基于人工智能的金属废料分选流程

机器学习为改善工作场所与工作条件带来了显著益处,在回收行业等领域尤为如此。例如,中值废料的手工分选劳动密集,且需要经验丰富、技术熟练的工人。一方面,他们必须高度集中注意力以对材料做出正确判读与分析;另一方面,该工作单调乏味。因此,本文提出一种机器学习方法,用于回收行业中合金的快速可靠自动识别,而单纯的废料搬运仍交由工人处理。为此,选取了现场中的十二种工具钢与高速钢,通过其电弧诱导的光谱进行识别。数据采集使用 Thorlabs CCS 100 光学发射光谱仪。光谱经后处理以输入监督机器学习算法。机器学习软件的研发依据 VDI 2221 标准方法的步骤进行。编程采用 Python 3 及 python 库 sklearn。通过系统性参数变化,选定并验证了合适的机器学习算法。后续验证步骤表明,采用机器学习方法与光学发射光谱的自动识别流程可行,最高 F1 分数达 96.9%。该性能与经高度训练的工人使用视觉磨削火花识别的性能相当。测试基于自行生成的每种合金 600 条光谱(总计 7,200 条光谱)数据集,该数据由工业车间设备产生。