文/Andrew Wilson

车辆以及电气和电子设备通常被作为废品丢弃，因为以成本有效的方式回收利用这种材料可能是不切实际的。过去，这种回收利用是通过人工分拣进行的，这是一种劳动强度大、耗时且不准确的流程。使用自动化系统，可以分别通过磁鼓或者感应式或涡流分选器，分拣出来自回收材料中的40％-50％的钢以及30％的其他金属。开发更复杂系统的最大挑战之一是对铝、铜、黄铜、铅、不锈钢、银和金等有色金属进行分拣。

过去，回收行业一直对分拣这种金属废料的自动方法接受很慢。然而，随着高光谱相机和基于机器人的拾取和分拣方法的出现，现在可以自动执行这些流程，从而将工人从繁重的工作中解脱出来，同时提高分拣金属合金的效率。由于自动化过程更加有效，废料供应商可以生产更多的再生材料，从而提高盈利能力。

为了实现这些目标，最初致力于矿物表征和加工的比利时列日大学的GeMMe部门已开发了一种基于机器人的系统，该系统中包含了多个传感器、相机、可编程逻辑控制器（PLC）和机器人系统（见图1）。“由于金属表面的反射，废金属片的分类是一项具有挑战性的问题，”该研究组的研究工程师Pierre Barnabé说，“事实上，金属的反射曲线通常表现出单调的特性，与塑料可能有更多光谱形状的情况有所不同。”

图1：将多个传感器、相机、PLC和机器人相结合，用于金属材料的自动分拣。

高光谱成像

为了执行分拣有色金属的任务，首先需要对材料进行定位，然后根据其光谱特征进行分类。这些光谱特征可以用来识别材料。在可见光和近红外（VNIR）光谱中，铝、铜、锌、不锈钢和黄铜都表现出不同的光谱响应特征（见图2）。可以看出，黄铜和不锈钢是最难区分的类别，因为它们的光谱反射特性非常相似。因此，必须使用高光谱成像系统来区分每种单独的材料。

图2：在可见光和近红外（VNIR）光谱中，铝、铜、锌、不锈钢和黄铜都表现出不同的光谱响应特征。黄铜和不锈钢是最难分辨的类别，因为它们的光谱反射特性非常相似。

在分类之前，在色金属在移动通过分拣系统期间对其进行跟踪。在列日大学开发的系统中，这是通过使用安装在传送带上方的3D Ranger相机（来自德国SICK公司）完成的。使用该相机，粒子的图像被分割，并测量每个金属部件的大小和位置。随后，相机的数据通过千兆以太网接口传输到主机。

在该系统的设计中，PLC（来自德国Beckhoff公司）追踪传送机的进度，并用于触发传送机末端的鼓风机。来自编码器的输入信号连接到几个分频器（来自德国Motrona公司），然后连接到相机、图像采集卡和分拣设备的PLC。然后，软件通过TCP接口向机器人的PLC发送位置坐标，这样编码器和分拣设备/传感器之间就不存在PLC，只有分频器。

“为了对有色金属进行分类，必须测量大部分反射光谱，以最大限度地发挥系统的判别潜力。”Barnabé说道，为此，使用两台高光谱相机来捕获图像。其中一台相机是来自瑞士Photonfocus公司的MV1-D1312IE-Camera Link相机，其光谱响应范围位于可见光和近红外（VNIR）区域。该相机配备来自施乃德光学的Xenoplan 1.9/35mm镀膜宽带镜头，用于在400~1000nm波段成像。该相机通过美国Imperx公司的Camera Link图像采集卡连接到主机PC。另一台相机是来自芬兰Specim公司的SWIR相机，用于在1000~2500nm光谱范围内对有色金属进行成像，并通过美国国家仪器公司的Camera Link图像采集卡与主机PC连接。

