AI krāsu šķirotāja tehnoloģiskais sasniegums
1. no "redzama" līdz "saprotama": dziļas mācības dod intelektuālu šķirošanu
Tradicionālās krāsu šķirošanas mašīnas šķirošanai paļaujas uz iepriekš iestatītiem krāsu sliekšņiem, savukārt AI krāsu šķirošanas mašīnas panākt dziļu izpratni par materiālu daudzdimensionālām iezīmēm, izmantojot konvolūcijas neironu tīklus (CNN) un transformatoru arhitektūru
Vairāku funkciju krāsu, tekstūras un formas saplūšana: spējīgi identificēt tādus defektus kā "vēdera balti graudi" rīsos un vecās lapās tējā, kuras ir grūti noteikt, izmantojot tradicionālās metodes
Adaptīvā mācīšanās spēja: modelis var automātiski optimizēt šķirošanas parametrus, pamatojoties uz dažādu materiālu partiju īpašībām, samazinot manuālu iejaukšanos
Izrāviens nelielā paraugu apguvē: izmantošana Mācīšanās un datu palielināšanas metožu izmantošana, lai atrisinātu problēmu, kas saistīta ar ierobežotiem bojātiem paraugiem (piemēram, sēra fumigācijas zīmes uz ārstniecības augiem)
2. Multispektrālā attēlveidošana+AI: ārpus cilvēka acs izšķirtspējas
Vairāku joslu sadarbība redzamas gaismas (400-700 nm) un tuvu infrasarkanā (900-1700 nm) noteikšana (900-1700 nm)
Tipisks gadījums: caurspīdīgas plastmasas plēves identificēšana rīsos (tradicionālais RGB kameru noteikšanas ātrums<70%, AI multispectral system reaches 99.2%)
3. reālā laika šķirošana pēc malas skaitļošanas
Iegulto AI mikroshēmu, piemēram, NVIDIA JETSON
Spriešanas ātrums<5ms, meeting the high-speed sorting requirement of over 100000 particles per minute
Inovatīvu lietojumprogrammu scenāriju paplašināšana
1. Lauksaimniecības produktu augstas pievienotās vērtības šķirošana
Pielietojuma jomas, tehnoloģiskie notikumi un efektivitātes uzlabošana
Identificēšana ar raudzētām/kukaiņu inficētām pupiņām premium kafijā aizstāj manuālu skrīningu, palielinot efektivitāti par 20 reizēm
Sēra fumigācijas un pelējuma augšanas noteikšana ārstniecības augos atbilst ES GMP sertifikācijas standartiem
Riekstu apstrādes apvalka un kodola adhēzijas automātiskā šķirošanas un bojājumu ātrums ir samazināts līdz zemāk par 0. 3%
2. Revolūcija pārstrādes resursu šķirošanā
Elektroniskā atkritumu apglabāšana: Panasonic AI šķirošanas līnija Japānā sasniedz PCB metāla pārstrādes tīrību 99,5%
Plastmasas pārstrāde: Tomra Autosort sistēma sasniedz atdalīšanas precizitāti 98% PE/PP caur tuvu infrasarkano spektroskopiju un AI
Tekstilizstrādājumu pārstrāde: Fudan komanda izstrādā šķiedru kompozīcijas atpazīšanas sistēmu, kuras pamatā ir ResNet50, ar precizitātes līmeni 92%
3. Rūpnieciskā precizitātes ražošana
Litija akumulatora elektrodu defektu noteikšana: 0}}. 1mm ² vai vairāk noteikšanas defektu noteikšana.
Fotoelektrisko silīcija vafeļu šķirošana: EL attēlveidošana+AI mikrokrošu identificēšana, kā rezultātā ražas ātrums palielinās par 3%
Nozares izaicinājumi un tehnoloģiskās robežas
1. Pašreizējā tehnoloģiskā sašaurināšanās
Algoritma optimizācija Ultra ātrgaitas šķirošanas laikā: Kad apstrādes ātrums pārsniedz 150000 reizes minūtē, esošā aparatūra nespēj izpildīt reālā laika prasības
Pielāgojamība sarežģītai videi: sensoru stabilitātes jautājumi lielos putekļos un augsta mitruma apstākļos
Starp disciplināro zināšanu saplūšanu: nepieciešama dziļa materiālu zinātnes, optikas un AI algoritmu integrācija
2. Nākotnes attīstības tendences
Multimodālā uztveres sistēma:
Ķīmiskās sastāva analīze apvienojumā ar rentgena un libs (lāzera izraisīta sadalīšanās spektroskopija)
SortTech testē savu “ai ožas” šķirošanas sistēmu Lielbritānijā
Digitālā dvīņu tehnoloģija:
Virtuālā atkļūdošana saīsina ierīces izvietošanas ciklu
Midea Group viedais lauksaimniecības projekts sasniedz uz mākoņiem balstītu Pre optimizāciju šķirošanas parametriem
Ilgtspējīgs dizains:
ES noteikumiem ir nepieciešams samazināt enerģijas patēriņu par 30% krāsu šķirošanas mašīnām
Haiti precizitātes izstrādātā magnētiskās levitācijas šķirošanas tehnoloģija var ietaupīt 40% enerģijas
Tirgus konkurences modelis
1. Starptautiskā zīmola tehnoloģiju ceļvedis
Tomra: netālu no infrasarkanās+AI kombinācijas šķirošanas (ar tirgus daļu 65% pārstrādes jomā)
B ü HLER SONTEX: dziļas mācīšanās+mākoņa bāzes lielo datu analīze (vadošais spēlētājs graudu apstrādē)
Satake: koncentrēšanās uz AI algoritmu rīsu krāsu izvēlei (ar lielāko tirgus daļu Āzijā)
2. Izrāvienu virziens Ķīnas ražotājiem
Meiya optoelektronika: medicīnisko attēlveidošanas AI tehnoloģijas migrācija uz krāsu atlases lauku
TAIHE intelekts: novatoriska “5G+AI” tālvadības un uzturēšanas sistēma
Zhongke optoelektronika: sadarbība ar Ķīnas Zinātnes un tehnoloģijas universitāti uz kvantu punktu spektroskopijas tehnoloģiju
Secinājums un izredzes
AI un krāsu šķirošanas mašīnu integrācija rada laikmetu "inteliģenta šķirošana 3. 0": attīstoties no vienas krāsas šķirošanas uz inteliģentu sistēmu, kas integrē "atklāšanas analīzes lēmumu pieņemšanas izsekojamību". Uzlabojot AI mikroshēmu skaitļošanas jaudu un algoritma jauninājumus, nākamajos 5 gados var būt:
Pašnodarbinātais krāsu šķirotājs: nepārtrauktas pašoptimizācijas sasniegšana, izmantojot pastiprināšanas mācīšanos
Molekulārā līmeņa šķirošanas sistēma: Nano precizitātes šķirošana apvienojumā ar Terahertz viļņu tehnoloģiju
Pilna rūpniecības ķēdes AI šķirošanas mākonis: inteliģents šķirošanas tīkls no saimniecības līdz rūpnīcai
Šī AI virzīta šķirošanas tehnoloģiju revolūcija ne tikai pārveidos ražošanas nozares kvalitātes kontroles sistēmu, bet arī nodrošinās galveno tehnoloģisko atbalstu aprites ekonomikai un pārtikas nekaitīgumam. Ķīnas uzņēmumiem ir jāizmanto AIOT un 5G tehnoloģiju priekšrocības un jācenšas panākt globālu diskursu nākamās paaudzes inteliģentu šķirošanas sistēmu izstrādē.