ES3048415T3 - A method and system for performing characterization of one or more materials - Google Patents

Abstract

Un método y un sistema para la caracterización de uno o más materiales. Se escanean uno o más materiales mediante un sistema sensorial que incluye un sensor de rayos X configurado para generar imágenes multienergéticas, obteniendo al menos una imagen de rayos X de baja y alta energía. Las imágenes obtenidas mediante el sistema sensorial se segmentan y, para cada objeto segmentado, se obtienen datos de densidad de área y número de átomos mediante el análisis de las imágenes de rayos X de baja y alta energía. Estos datos se determinan mediante un modelo calibrado. Los datos de masa se calculan a partir de los datos de densidad de área y área de cada objeto segmentado. Los datos indicativos del número de átomos se proporcionan como entrada a una red neuronal entrenada, en donde la red neuronal entrenada está configurada para etiquetar cada objeto segmentado, y en donde los datos indicativos de la masa se asignan a cada uno de los objetos segmentados etiquetados para asociar una masa total a clases de objetos en el flujo de material. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN

[0002] Método y sistema para realizar la caracterización de uno o más materiales

[0003] Campo de la invención

[0004] La invención se refiere a un método y sistema para realizar la caracterización de uno o más materiales. La invención se refiere además a un producto de programa informático. Además, una realización de la invención se refiere a un dispositivo de reciclaje configurado para clasificar una corriente de residuos.

[0005] Antecedentes de la invención

[0006] La caracterización de uno o más materiales tiene varias aplicaciones importantes, por ejemplo, en procesos de reciclaje, procesos agrícolas, procesos de producción de alimentos, etc. La caracterización puede usarse, por ejemplo, para control de calidad, evaluación de valor e ingeniería y control de procesos. Por ejemplo, para el procesamiento de residuos, convencionalmente, muchas corrientes de residuos se reciclan de forma subóptima debido a la falta de datos de caracterización. Existe la necesidad de una tecnología de caracterización adecuada para las corrientes de materiales (por ejemplo, corrientes de residuos sólidos a granel).

[0007] El enfoque convencional para la caracterización de residuos sigue siendo habitualmente la inspección manual de los objetos por una persona, por ejemplo, personal de la planta que trabaja en una instalación especial. Este enfoque es lento, subjetivo y costoso y, eventualmente, entrega poca información acerca de las partículas en la corriente de residuos. En algunos métodos convencionales, las muestras se toman y prueban/analizan, por ejemplo, en un laboratorio. Este proceso puede llevar demasiado tiempo (los análisis químicos pueden tardar días, semanas o meses) y pueden dar como resultado unos costes aumentados. Además, solo se caracteriza una pequeña fracción de la cantidad total de materiales/objetos. Habitualmente, muchas corrientes de material se reciclan de forma subóptima debido a que la calidad de los materiales es difícil de medir.

[0008] Existe la necesidad de un método rápido, objetivo y/o automatizado que entregue datos a un nivel más detallado. El documento US 2018/128936 A1 se refiere a la detección de baterías de litio en contenedores usando formación de imágenes de rayos x. Los datos de transmisión de rayos x de alta energía y baja energía se usan para generar imágenes de Zeff de números atómicos. Se realiza la segmentación basada en umbrales de regiones que puedan contener posiblemente baterías de litio. Las características examinadas en el proceso de clasificación de objetos incluyen el área de la región marcada, el número atómico de Zeff, la forma, la atenuación de rayos x, la disposición espacial con regiones repetidas, la textura. Basándose en estas características, los objetos se clasifican como baterías de litio u otros objetos.

[0009] Sumario de la invención

[0010] Un objeto de la invención es prever un método y un sistema que obvie al menos uno de los inconvenientes mencionados anteriormente.

[0011] Adicionalmente o como alternativa, un objeto de la invención es prever una caracterización de material mejorada de uno o más materiales.

[0012] Adicionalmente o como alternativa, un objeto de la invención es prever una caracterización de material mejorada. La invención se define por las reivindicaciones independientes, las reivindicaciones dependientes se refieren a realizaciones.

[0013] Breve descripción del dibujo

[0014] La invención se dilucidará adicionalmente en función de realizaciones ilustrativas que se representan en un dibujo. Las realizaciones ilustrativas se dan a modo de ilustración no limitativa. Se hace notar que las figuras son solo representaciones esquemáticas de realizaciones de la invención que se dan a modo de ejemplo no limitante.

