Publikace detail

Classification of Polymers Based on the Degree of Their Transparency in SWIR Spectrum

Autoři: Štursa Dominik | Kopecký Dušan | Roleček Jiří | Doležel Petr | Baruque Zanon Bruno

Rok: 2022

Druh publikace: článek ve sborníku

Název zdroje: 17th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2022)

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 371 - 382

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Klasifikace polymerů na základě stupně jejich průhlednosti ve SWIR spektru	Detekce, klasifikace a třídění polymerních částic je v recyklačním průmyslu běžným úkolem. V navrhované práci je představena inovativní metoda detekce polymerních částic a jejich klasifikace. Metoda je založena na vyhodnocování snímků polymerních částic získaných z krátkovlnné infračervené kamery (SWIR) pomocí konvoluční neuronové sítě (CNN). Ve srovnání s konvenčně používanými spektroskopy nebo hyperspektrálním zobrazováním využívá tato metoda jedinou vlnovou délku (1 050 nm) a jako hlavní deskriptor slouží stupeň průhlednosti polymeru. V experimentu bylo použito pět různých polymerů (ABS, ABS-T, Nylon, PETG, PLA) ve formě pravidelných bloků (velikost 15 × 15 × 0,3 mm). Celkem bylo připraveno 203 obrázků (velikost 288 × 288 px) pro trénování CNN a 67 pro testování. Škálovatelná ASP U-Net byla testována v 6 kombinacích a jejich výstupy byly porovnány. Podle použitých metrik průniku nad sjednocením nad všemi výstupy vykazovala nejlepší výsledky topologie se 64 filtry a hloubkou 3.
eng	Classification of Polymers Based on the Degree of Their Transparency in SWIR Spectrum	Detection, classification and sorting of polymeric particles is a common task required in recycling industry. In the proposed work, an innovative method for detection of polymeric particles and their classification is introduced. The method is based on evaluation of images of polymeric particles, obtained from short-wavelength infrared (SWIR) camera, by convolutional neural network (CNN). Compared to conventionally used spectroscopes or hyper-spectral imaging, this method utilizes single wavelength (1 050 nm) and a degree of polymer transparency serves as the main descriptor. Five different polymers (ABS, ABS-T, Nylon, PETG, PLA) in form of regular blocks (size 15 × 15 × 0.3 mm) were used in the experiment. In total 203 images (size 288 × 288 px) were prepared for CNN training and 67 for testing. Scalable ASP U-Net was tested in 6 combinations and their outputs were compared. According to used intersection over union metrics over all outputs, the topology with 64 filters and depth of 3 exhibited the best results.	Object Detection; Deep Learning; IOU

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte