klasifikaci materiálů prostřednictvím algoritmů strojového učení.

Výhodně systém dále zahrnuje RGB kameru, která je namířená do detekční zóny, přičemž řídicí jednotka dále zahrnuje detekční modul barvy a rozhodovací modul.

RGB kamera je komunikačně spojena s detekčním modulem barvy, přičemž rozhodovací modul je komunikačně spojen s analytickým modulem a detekčním modulem barvy.

RGB kamera může být umístěna vedle hyperspektrální kamery, přičemž RGB kamera snímá detekční zónu. RGB kamera tak může poskytovat informace o barevném odstínu, jasu a případné struktuře povrchu textilie. Detekční modul barvy je konfigurován pro vyhodnocení těchto parametrů a jejich využití při podpůrné klasifikaci textilie, například k odlišení vizuálně odlišných materiálů stejného složení, nebo naopak barevně podobných materiálů různého chemického složení, čímž se zvyšuje celková spolehlivost a robustnost systému.

RGB kamera může být i součástí hyperspektrální kamery, přičemž hyperspektrální kamera je konfigurována pro detekci blízkého infračerveného záření a zároveň viditelného světla. Tato kombinovaná kamera poskytuje jak spektrální data, která jsou zpracována analytickým modulem, tak zároveň může poskytovat i RGB obrazy, které jsou zpracovány pomocí detekčního modulu barvy.

Rozhodovací modul dále slouží ke sloučení výstupů z hyperspektrálního analytického modulu a detekčního modulu barvy, přičemž může například na základě předem definovaných pravidel nebo výstupů z jednotlivých detekčních sub-modulů, respektive z analytického modulu, určovat finální klasifikaci nebo indikovat míru nejistoty výsledku. Taková architektura umožňuje fúzi více zdrojů dat a přispívá ke zvýšení přesnosti i při zhoršených světelných podmínkách nebo při přítomnosti kontaminantů na povrchu textilie.

Výhodně detekční zóna zahrnuje dopravní pás pro dopravu zpracovávaných kusů textilií přes detekční zónu.

Dopravní pás slouží k dopravě zpracovávaných kusů textilií skrz detekční zónu. Dopravní pás může umožňovat plynulý a opakovatelný posuv textilií v přesně definovaném směru a rychlosti. To může zajistit, že snímací zařízení - zejména hyperspektrální a/nebo RGB kamera - získávají obrazová data ze stejné pozice vzhledem k analyzovanému povrchu textilie, čímž se může výrazně zvýšit přesnost a stabilita získávaných dat.

-4CZ 38701 UI

Dopravní pás navíc umožňuje integraci systému do kontinuálního provozu, například do třídicí nebo recyklační linky, kde mohou být jednotlivé kusy textilu automaticky posouvány do detekční zóny, analyzovány a následně na základě vyhodnocení tříděny. Pohyb textilií může být navíc synchronizován s časováním kamer a osvětlením, čímž lze minimalizovat rozmazání snímků a je možné zlepšit konzistenci datových vzorků pro strojové učení.

Výhodně systém dále zahrnuje alespoň jeden zásobník pro vytřízené textilie a manipulátor pro přenášení kusů textilií. Řídicí jednotka zahrnuje modul pro ovládání manipulátoru na základě materiálu detekovaného analytickým modulem, přičemž modul pro ovládání manipulátoru je komunikačně spojený s manipulátorem pro přenášení kusů textilií.

Na základě výstupu analytického modulu je určen detekovaný materiál, přičemž modul pro ovládání manipulátoru aktivuje příslušný pohyb manipulátoru, který uchopí daný kus textilie z detekční zóny (např. z dopravního pásu) a přenese jej do jednoho z několika zásobníků, které odpovídají různým třídám materiálového složení (např. bavlna, polyester, směsné vlákno apod.).

Manipulátor může být realizován například jako robotické rameno se sací koncovkou, drapákem, vzduchovou tryskou, naklopitelnou plochou třídicího stolu nebo sacím nástavcem. Manipulátor tak dokáže přesouvat kusy textilu do jednotlivých zásobníků pro vytříděný textil. Modul pro ovládání manipulátoru přitom může využívat předem uložené trajektorie pohybu, které jsou voleny na základě detekovaného typu materiálu.