[0015] En el dibujo:

[0016] la figura 1 muestra un diagrama esquemático de una realización de un sistema;

[0017] la figura 2 muestra un diagrama esquemático de una realización de un sistema;

[0018] la figura 3 muestra un diagrama esquemático de materiales caracterizados;

[0019] la figura 4 muestra un diagrama esquemático de fusión de datos;

[0020] la figura 5 muestra un diagrama esquemático de un gráfico;

[0021] la figura 6 muestra un diagrama esquemático de imágenes segmentadas;

[0022] la figura 7 muestra un diagrama esquemático de un método;

[0023] la figura 8 muestra un diagrama esquemático de un gráfico

[0024] la figura 9 muestra un diagrama esquemático de un gráfico

[0025] las figuras 10a, 10b muestran un diagrama esquemático de gráficos;

[0026] las figuras 11a, 11b muestran un diagrama esquemático de gráficos;

[0027] la figura 12 muestra un diagrama esquemático de una realización de un sistema; y

[0028] la figura 13 muestra un diagrama esquemático de un método.

[0030] Descripción detallada

[0032] La figura 1 muestra un diagrama esquemático de una realización de un sistema 1 para realizar la caracterización de uno o más materiales 3, comprendiendo el sistema 1: una unidad sensorial 5 dispuesto para explorar los uno o más materiales 3. La unidad sensorial 5 incluye un sensor de rayos X configurado para realizar formación de imágenes de múltiples energías para obtener al menos una imagen de rayos X de energía inferior y una imagen de rayos X de energía superior. El sistema 1 incluye un controlador configurado para realizar las etapas de: realizar la segmentación de imágenes obtenidas por medio del sistema sensorial 5 para separar uno o más objetos distintos en las imágenes, en donde se determinan datos indicativos de un área de los objetos segmentados; determinar, para cada uno de los objetos segmentados, datos indicativos de una densidad de área y datos indicativos de un número atómico mediante el análisis de la imagen de rayos X de energía inferior y de la imagen de rayos X de energía superior, determinándose los datos indicativos de la densidad de área y el número de átomos por medio de un modelo que se calibra realizando formación de imágenes de rayos X de múltiples energías con diferentes materiales con densidades de área y números de átomos conocidos; calcular, para cada uno de los objetos segmentados, datos indicativos de una masa basándose en los datos indicativos de la densidad de área y los datos indicativos del área de cada uno de los objetos segmentados; y proporcionar, para cada uno de los objetos segmentados, al menos los datos indicativos del número de átomos como entrada a una red neuronal entrenada, en donde la red neuronal entrenada está configurada para etiquetar cada objeto segmentado, en donde los datos indicativos de la masa se acoplan a cada uno de los objetos segmentados etiquetados. En este ejemplo, la unidad sensorial 5 y los uno o más materiales 3 son móviles la una en relación con los otros como se indica por la flecha A. De esta forma, la unidad sensorial puede explorar los uno o más materiales 3. Por ejemplo, puede usarse una cinta transportadora para guiar los uno o más materiales 3 a lo largo de la unidad sensorial 5. Sin embargo, también es posible que la unidad sensorial 5 sea movida con respecto a uno o más materiales 3.

[0034] La invención asigna una masa a cada objeto segmentado. Esto significa que se asigna un balance de masas total por clase de objetos.

[0036] En algunos ejemplos, la masa puede proporcionarse como entrada a la red neuronal entrenada. Una combinación de masa y propiedades químicas (consúltese el número atómico) proporciona una buena predicción de la etiqueta por medio de la red neuronal artificial entrenada.

[0038] En algunos ejemplos, la masa se usa al menos en la salida, después de que se haya asignado una clasificación a cada uno de los objetos segmentados usando la red neuronal entrenada, usándose la masa para crear el balance de masas.

[0040] La figura 2 muestra un diagrama esquemático de una realización de un sistema 1. En este ejemplo, al menos una de una cámara (en color) opcional 7 o una unidad de triangulación láser 3D opcional 9 se disponen para posibilitar determinar características adicionales vinculadas a cada uno de los objetos segmentados. Por lo tanto, en algunos ejemplos, además de rasgos/características relacionadas con el tipo de material, masa, etc., también es posible hacer una distinción entre los objetos identificados y/o segmentados basándose en al menos uno de tamaño, forma, color, textura, perspectiva visual, etc. Tal información también puede posibilitar la experimentación virtual. En este ejemplo, la unidad sensorial 5 incluye un sensor de rayos X 11 que tiene dos subunidades de rayos X 11a, 11b para realizar formación de imágenes de rayos X de energía dual. Además, en la unidad sensorial 5 se integran la cámara 7 y la unidad de triangulación láser 3D 9. De esta forma, la unidad sensorial 5 proporciona una pluralidad de imágenes que pueden ser alineadas y/o fusionadas, por ejemplo, por una unidad informática 13. La alineación y/o fusión de los datos de formación de imágenes obtenidos de diferentes cámaras/detectores puede posibilitar una mejor determinación de los rasgos/características de los objetos segmentados. Los uno o más materiales se segmentan y los objetos segmentados individuales 3i se analizan para determinar rasgos/características relevantes de los mismos. En este ejemplo, las siguientes características 15 se determinan para cada objeto segmentado: densidad, material, forma, tamaño y masa. Se apreciará que también son posibles otros conjuntos de características. A partir de los datos también es posible derivar un (porcentaje de) peso (relativo) de cada uno de los objetos segmentados.

