提高包装选择效率

在回收过程中，最重要和最不为人知的任务之一是选择包装。 容器的选择是在特定的工厂中进行的，其任务包括根据其材料和性质（通常是塑料、金属容器和砖）将不同的容器（与黄色容器）分开。

这项工作至关重要，因为有必要以适当的方式回收这些废物。近年来，这一过程已经发展，从手动变为自动化，如工业 4.0 技术已经改进并进入繁荣期，从而提高了整个过程的效率。

包装选择技术

在容器的选择过程中，使用了不同的技术，这些技术以不同的方式有助于提高这个过程的效率和优化：

计算机视觉

它包括对先前获取的图像应用各种操作以获取信息。通过这种方法可以获得被观察物体的颜色或其轮廓等数据。使用这些技术可以确定制作对象的材料或操作图像以提取应用程序最感兴趣的信息。

机器学习/深度学习

一组算法，能够学习一组特征，从中可以得出各种结论，例如对对象进行分类或检测。在这些技术中，神经网络脱颖而出，它模拟人脑的行为以从其接收的数据中学习。这种方法对于包装选择过程非常有用，因为它在此类应用中具有很高的成功率，对于能够在相应类别中分离废物和包装至关重要。它通常与计算机视觉结合使用从之前处理过的图像中提取信息时。

机器人

在容器选择过程中，协作机器人的使用是必不可少的，因为它允许根据容器所属的类别以物理方式自动分离容器。为了执行此功能，它通常与计算机视觉和深度学习结合使用，它们提供了定位包装和废物以及它们所属类别的必要信息。它们也可以与AGV结合使用，以防需要将物体运送到另一个地方。

为了建立一个可靠和适合不同工厂使用的选择方法，有必要进行一种可以收集数据并可以配置要使用的不同技术的开发。这个过程取决于多种因素：要执行的应用类型、安装地点、外部因素……但是，几乎在所有情况下，都可以区分要遵循的具体步骤：

数据收集

它包括获取执行应用程序所需的检测和分类所需的信息。在选择容器的情况下，它包括通过摄像头和传感器获取对象的图像和数据。
标记

在获取的数据中指示有兴趣查找的特征及其所属类别的方法。对于一个容器选择应用程序，例如提出的应用程序，这是一个在图像中指示我们要查找的对象所在的位置以及它们属于哪种类型的问题。
培训

标记数据由所使用的检测算法提取，以便学习要检测的信息。一个经过适当训练的系统将能够提取区分不同类型容器的特征，并能够定位和分类它们以供以后分离。
评估

为了确认训练算法的性能是正确的，它与新数据一起使用，从中可以获得客观地限定其性能的指标。对于容器的选择，将使用未在训练过程中使用的标记图像。通过这种方式，可以通过获取精度或混淆矩阵等指标来验证它在新情况下的行为。
安装

最后，一旦完成了上述所有工作，并选择了具有最佳评估的算法，系统就可以在真实环境中使用。为此，该算法根据需要进行配置，以便它返回应用程序感兴趣的信息并相应地继续使用它。对于容器的选择，将拍摄废物的图像，算法将检测和分类 并将所述信息发送到系统，系统将视需要进行相应废物的分离。