Začleněním tohoto třídicího mechanismu se systém stává komplexním řešením, které zajišťuje nejen vysoce přesné rozpoznání materiálového složení, ale také automatizované oddělení materiálů, což je výhodné zejména v aplikacích, jako jsou linky na recyklaci textilního odpadu, příprava druhotných surovin nebo automatizované třídění v oděvním průmyslu.

Objasnění výkresů

Podstata technického řešení je dále objasněna na příkladech jeho uskutečnění, které jsou popsány s využitím připojených výkresů, kde je na:

obr. 1 schematicky znázorněn systém pro rozpoznávání materiálového složení textilií podle prvního a druhého příkladného uskutečnění;

obr. 2 schematicky znázorněn systém pro rozpoznávání materiálového složení textilií podle třetího příkladného uskutečnění, kdy systém zahrnuje RGB kameru;

obr. 3 schematicky znázorněn systém pro rozpoznávání materiálového složení textilií podle čtvrtého příkladného uskutečnění, kdy systém zahrnuje manipulátor pro třídění textilií do jednotlivých zásobníků;

obr. 4 schematicky znázorněno blokové schéma systému pro rozpoznávání materiálového složení textilií podle prvního uskutečnění uskutečnění; a obr. 5 schematicky znázorněno blokové schéma systému pro rozpoznávání materiálového složení textilií podle třetího uskutečnění uskutečnění.

Příklady uskutečnění technického řešení

Technické řešení bude dále objasněno na příkladech uskutečnění s odkazem na příslušné výkresy.

- 5 CZ 38701 UI

Systém 1 pro rozpoznávání materiálového složení textilií ve svém prvním příkladném uskutečnění, které je zobrazeno na obr. 1, zahrnuje kameru 2, která je umístěna kolmo nad detekční zónou 4 ve výšce 50 cm, přičemž zorné pole kamery 2 je 38°. Detekční zóna 4 v tomto prvním příkladném uskutečnění zahrnuje pohyblivý dopravní pás 7, který přiváží jednotlivé textilní kusy do detekční zóny 4, kde tyto textilie snímá kamera 2. Systém j. dále zahrnuje dva osvětlovací prvky 3, kterými jsou v tomto prvním příkladném uskutečnění halogenové lampy, které jsou umístěny ve stejné výšce jako kamera 2. Jedna halogenová lampa je umístěna ve směru pohybu dopravního pásu 7 před kamerou 2 a druhá halogenová lampa je umístěna za kamerou 2. Obě halogenové lampy jsou nasměrovány do detekční zóny 4, přičemž jejich směry vyzařování navzájem svírají úhel 60°.

Kamera 2 je připojená k řídicí jednotce 5, kterou je v tomto prvním příkladném uskutečnění počítač s vícejádrovým procesorem Intel i7, se softwarovým vybavením, které umožňuje spouštět algoritmy hlubokého učení. Paměťový modul 12 je vnitřní paměť počítače, která slouží jak pro ukládání dat z kamery 2, tak slouží rovněž pro ukládání parametrů natrénovaných modelů pomocí trénovacího modulu 13. Počítač dále zahrnuje softwarové algoritmy pro zpracování obrazových dat, mezi nimiž je algoritmus pro potlačení šumu a algoritmus pro segmentaci textilie v obrazu. Detekční sub-modul 11 je v tomto první příkladném uskutečnění počítačově implementovaná část, tedy blok programu, který umožňuje fungovat na základě přidělených parametrů modelu hlubokého učení. Tento model je natrénovaný k tomu, aby z obrazových dat detekoval přítomnost jednoho konkrétního materiálu. Jedná se tak o dílčí odhady, které jsou doplněné i mírou nejistoty detekce. Zmíněné detekční sub-modulyH zastřešuje počítačově implementovaný analytický modul JO, který zpracovává jednotlivé odhady dílčích detekčních sub-modulů 11. Analytický modul 10 pomocí rozhodovacího algoritmu s využitím hlasování zohlední míru neurčitosti a rozhodne o výsledném detekovaném materiálu. Výsledné složení materiálu je vybráno na základě pravděpodobnosti, která je ovlivněna mírou neurčitosti. Detekovaný materiál s nejmenší mírou neurčitosti má největší pravděpodobnost, že se jedná o správný výsledný materiál. Pokud míry neurčitosti u všech detekovaných materiálů přesahují zvolenou mez, je výsledek označen jako neznámý materiál. Informaci o výsledném materiálu řídicí jednotka zobrazí pomocí uživatelského rozhraní.