[0042] El sistema de acuerdo con la invención puede ser más rápido y más autónomo en la caracterización de uno o más materiales, al tiempo que se requiere menos entrada (desde el punto de vista del trabajo requerido) por seres humanos. El sistema puede proporcionar ventajas importantes en la aplicación de la caracterización de residuos.

[0044] Para desarrollar un modelo que reconozca diferentes (imágenes de) partículas de residuos y las clasifica en diferentes categorías, un modelo de aprendizaje automático puede entrenarse mostrándole una gran cantidad de imágenes, cada imagen acompañada de una etiqueta que describe lo que contiene. El enfoque convencional, en el que todos los datos se etiquetan de antemano, es conocido como aprendizaje supervisado. Estos datos etiquetados representan el combustible de los algoritmos de aprendizaje automático. Para la tecnología de caracterización de residuos, los datos etiquetados habitualmente pueden generarse explorando corrientes físicas monomateriales "puras" que, a menudo, se preparan manualmente seleccionando meticulosamente miles de partículas individuales de entre una corriente de residuos heterogénea.

[0046] La caracterización de residuos tiene varias aplicaciones importantes en la industria del reciclaje. Esta puede usarse para evaluación de valor. La evaluación rápida y fiable del valor de corrientes de materiales completas reduce el riesgo de exposición a la volatilidad de los mercados bursátiles de materias primas. Además, puede usarse para control de calidad. En una economía circular, se desea que se garantice la calidad de los productos reciclados. La tecnología de caracterización ayuda a generar confianza en el mercado. Además, puede usarse para ingeniería de procesos. Pueden evaluarse la viabilidad técnica y económica de los procesos de reciclaje de residuos y el diseño de nuevos procesos mediante experimentación virtual. Además, puede usarse para la optimización de procesos en línea. Los procesos de clasificación pueden medirse, controlarse y optimizarse sobre la marcha.

[0048] La invención puede prever una tecnología de caracterización directa en línea que evalúe los materiales tanto cualitativamente (tipo de material, química, pureza, ...) como cuantitativamente (balances de masas, propiedades físicas, ...). Un sistema de caracterización en línea de este tipo puede configurarse para evaluar completamente corrientes de materiales heterogéneas y complejas, eliminando la necesidad de submuestreo. Además, pueden producirse balances de masas sobre la marcha. De hecho, para cada objeto material puede crearse un gemelo digital que puede evaluarse de forma virtual.

[0050] La figura 3 muestra un diagrama esquemático de materiales caracterizados usando el método de acuerdo con la invención. Se segmentan diferentes objetos 3i y se determinan las características/rasgos relevantes. La información puede presentarse, por ejemplo, usando una interfaz de usuario general. En este ejemplo, las características incluyen masa, volumen, diámetro, forma y textura. Además, también pueden proporcionarse etiquetas 17 determinadas por medio de la red neuronal entrenada. En este ejemplo, se proporcionan dos etiquetas 17, en concreto, tipo de objeto (por ejemplo, botella, cámara, auriculares, etc.) y material (por ejemplo, PET, composición de materiales, etc.). Se apreciará que también son posibles otros rasgos y/o etiquetas.

[0052] La figura 4 muestra un diagrama esquemático de fusión de datos. En este ejemplo, la unidad sensorial 5 incluye una pluralidad de sensores de formación de imágenes, en concreto una cámara a color RGB, un sensor de altura (por ejemplo, triangulación láser o cámara 3D) y un sensor de rayos X (por ejemplo, un sensor de rayos X de energía dual que proporciona una imagen de rayos X de baja y alta energía). Se apreciará que es posible integrar dos sensores separados en lugar de usar dos sensores separados. Por ejemplo, puede usarse una cámara 3D para proporcionar tanto información de altura como imágenes a color RGB. Una imagen fusionada 19 puede obtenerse de diferentes sensores o subunidades de la unidad de formación de imágenes 5.

[0054] La absorción de rayos X se mide por medio de formación de imágenes de rayos X. La absorción de rayos X puede ser proporcional a la masa de un material particular. Sin embargo, un material relativamente delgado con una gran cantidad de absorción (por ejemplo, plomo) puede dar una imagen de rayos X similar a la de un material muy grueso con poca absorción. Pueden usarse una imagen de energía inferior y una imagen de energía superior para hacer una distinción entre tales casos, posibilitando una discriminación de material.