虽然这两款相机都配备了面阵传感器，但它们却用于线扫描模式下。结合Specim公司的ImSpectorV10E光谱仪，该VNIR相机对金属颗粒成像，使得探测器记录线的空间位置和每个空间位置的光谱信息。为了使每个空间像素的光量最大化，使用Photonfocus相机执行光谱合并，堆叠八个相邻的像素。这有利于将传感器的光谱分辨率降低到与光谱仪的固有分辨率（即约5nm）相同的幅度。

为了在金属部件沿着传送机以一定速度移动时照亮金属部件，需要高水平的照明。为此，该系统中采用了一个挤压椭圆形反射器。这包括一个卤素灯阵列，使照射到反射镜上的光重新定向，以线性方式聚焦并产生密集的光束（见图3）。

图3：为了在金属部件沿着传送机以一定速度移动时照亮金属部件，需要高水平的照明。包含有卤素灯阵列的挤压椭圆形反射器用来产生聚焦的线性光束。

合并图像

需要对VNIR和SWIR相机捕获的线扫描图像进行合并。在线扫描图像上，VNIR相机的空间分辨率为1312像素；基于MCT的SWIR相机的空间分辨率为320像素。为了合并这些图像，VNIR和SWIR相机的周围像素的几何平均值被合并，以产生最终图像。

系统捕获到图像后，使用分类算法来分析金属的反射率，从而能对它们正确分类。为了完成这项任务，使用荷兰PR Sys Design公司的perClass软件和基于Matlab的perClass Toolbox，来分析不同训练过的分类器，从而开发出最佳解决方案。这些包括二次和混合高斯分类器、k最近邻分类器、Fisher判别分析和随机森林方法。

但在分类之前，对从高光谱系统收集的数据应用线性判别分析（LDA）。可以使用LDA来查找表征或分离两个或更多类别对象特征的线性组合。根据从LDA数据中提取的特征，随机森林算法为金属合金分类提供了最有希望的结果（见图4）。这种随机森林方法是受监督的训练分类器，通过在系统被训练时首先建立多个决策树来进行操作。然后分类器确定最经常出现的类。

图4：基于从LDA数据中提取的特征，随机森林算法为金属合金分类提供了最有希望的结果。

机器人分拣

当金属合金放置在传送机上时，它们被3D Ranger相机识别，然后通过高光谱系统进行分类。使用与传送带的编码器同步的控制器（来自瑞士ABB公司），当颗粒在系统中移动时对它们进行跟踪。用高级编程语言RAPID编写的软件程序，用于控制ABB工业机器人，然后用于确定每种合金在被3D相机识别后的具体位置。Barnabé介绍说：“这样，ABB软件的ConveyorTracking模块能够向ABB拾取机器人提供指令，而不必考虑传送机的进度。”

使用来自传送机编码器的周期性脉冲，将对象位置从3D照相机图像转换成对ABB机器人的移动参考。使用ABB的ConveyorTracking模块，移动指令随后引用到机器人。

在该系统中，使用两台IRB 340 ABB机器人进行分拣。当一台使用双指抓手时，另一台使用铲斗将物体滑过传送机，同时避开其他物体。两者都通过采集计算机和每个机器人控制器之间的TCP连接与系统连接。.

在传送机的末端，还使用气动喷射装置来分拣材料和金属合金。为了识别机器人的最佳拾取点，使用自定义算法，同时使用约束Delaunay和A*算法进行路径搜索。

在这种情况下，ABB控制器中的软件程序和控制鼓风机的PLC存储从处理计算机接收到的指令，并在物体处于范围内时执行动作。目前，该系统使用VNIR和SWIR相机来采集图像数据，Barnabé和他的同事正在整合其他类型的传感器，以实现更高级的分类。

虽然目前的系统使用3D和光谱相机，Barnabé和他的同事正在整合X射线透射（XRT）传感器和激光诱导击穿光谱（LIBS）传感器来评估针对不同产品和应用的最佳传感器组合。XRT将用于查找诸如铝废料内部的钢螺栓，而LIBS传感器将用于探测不同铝或不锈钢合金的成分。