Jednotlivé detekční sub -moduly 11 je možné trénovat pomocí trénovacího modulu 13. Trénovací modul 13 zahrnuje standardní postupy pro trénování umělých neuronových sítí. Uživatel trénovacímu modulu 13 předloží trénovací data, která zahrnují obrazová data materiálu, který uživatel požaduje daný model natrénovat. Jedná se tak o sadu připravených obrazových dat textilií, u kterých j e známý j ej ich materiál. Trénovací modul 13 tato data předkládá hluboké neuronové síti založené na konvoluční neuronové síti. V průběhu učení jsou nastavovány váhy sítě a generované výstupy jsou porovnávány s očekávanými výstupy. Na základě rozdílu mezi vstupy a očekávanými výstupy jsou upravovány váhy. Výsledkem trénování je model se stabilizovanými váhami, který je následně přiřazený do dalšího detekčního sub -modulu 11. Jinými slovy je do analytického modulu 10 zařazený další blok programu, který realizuje právě naučený model. V tomto prvním příkladném uskutečnění je tak možné pomocí trénovacího modulu 13 trénovat další modely, přidávat do systému 1 další detekční sub-moduly 11 a tím umožnit systému 1 schopnost rozpoznávání dalších materiálů pro detekci.

Alternativní uskutečnění

Níže jsou popsána alternativní uskutečnění jednotlivých znaků technického řešení, která mohou být tam, kde je to možné, mezi sebou vzájemně kombinovaná. Ostatní znaky těchto alternativních uskutečnění jsou shodné s prvním příkladným uskutečněním.

V druhém příkladném uskutečnění kamera 2 je hyperspektrální kamera 2, která má spektrální rozsah 900 až 1700 nm. Spektrální rozlišení hyperspektrální kamery 2 je 8 nm a spektrální vzorkování je 3,5 nm na pixel. Data jsou snímána ve 224 spektrálních pásmech. Hyperspektrální kamera 2 je komunikačně spojena s analytickým modulem 10. který provádí předzpracování obrazových dat, zahrnující radiometrickou kalibraci, korekci šumu, spektrální normalizaci

-6CZ 38701 UI a případnou kompenzaci vlivu osvětlení. Takto upravená spektrální data jsou dále zpracována detekčním sub-modulem 11. který využívá hlubokých metod učení založených na konvolučních neuronových sítích, které jsou trénovány pro klasifikaci spektrálních signatur zpracovávaných materiálů.

Model neuronové sítě byl v tomto druhém příkladném uskutečnění natrénován pomocí trénovacího modulu 13 na spektrálních datech vzorků textilií se známým složením. Pro každý další materiál je natrénovaný jeden model, který detekuje přítomnost jednoho konkrétního materiálu ve spektrálních datech a rovněž uvádí míru nejistoty detekce. Systém 1 tak umožňuje přidávání nových detekčních sub-modulů 11, kdy trénovací modul 13 vytvoří na základě nových spektrálních dat model pro nový materiál (např. technická vlákna, směsi s recyklátem apod.), a tento je integrován bez nutnosti přeučování původních modelů, čímž je zachována modularita a rozšiřitelnost systému L

Ve třetím příkladném uskutečnění, které je zobrazeno na Obr. 2, systém zahrnuje RGB kameru 6, která je umístěna kolmo nad detekční zónou 4 vedle hyperspektrální kamery 2. RGB kamera 6 je typu průmyslové barevné kamery s 4k při 60 fps a pracuje v rozsahu viditelného spektra (cca 400 až 700 nm). Obě kamery jsou pevně uchyceny na konstrukci systému 1 tak, aby snímaly stejnou detekční zónu 4 na dopravním pásu 7.

RGB kamera 6 je v tomto třetím příkladném uskutečnění komunikačně propojena s detekčním modulem 14 barvy, jak je zobrazeno na blokovém schématu na Obr. 5. Tento modul provádí barevnou analýzu povrchu textilie, konkrétně výpočet průměrných hodnot RGB, HSV, případně dalších barevných modelů, a jejich statistické i morfologické zpracování - např. detekci barevných skvrn, vzorů nebo barevných přechodů. Modul rovněž umožňuje segmentaci obrazu, což je výhodné pro identifikaci více druhů textilií v jednom snímku nebo pro identifikaci vzorovaných materiálů.

Rozhodovací modul 15. který je komunikačně propojen jak s analytickým modulem 10 hyperspektrální analýzy, tak s detekčním modulem 14 barvy, provádí sloučení výstupních dat obou modulů. Při každé analýze textilního vzorku rozhodovací modul 15 vyhodnotí míru shody mezi klasifikací dle hyperspektrálního modelu a barevností vzorku, a při rozporu využije rozhodovací systém v podobě klasifikátoru vyšší úrovně k určení finálního výstupu. Příkladem rozhodovacího pravidla je situace, kdy je u tmavého textilu zjištěna spektrální signatura odpovídající polyesteru, ale barva neodpovídá žádnému známému vzorku - rozhodovací modul 15 pak výsledek označí jako „nejistý“ nebo předá k ručnímu posouzení.

Zařazením RGB kamery 6 v tomto třetím příkladném uskutečnění se zvyšuje spolehlivost detekce v případech, kdy je hyperspektrální analýza nedostatečná, například při nízkém odraženém signálu nebo při přítomnosti barevných úprav (např. potisk, barvení), které mohou ovlivnit spektrální charakteristiku. Kombinace obou typů senzorů zajišťuje vyšší přesnost a adaptabilitu systému 1 v reálných provozních podmínkách.

V dalším alternativní uskutečnění systém 1 zahrnuje třídicí stůl bez pohyblivých částí. Kamera 2 tak snímá detekční zónu 4 na povrchu stolu, přičemž jednotlivé kusy textilií jsou do detekční zóny 4 umisťovány ručně. Detekovaný materiál je obsluze zobrazen prostřednictvím uživatelského rozhraní. Obsluha tak odebírá detekované materiály z třídicího stolu rovněž ručně.

V dalším alternativním uskutečnění, které je zobrazeno na Obr. 3, systém j. zahrnuje manipulátor 8 a zásobníky 9 pro jednotlivé materiály. Manipulátor 8 je uzpůsobený pro přenášení detekovaných materiálů z dopravního pásu 7 do zásobníků 9 určených pro vytřízený materiál. Manipulátor 8 je v tomto příkladném uskutečnění robotické rameno s drapákem, který je používán pro uchopování jednotlivých kusů textilu. V tomto příkladném uskutečnění řídicí jednotka 5 dále zahrnuje rozhraní pro ovládání manipulátoru 8 a příslušné řídicí algoritmy. Řídicí algoritmy určují trajektorii pohybu robotického ramene mezi detekční zónou 4 a jednotlivými zásobníky 9 pro vytřízený textil. Po

-7CZ 38701 UI detekci materiálového složení právě zpracovávané textilie řídicí jednotka 5 na základě detekovaného materiálu spustí příslušnou trajektorii pro robotické rameno, které v detekční zóně 4 uchopí kus textilie a přenese ji z detekční zóny 4 do příslušného zásobníku 9.

Claims (5)

NÁROKY NA OCHRANU

1. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2) namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat, přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11).

2. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2) namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • kamera (3) je hyperspektrální kamera pro detekci elektromagnetického vlnění v blízkém infračerveném pásmu o rozsahu vlnových délek alespoň 900 nm až 1700 run; a že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat, přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11).

3. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2) namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat,

-9CZ 38701 UI přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11); a že • dále zahrnuje RGB kameru (6), která je namířená do detekční zóny (4), přičemž řídicí jednotka (5) dále zahrnuje detekční modul (14) barvy a rozhodovací modul (15), přičemž RGB kamera (6) je komunikačně spojena s detekčním modulem (14) barvy, a přičemž rozhodovací modul (15) je komunikačně spojený s analytickým modulem (10) a detekčním modulem (14) barvy.

4. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2) namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • kamera (3) je hyperspektrální kamera pro detekci elektromagnetického vlnění v blízkém infračerveném pásmu o rozsahu vlnových délek alespoň 900 nm až 1700 nm; a že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat, přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11); a že • dále zahrnuje RGB kameru (6), která je namířená do detekční zóny (4), přičemž řídicí jednotka (5) dále zahrnuje detekční modul (14) barvy a rozhodovací modul (15), přičemž RGB kamera (6) je komunikačně spojena s detekčním modulem (14) barvy, a přičemž rozhodovací modul (15) je komunikačně spojený s analytickým modulem (10) a detekčním modulem (14) barvy.

5. Systém (1) dle kteréhokoliv z předcházejících nároků, vyznačující se tím, že detekční zóna (4) zahrnuje dopravní pás (7) pro dopravu zpracovávaných kusů textilií přes detekční zónu (4).

6. Systém (1) podle kteréhokoliv z předcházejících nároků, vyznačující se tím, že dále zahrnuje alespoň jeden zásobník (9) pro vytřízené textilie a manipulátor (8) pro přenášení kusů textilií, přičemž řídicí jednotka (5) zahrnuje modul pro ovládání manipulátoru (8) na základě materiálu detekovaného analytickým modulem (10), a přičemž modul pro ovládání manipulátoru (8) je komunikačně spojený s manipulátorem (8) pro přenášení kusu textilií.

7. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2)

- 10CZ 38701 UI namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat, přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11); a že • dále zahrnuje alespoň jeden zásobník (9) pro vytřízené textilie a manipulátor (8) pro přenášení kusů textilií, přičemž řídicí jednotka (5) zahrnuje modul pro ovládání manipulátoru (8) na základě materiálu detekovaného analytickým modulem (10), a přičemž modul pro ovládání manipulátoru (8) je komunikačně spojený s manipulátorem (8) pro přenášení kusu textilií.

8. Systém (1) pro rozpoznávání materiálového složení textilií, který zahrnuje kameru (2), alespoň jeden osvětlovací prvek (3), detekční zónu (4) a řídicí jednotku (5), přičemž je kamera (2) namířena do detekční zóny (4) a je komunikačně spojena s řídicí jednotkou (5), přičemž alespoň jeden osvětlovací prvek (3) je nasměrován do detekční zóny (4), vyznačující se tím, že • kamera (3) je hyperspektrální kamera pro detekci elektromagnetického vlnění v blízkém infračerveném pásmu o rozsahu vlnových délek alespoň 900 nm až 1700 run; a že • řídicí jednotka (5) zahrnuje analytický modul (10), trénovací modul (13) a paměťový modul (12), přičemž kamera (2) je komunikačně spojená s analytickým modulem (10) a analytický modul (10) je komunikačně spojený s paměťovým modulem (12), přičemž analytický modul (10) zahrnuje alespoň jeden detekční sub-modul (11), který zahrnuje model strojového učení pro detekci jednoho materiálu pro výrobu textilií z obrazových dat, přičemž trénovací modul (13) je konfigurovaný pro trénovaní nového modelu strojového učení pro detekci nového materiálu, a přičemž řídicí jednotka (5) je konfigurovaná pro přiřazení natrénovaného modelu do dalšího detekčního sub-modulu (11); a že • dále zahrnuje RGB kameru (6), která je namířená do detekční zóny (4), přičemž řídicí jednotka (5) dále zahrnuje detekční modul (14) barvy a rozhodovací modul (15), přičemž RGB kamera (6) je komunikačně spojena s detekčním modulem (14) barvy, přičemž rozhodovací modul (15) je komunikačně spojený s analytickým modulem (10) a detekčním modulem (14) barvy; a

- 11 CZ 38701 UI • dále zahrnuje alespoň jeden zásobník (9) pro vytřízené textilie a manipulátor (8) pro přenášení kusů textilií, přičemž řídicí jednotka (5) zahrnuje modul pro ovládání manipulátoru (8) na základě materiálu detekovaného analytickým modulem (10), a

5 přičemž modul pro ovládání manipulátoru (8) je komunikačně spojený s manipulátorem (8) pro přenášení kusu textilií.