[0056] Combinando múltiples sensores (por ejemplo, XRT y 3DLT), pueden determinarse o medirse directamente las propiedades físicas/químicas de objetos segmentados. Las características medidas y/o determinadas pueden proporcionarse como entrada a un modelo de aprendizaje automático para proporcionar una etiqueta. El valor y la composición de corrientes de materiales complejos heterogéneos pueden cuantificarse, lo que da como resultado ahorros de costes y tiempo para las empresas de reciclaje en comparación con los procedimientos de muestreo y análisis actuales.

[0058] La figura 5 muestra un diagrama esquemático de un gráfico en el que se la masa real se representa gráficamente frente a la masa predicha para diferentes tipos de materiales. Puede observarse que el modelo para determinar la masa basándose en una imagen de rayos X de energía inferior y una imagen de rayos X de energía superior proporciona resultados exactos. El error relativo de masa es inferior al 15 por ciento.

[0060] La figura 6 muestra un diagrama esquemático de imágenes segmentadas. La segmentación de objetos 3i se visualiza mediante cuadros delimitadores 20. En este ejemplo, los cuadros 20 son rectangulares, pero también son posibles otras formas. También son posibles otras técnicas de segmentación. Por ejemplo, también es posible segmentar contornos de los objetos identificados 3i. Para cada uno de los objetos segmentados 3i, pueden determinarse uno o más rasgos/características. Estas características pueden alimentarse a la red neuronal entrenada para proporcionar una etiqueta específica de la aplicación.

[0062] La figura 7 muestra un diagrama esquemático de un método 30. En una primera etapa 31, los objetos o componentes de los uno o más materiales se identifican y segmentan. Esto puede realizarse por medio de algoritmos de detección de objetos y/o algoritmos de segmentación. La imagen se obtiene usando la unidad sensorial 5. También es posible que la imagen adquirida que se segmenta se obtenga después de realizar la alineación y/o fusión de diferentes imágenes, por ejemplo, provenientes de diferentes sensores o subunidades de la unidad sensorial 5. En este ejemplo, se proporcionan cajas 20 alrededor de los objetos segmentados 3i. En una segunda etapa 33, se determinan características/rasgos 15 para cada uno de los objetos segmentados 3i. En este ejemplo se determina la masa, el volumen y el número de átomos. Los datos pueden proporcionarse como entrada a la red neuronal entrenada 25 para obtener una etiqueta 17 como salida. En este ejemplo, la red neuronal entrenada es un modelo de aprendizaje profundo. Sin embargo, también pueden usarse otros modelos de aprendizaje automático. En algunos ejemplos, se usa un modelo de regresión alternativo en lugar de una red neuronal artificial.

[0064] La figura 8 muestra un diagrama esquemático de un gráfico. La pluralidad de objetos segmentados identificados 3i puede dividirse en una o más agrupaciones de tal modo que cada agrupación contiene componentes que tienen rasgos y/o características similares. Los objetos pueden agruparse de esta forma, proporcionando más perspectivas acerca de la composición de los uno o más materiales (por ejemplo, corriente de residuos). En este ejemplo, se proporciona una agrupación 2D teniendo en cuenta la densidad y el número de átomos. Se apreciará que son posibles diversos otros gráficos de agrupaciones.

[0066] La invención posibilita la caracterización de la corriente de materiales a nivel de objeto/componente. Además de la distribución de tamaño de partículas o un balance de masas, pueden definirse métricas de calidad personalizadas basándose en las propiedades físicas (medidas directamente) de objetos individuales de los uno o más materiales (por ejemplo, corriente de materiales). Al hacerlo, la tecnología construye un gemelo digital de una corriente de materiales física, lo que permite la experimentación virtual, nuevas perspectivas y una mejor evaluación de valor. La invención posibilita la clasificación de corrientes de residuos heterogéneos con exactitudes de clasificación alta y balances de masas exactos sin la necesidad de una etapa de clasificación.

[0068] La figura 9 muestra un diagrama esquemático de un gráfico similar al de la figura 8. En este ejemplo, la pluralidad de objetos segmentados identificados 3i se muestran en el gráfico, lo que posibilita una perspectiva más visual de la composición de los uno o más materiales que están caracterizándose.

[0070] Las figuras 10a, 10b muestran un diagrama esquemático de gráficos relacionados con la transmisión de rayos X de energía dual y múltiple. En los gráficos, la transmisión se representa gráficamente frente a la energía para diferentes objetos segmentados 3i.

[0072] Cuando los fotones (de rayos X) atraviesan un material, una parte de los mismos interacciona con el material, mientras que la otra parte no lo hace. Esta última parte, la parte transmitida, es lo que captura el detector en la formación de imágenes de transmisión de rayos X (XRT). El objeto a capturar se encuentra entre la fuente y el detector.

[0074] La cantidad de rayos X transmitidos por un cierto material depende de 1) el material (composición química, número atómico), 2) la densidad (p), 3) el espesor (d) y 4) la energía del fotón (E). Esto se refleja en la figura 10a anterior, en donde, para diferentes materiales, la transmisión de fotones se representa gráficamente frente a la energía de fotones de rayos x.

[0076] Gracias a la diferente transmisión espectral de los materiales, podemos distinguir entre diferentes materiales cuando visualizamos materiales que usan múltiples energías.

[0078] Por ejemplo, en el caso del XRT de energía dual (DE-XRT), cada píxel del sensor será sensible en dos partes del espectro de energía y, por lo tanto, generará una señal de baja y alta energía. La señal de baja energía integra todos los fotones por debajo de un cierto umbral, mientras que la señal de alta energía integra los rayos x con una energía por encima del umbral. Midiendo las transmisiones de una parte baja y alta del espectro de energía, es posible calcular el número atómico promedio (Z) y la densidad de área (pd) (densidad multiplicada por el espesor).

[0080] Como puede observarse en la figura, el espectro de transmisión de ciertos materiales muestra caídas distintas (también tiene picos, pero no están dibujados). Las ubicaciones de estas caídas (la energía de los fotones de rayos x) son características de los elementos químicos, mientras que la altura de la caída corresponde a la cantidad de ese material. Por lo tanto, introduciendo múltiples contenedores de energía (más de dos) y realizar una transmisión de rayos x de múltiples energías, es posible enfocar algunas o todas estas caídas y, por lo tanto, determinar cuantitativamente la composición química (elemental) del material explorado mediante el estudio de la ubicación y altura de las caídas.

[0082] La energía dual puede medir el número atómico promedio, dentro de un cierto intervalo (digamos hasta un número atómico de 40). Sin embargo, la transmisión de múltiples energías puede ampliar drásticamente este intervalo a números atómicos más altos. Además, al centrarse en caídas específicas, el XRT de múltiples energías posibilita centrarse en elementos químicos específicos y determinar cuantitativamente la cantidad de ese elemento presente en el material. Una de las técnicas conocidas para esto es la formación de imágenes de borde K.

[0084] En la figura 10b se representa el efecto de la densidad de área (pd) (densidad multiplicada por el espesor). Cuanto mayor sea la densidad o más grueso el material, menor será la transmisión. Sin embargo, la posición de la caída sigue siendo la misma. La altura relativa de la caída también es muy similar.

[0086] Las figuras 11a, 11b muestran un diagrama esquemático de gráficos relacionados con la transmisión de rayos X de energía dual y múltiple. En la figura 11a, se muestra una imagen de baja y alta energía. En la figura 11b, la transmisión de alta energía se representa gráficamente frente a la transmisión de baja energía para diferentes objetos segmentados 3i.

[0088] En la figura 11a, se observa la influencia de aumentar el contenido de Pb. La ubicación de la caída permanece constante, pero la altura de la caída aumenta al aumentar el contenido de Pb. Este efecto permite determinar cuantitativamente la composición química de un material usando formación de imágenes de múltiples energías, por ejemplo, formación de imágenes de borde k. Basándose en la exploración de calibración DE-XRT, puede derivarse la siguiente relación entre LE, HE y Z. Lo que permite, basándose en la medición de LE y HE, derivar el número atómico promedio, como se ilustra en la figura 11b. De forma similar, puede derivarse una relación con pd.

[0090] Durante la calibración, pueden tomarse materiales cuyo número atómico y densidad de los materiales sean conocidos. El gráfico muestra para las imágenes de rayos X de baja y alta energía cuál es el número atómico y la densidad superficial. Si la densidad de área se integra o suma a lo largo de un objeto segmentado, puede calcularse la masa del objeto.

[0092] La figura 12 muestra un diagrama esquemático de una realización de un sistema 100. El sistema 100 puede configurarse para controlar parámetros de proceso basándose en la información relacionada con los diferentes materiales distinguidos en la corriente de residuos. El sistema 100 puede configurarse para proporcionar información de proceso en tiempo real para el control de procesos. Si, por ejemplo, en un proceso, después de la etapa de caracterización está presente una línea divisoria que incluye, por ejemplo, una pluralidad de etapas de separación física diferentes. A continuación, basándose en lo que se presente como entrada, los parámetros (por ejemplo, bandas de velocidad, ajustes de las máquinas) pueden ajustarse basándose en lo que se presenta como entrada para conseguir una mejor separación.

[0094] La invención puede prever una tecnología de caracterización directa en línea para corrientes de residuos sólidos a granel. La caracterización puede hacer uso de diferentes sensores (rayos X, láser 3D y color) e inteligencia artificial para entregar grandes cantidades de datos a nivel de objeto/componente de los uno o más materiales (por ejemplo, corriente de materiales) junto con análisis industrialmente relevantes.

[0096] La figura 13 muestra un diagrama esquemático de un método 1000 para realizar la caracterización de uno o más materiales. En una primera etapa 1001, los uno o más materiales se exploran por medio de un sistema sensorial que incluye un sensor de rayos X configurado para realizar formación de imágenes de múltiples energías para obtener al menos una imagen de rayos X de energía inferior y una imagen de rayos X de energía superior. En una segunda etapa 1002, se realiza la segmentación de imágenes obtenidas por medio del sistema sensorial para separar uno o más objetos distintos en las imágenes, en donde se determinan datos indicativos de un área de los objetos segmentados. En una tercera etapa 1003, para cada uno de los objetos segmentados, se determinan datos indicativos de una densidad de área y datos indicativos de un número de átomos mediante el análisis de la imagen de rayos X de energía inferior y de la imagen de rayos X de energía superior, determinándose los datos indicativos de la densidad de área y el número de átomos por medio de un modelo que se calibra realizando formación de imágenes de rayos X de múltiples energías con diferentes materiales con densidades de área y números de átomos conocidos. En una cuarta etapa 1004, para cada uno de los objetos segmentados, se calculan datos indicativos de una masa basándose en los datos indicativos de la densidad de área y los datos indicativos del área de cada uno de los objetos segmentados. En una quinta etapa 1005, para cada uno de los objetos segmentados, se proporciona al menos los datos indicativos del número de átomos y masa como entrada a una red neuronal entrenada, en donde la red neuronal entrenada está configurada para etiquetar cada objeto segmentado, en donde los datos indicativos de la masa se acoplan a cada uno de los objetos segmentados etiquetados.

[0098] Tener conocimientos con respecto a la masa usando una unidad de formación de imágenes de rayos X puede proporcionar suficientes ventajas en la caracterización de material. Esta caracterización puede incluso llevarse a cabo en corrientes heterogéneas complejas (por ejemplo, aplicación de clasificación de corrientes de materiales residuales).

[0099] Pueden usarse diversos modelos de redes neuronales y/o arquitecturas de redes neuronales. Una red neuronal tiene la capacidad de procesar, por ejemplo, clasificar, datos de sensores y/o datos preprocesados, consúltese, rasgos característicos determinados de los objetos segmentados. Una red neuronal puede implementarse en un sistema informatizado. Las redes neuronales pueden servir como una estructura para diversos algoritmos de aprendizaje automático para procesar entradas de datos complejas. Estos sistemas de redes neuronales pueden "aprender" a realizar tareas considerando ejemplos, generalmente sin estar programados con reglas específicas de tarea. Una red neuronal puede basarse en una colección de unidades o nodos conectados llamados neuronas. Cada conexión puede transmitir una señal de una neurona a otra neurona en la red neuronal. Una neurona que recibe una señal puede procesarla y a continuación enviar señales a neuronas adicionales conectadas a ella (consúltese activación). La salida de cada neurona habitualmente se calcula mediante alguna función no lineal de la suma de sus entradas. Las conexiones pueden tener pesos respectivos que se ajustan a medida que avanza el aprendizaje. También puede haber otros parámetros tales como sesgos. Habitualmente, las neuronas se agregan en capas. Diferentes capas pueden realizar diferentes tipos de transformaciones en sus entradas para formar una red neuronal profunda.

[0101] Una red neuronal de aprendizaje profundo puede observarse como un método de aprendizaje de representación con una pluralidad de niveles de representación, que puede obtenerse componiendo módulos sencillos, pero no lineales, cada uno de los cuales transforma la representación en un nivel, comenzando con la entrada sin procesar, en una representación a un nivel superior, ligeramente más abstracto. La red neuronal puede identificar patrones que son difíciles de observar usando métodos convencionales o clásicos. Por lo tanto, en lugar de escribir código personalizado específico para un problema de impresión de la estructura en ciertas condiciones de impresión, la red puede entrenarse para que pueda manejar condiciones de impresión de estructuras diferentes y/o cambiantes, por ejemplo, usando un algoritmo de clasificación. Los datos de entrenamiento pueden alimentarse a la red neuronal de tal modo que esta puede determinar una lógica de clasificación para controlar eficientemente el proceso de impresión.

[0103] Se entenderá además que cuando se hace referencia a una etapa particular de un método como posterior a otra etapa, puede seguir directamente a dicha otra etapa o pueden llevarse a cabo una o más etapas intermedias antes de llevar a cabo la etapa particular, a menos que se especifique lo contrario. Asimismo, se entenderá que cuando se describe una conexión entre componentes tales como neuronas de la red neuronal, esta conexión podrá establecerse directamente o a través de componentes intermedios tales como otras neuronas u operaciones lógicas, a menos que se especifique lo contrario o se excluya por el contexto.

