GAIN™: Uma enorme inovação em precisão de triagem
Como uma tecnologia adicional pioneira para o AUTOSORT™, o GAIN™ possibilita triar objetos que anteriormente não poderiam ser separados com base em sua forma e textura. Enquanto anteriormente estava disponível apenas para a purificação de fluxos de PE, o GAIN™ agora também oferece resultados excepcionais na triagem de madeira, fazendo com que você atinja níveis mais altos de pureza e de produtividade.
Soluções de triagem mais inteligentes, hoje e amanhã
O Deep Learning é uma tecnologia que analisa imagens e dados para permitir que a unidade de triagem realize tarefas de forma mais eficaz ao longo do tempo, e prova ser muito promissora para a gestão de resíduos e de reciclagem.
Ao ser treinado e exposto a milhares de imagens, o GAIN™ atrai conexão e aprende continuamente como diferenciar itens de resíduos recicláveis de não recicláveis, incluindo materiais anteriormente difíceis de separar.
"Na TOMRA, usamos inteligência artificial há décadas e estamos confiantes de que o deep learning continuará a agregar um enorme valor para os recicladores."
Novo: GAIN™ para lascas de madeira
Pioneiro no uso do Deep Learning, o GAIN™ agora está disponível para aplicações de reciclagem de madeira. O GAIN™ permite que sua operação crie frações limpas de lascas de madeira recicladas e diferencie entre madeira não processada (madeira A) e madeira processada (madeira B).
Enquanto a tecnologia de triagem por transmissão de raios X (XRT) se destaca na remoção de impurezas, como materiais inertes, metais e vidro da madeira, o GAIN™ faz um esforço extra para classificar e purificar resíduos de madeira, distinguindo entre vários tipos de materiais à base de madeira, incluindo: MDF, HDF, WPC e composto de madeira.
Benefícios:
- Maior rendimento e purezas
- Separação de categorias de resíduos de madeira
- Maior controle do processo
- Sistema de triagem robusto e flexível
O GAIN™ purifica as lascas de madeira, removendo impurezas como:
- MDF (painel de fibra de média densidade)
- HDF (painel de fibra de alta densidade)
- WPC (compostos poliméricos de madeira)
- OSB (placa de filamento orientado)
- Aglomerado
- Compensado
GAIN™ para cartuchos de silício
Usado em combinação com o AUTOSORT™, o GAIN™ purifica o polietileno (PE) pós-consumo, removendo cartuchos de silício PE e objetos não PE. Até agora, os cartuchos de silício eram considerados difíceis de classificar e um grande contaminante nos fluxos de resíduos de PE, mas o GAIN™ estabelece novos padrões da indústria em termos de desempenho e níveis de pureza.
Mesmo se os cartuchos de silício estiverem agrupados, danificados ou deformados, o GAIN™ detecta e separa os objetos de fração de PE limpa, dando ao reciclador de plástico uma vantagem competitiva significativa.
Benefícios:
- Níveis de pureza de PE pós-consumo inigualáveis
- Excelente adaptabilidade
- Suporta velocidade máxima da esteira
O "AUTOSORT™ com a tecnologia GAIN™ nos torna a primeira empresa do mundo a usar Deep Learning para detectar e separar diferentes tipos de madeira. É uma inovação revolucionária que permite que os recicladores processem frações de alta qualidade por categorias, como madeira processada versus não processada."
Transformar dados de imagem em inteligência de triagem adaptativa
O sistema de Deep Learning da TOMRA é usado para a categorização de um objeto com base em uma imagem.
Como um subconjunto de IA, o Deep Learning extrai recursos significativos dos dados coletados, como, por exemplo, imagens ou vídeos, com base nos quais a solução aprende a entender melhor as características únicas do objeto e como classificar os objetos transportados na correia transportadora e escaneados pelos sensores.
Redes neurais conectando os pontos
A tecnologia deep learning traz uma nova dimensão de desempenho, mas seu sucesso depende da construção de suas redes neurais, que exigem muitos dados rotulados para treinar o sistema de triagem. Os engenheiros de software da TOMRA treinam a rede com milhares de imagens que contêm um conjunto de informações de objetos. Com base nessas informações, a rede reconhece padrões e propriedades e conecta o conjunto de informações à tarefa de triagem para uma triagem altamente eficiente.
Notícias relacionadas
