Повышение эффективности переработки: передовые технологии сортировки упаковки

Задача: разделение упаковки на сортировочных линиях

На заводах переработки (жёлтый контейнер) ключевой этап — разделение смешанного потока на фракции: пластики (PET, HDPE, PP, film), металл (алюминий, жесть), композиты (тетрапак/брики). Раньше — ручной труд, сейчас — автоматизация на базе Индустрии 4.0 для скорости, точности и экономии.

Технологический стек сортировки

Компьютерное зрение

Анализ изображений с ленты: цвет, форма, текстура, спектральные признаки → классификация материала. Традиционные CV-алгоритмы (пороги, контуры, HSV-фильтры) работают для чётких классов.

Machine Learning / Deep Learning

Нейросети (CNN: ResNet, EfficientNet, YOLO для детекции) обучаются на размеченных датасетах. Выигрыш: устойчивость к вариативности (помятые бутылки, этикетки, загрязнения, перекрытия). Комбо CV (препроцессинг/сегментация) + DL (классификация) — стандарт де-факто. Критично: качество разметки, баланс классов, аугментация.

Робототехника

Физическое разделение: дельта-роботы (high-speed picking), манипуляторы с вакуумными/пневматическими захватами. Получают координаты и класс от CV/DL → сбрасывают в соответствующую ленту/банку. Интеграция с AGV для эвакуации накопленных фракций.

Процесс внедрения: от данных к производству

1. Сбор данных — съёмка реального потока на целевой линии (камеры, освещение, скорость ленты, влажность, пыль). Тысячи кадров.
2. Разметка (Labeling) — bounding boxes / маски сегментации + класс материала. Ручное/полуавтоматическое (CVAT, LabelStudio). Качество разметки = качество модели.
3. Обучение — тренировка на части датасета (train/val/test split), подбор гиперпараметров, метрики: precision, recall, F1, confusion matrix.
4. Валидация — тест на недообученных данных, в том числе edge-кейсах (склеенные бутылки, нестандартная упаковка). Метрики в production-like условиях.
5. Инсталляция и ввод в эксплуатацию — интеграция с ПЛК ленты, режектерами, SCADA/MES. Настройка порогов уверенности, логирование событий, обучение операторов.

Кейс ATRIA: система SIARA

Идентификация крупногабаритного мусора (мешки, канистры, дерево, текстиль) на входе в линию сортировки пластика. Такие объекты забивают сепараторы, ломают оборудование. SIARA = Computer Vision + Deep Learning → детекция аномалий → сигнал на ранний режектер до основных сепараторов. Финансирование: Минэкономики Испании + ФЕДЕР (ЕС).

Выгоды автоматизации сортировки

• Цифровой след — логирование каждого решения: класс, уверенность, время, кадр. Аудит, отчётность, дата-дривен оптимизация.
• Скорость — дельта-роботы + GPU-инференс = сотни пиков в минуту, выше ручного.
• Освобождение людей — операторы переходят на контроль, обслуживание, аналитику.
• Непрерывное улучшение — дообучение модели на новых данных, добавление классов, адаптация к сезонности упаковки.

Хотите автоматизировать сортировку упаковки? Свяжитесь с нами!