[0105] Se apreciará que, el método puede incluir etapas implementadas por ordenador. Todas las etapas mencionadas anteriormente pueden ser etapas implementadas por ordenador. Las realizaciones pueden comprender aparatos informáticos, en donde los procesos se realizan en aparatos informáticos. La invención también se extiende a programas informáticos, particularmente programas informáticos sobre o en un soporte, adaptados para poner en práctica la invención. El programa puede estar en forma de código fuente u objeto o en cualquier otra forma adecuada para su uso en la implementación de los procesos según la invención. El soporte puede ser cualquier entidad o dispositivo capaz de transportar el programa. Por ejemplo, el soporte puede comprender un medio de almacenamiento, tal como una ROM, por ejemplo, una ROM de semiconductores o un disco duro. Además, el soporte puede ser un portador transmisible tal como una señal eléctrica u óptica que puede transportarse mediante un cable eléctrico u óptico o por radio u otros medios, por ejemplo, a través de Internet o la nube.

[0107] Algunas realizaciones pueden implementarse, por ejemplo, usando una máquina o un medio o artículo tangible legible por ordenador que puede almacenar una instrucción o un conjunto de instrucciones que, si son ejecutadas por una máquina, pueden hacer que la máquina realice un método y/u operaciones de acuerdo con las realizaciones.

[0109] Diversas realizaciones pueden implementarse usando elementos de hardware, elementos de software o una combinación de ambos. Los ejemplos de elementos de hardware pueden incluir procesadores, microprocesadores, circuitos, circuitos integrados específicos de la aplicación (ASIC), dispositivos lógicos programables (PLD), procesadores de señales digitales (DSP), matriz de puertas programables en campo (FPGA), puertas lógicas, registros, dispositivo de semiconductores, microchips, conjuntos de chips, etc. Los ejemplos de software pueden incluir componentes de software, programas, aplicaciones, programas informáticos, programas de aplicación, programas de sistema, programas de máquina, software de sistema operativo, aplicaciones móviles, middleware, firmware, módulos de software, rutinas, subrutinas, funciones, métodos implementados por ordenador, procedimientos, interfaces de software, interfaces de programa de aplicación (API), métodos, conjuntos de instrucciones, código de cómputo, código informático, etc.

[0111] Las técnicas de procesamiento de gráficos y/o imágenes/vídeo pueden implementarse en diversas arquitecturas de hardware. La funcionalidad de gráficos puede integrarse dentro de un conjunto de chips. Como alternativa, puede usarse un procesador de gráficos discreto. Por ejemplo, el procesamiento de imágenes (fijas o de vídeo) puede realizarse mediante un subsistema de gráficos tal como una unidad de procesamiento de gráficos (GPU) o una unidad de procesamiento visual (VPU). Como otra realización más, las funciones de procesamiento de gráficos o imágenes/vídeo pueden implementarse mediante un procesador de propósito general, incluyendo, por ejemplo, un procesador de múltiples núcleos. En otra realización, las funciones pueden implementarse en un dispositivo de electrónica de consumo. Son posibles realizaciones que usan una combinación de diferentes arquitecturas de hardware.

[0113] En las reivindicaciones, ningún signo de referencia colocado entre paréntesis deberá interpretarse como que limita la reivindicación. La expresión 'comprendiendo/que comprende' no excluye la presencia de características o etapas que no sean las enumeradas en una reivindicación. Además, las palabras 'un' y 'una' no se interpretarán como limitadas a 'solo uno/a', sino que, en su lugar, se usan con el significado de 'al menos uno/a' y no excluyen una pluralidad. El mero hecho de que ciertas medidas se mencionen en reivindicaciones mutuamente diferentes no indica que no pueda aprovecharse una combinación de tales medidas.

Claims (15)

1. REIVINDICACIONES

1. Un método implementado por ordenador para realizar la caracterización de materiales (3) en una corriente de materiales, comprendiendo el método:

explorar la corriente de materiales por medio de un sistema sensorial (5) que incluye un sensor de rayos X configurado para realizar formación de imágenes de múltiples energías para obtener al menos una imagen de rayos X de energía inferior y una imagen de rayos X de energía superior;

realizar la segmentación de dichas imágenes obtenidas por medio del sistema sensorial (5) para separar objetos distintos (3i) en las imágenes, en donde se determinan datos indicativos de un área de los objetos segmentados (3i);

determinar, para cada uno de los objetos segmentados (3i), datos indicativos de una densidad de área y datos indicativos de un número de átomos mediante el análisis de la imagen de rayos X de energía inferior y de la imagen de rayos X de energía superior, determinándose los datos indicativos de la densidad de área y el número de átomos por medio de un modelo que se calibra realizando formación de imágenes de rayos X de múltiples energías con diferentes materiales con densidades de área y números de átomos conocidos;

caracterizado por calcular, para cada uno de los objetos segmentados (3i), datos indicativos de una masa basándose en los datos indicativos de la densidad de área y los datos indicativos del área de cada uno de los objetos segmentados (3i);

proporcionar, para cada uno de los objetos segmentados (3i), al menos los datos indicativos del número de átomos como entrada a una red neuronal entrenada, en donde la red neuronal entrenada está configurada para etiquetar cada objeto segmentado; y

asignar los datos indicativos de la masa a cada uno de los objetos segmentados etiquetados, y basándose en la masa asignada a cada uno de los objetos de segmento etiquetados, asociar una masa total a clases de objetos en la corriente de materiales.

2. Método de acuerdo con la reivindicación 1, en donde la masa calculada se proporciona como entrada a la red neuronal entrenada.

3. Método de acuerdo con la reivindicación 1 o 2, en donde la unidad sensorial (5) incluye además una unidad de formación de imágenes de profundidad para determinar datos indicativos de un volumen de los objetos segmentados (3i).

4. Método de acuerdo con la reivindicación 3, en donde la unidad de formación de imágenes de profundidad incluye al menos una de una unidad de triangulación láser tridimensional (9) o una cámara tridimensional.

5. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde la unidad sensorial (5) incluye además una unidad de formación de imágenes a color configurada para tomar imágenes a color de los objetos segmentados (3i).

6. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde datos procedentes de diferentes subsistemas del sistema sensorial (5) se alinean antes de determinar rasgos característicos para cada uno de los objetos segmentados (3i).

7. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde, para cada uno de los objetos segmentados (3i), se determinan rasgos característicos adicionales en relación con al menos uno de un volumen, una dimensión, un diámetro, una forma, una textura, un color o una excentricidad.

8. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los materiales (3) en la corriente de materiales son movidos sobre un transportador formando la corriente de materiales.

9. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde rasgos característicos de los objetos segmentados (3i) se almacenan para construir un modelo de gemelo digital.

10. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los materiales (3) en la corriente de materiales se caracterizan antes del transporte para determinar un primer marcador de identificación digital, en donde, posteriormente después del transporte a una ubicación remota, los materiales (3) en la corriente de materiales se caracterizan para determinar un segundo marcador de identificación digital, en donde el primer y el segundo marcadores de identificación digital se comparan el uno en relación con el otro para determinar el cambio de contenido durante el transporte.

11. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los materiales en la corriente de materiales son no homogéneos.

12. Método de acuerdo con una cualquiera de las reivindicaciones anteriores, en donde los materiales en la corriente de materiales se seleccionan de entre un grupo que consiste en residuos sólidos, productos o componentes

producidos, productos agrícolas o baterías.

13. Sistema (1) para realizar la caracterización de materiales (3) en una corriente de materiales, comprendiendo el sistema:

un sistema sensorial (5) configurado para explorar la corriente de materiales, incluyendo el sistema sensorial (5) un sensor de rayos X configurado para realizar formación de imágenes de múltiples energías para obtener al menos una imagen de rayos X de energía inferior y una imagen de rayos X de energía superior;

en donde el sistema (1) incluye un controlador configurado para realizar las etapas de:

realizar la segmentación de dichas imágenes obtenidas por medio del sistema sensorial (5) para separar objetos distintos (3i) en las imágenes, en donde se determinan datos indicativos de un área de los objetos segmentados (3i);

determinar, para cada uno de los objetos segmentados (3i), datos indicativos de una densidad de área y datos indicativos de un número de átomos mediante el análisis de la imagen de rayos X de energía inferior y de la imagen de rayos X de energía superior, determinándose los datos indicativos de la densidad de área y el número de átomos por medio de un modelo que se calibra realizando formación de imágenes de rayos X de múltiples energías con diferentes materiales con densidades de área y números de átomos conocidos; caracterizado por calcular, para cada uno de los objetos segmentados (3i), datos indicativos de una masa basándose en los datos indicativos de la densidad de área y los datos indicativos del área de cada uno de los objetos segmentados (3i); y

proporcionar, para cada uno de los objetos segmentados (3i), al menos los datos indicativos del número de átomos como entrada a una red neuronal entrenada, en donde la red neuronal entrenada está configurada para etiquetar cada objeto segmentado (3i); y

asignar los datos indicativos de la masa a cada uno de los objetos segmentados etiquetados (3i) y basándose en la masa asignada a cada uno de los objetos de segmento etiquetados, asociar una masa total a clases de objetos en la corriente de materiales.

14. Un producto de programa informático que comprende uno o más dispositivos de almacenamiento legibles por ordenador que tienen instrucciones de programa almacenadas en el mismo para realizar, cuando se ejecuta en un controlador, las etapas del método de acuerdo con cualquiera de las reivindicaciones 1-12.

15. Un dispositivo de reciclaje configurado para clasificar una corriente de residuos, en donde el dispositivo de reciclaje incluye el sistema de acuerdo con la reivindicación 13 para distinguir diferentes objetos en la corriente de residuos.