CC BY
10УДК 004
Штибен А.В.
студент-магистр кафедры «Робототехнические системы и мехатроника», Московский государственный технический университет имени Н.Э. Баумана,
(г. Москва, Россия)
МОДЕЛИРОВАНИЕ РОБОТИЗИРОВАННОЙ ЯЧЕЙКИ ДЛЯ СОРТИРОВКИ МУСОРА
Аннотация: в работе проанализирован технологический процесс сортировки мусора. Разработана модель роботизированной ячейки для сортировки мусора. Разработан алгоритм управления роботизированным технологическим процессом с применением коллаборативного робота. Разработаны сверточные нейронные сети для помощи в работе роботизированной системы переработки отходов.
Ключевые слова: роботизированная ячейка, конвейерная лента, сортировка и переработка отходов, конечный автомат, сверточная нейронная сеть.
Введение
Жизнедеятельность человека тесно связана с образованием огромного количества разнообразных отходов. В последнее время резкий рост потребления привел к существенному увеличению объемов образования мусора. В России ежегодно образуется около 140 млн м3 твердых бытовых отходов. Из этого количества промышленной переработке подвергается не более 3% 1. Остальное вывозится на свалки и полигоны для захоронения, а это и экологически вредно, и экономически нецелесообразно. Мусор представляет собой источник загрязнения окружающей среды, способствуя распространению опасных веществ. Вместе с тем он содержит в своем составе ценные компоненты, которые могут быть использованы в качестве вторичных ресурсов.
С каждым годом проблема мусора становится все более серьезной. Количество твердых бытовых отходов неуклонно возрастает во всех странах
мира и в настоящий момент составляет на душу населения 200-800 кг/год. Проблема утилизации мусора становится все более острой, и для ее решения постоянно разрабатываются новые технологии.
Основные задачи
1. Проанализировать технологический процесс.
2. Оптимизировать систему работы для повышения эффективности.
3. Разработать модель роботизированной ячейки.
4. Построить конечно-автоматную модель системы.
5. Реализовать распознавание различных объектов для их сортировки в соответствующие контейнеры.
Средства реализации
• Разработать модель роботизированной ячейки в симуляции "CoppeliaSim"
• Разработка конечно-автоматной модели, с использованием "python
3.9"
• Разработка сверточных нейронных сетей для помощи в работе роботизированной системы переработки отходов
• Использовать в качестве коллаборативного манипулятора 6-осевой робот ABB IRB 140
Технология сортировки мусора
Типичная цепочка выглядит следующим образом. После разгрузки из мусоровоза отходы поступают на разрыватель пакетов, назначение которого понятно из названия.
Далее отходы проходят через грохот — специальное устройство, которое отсеивает мелкие фракции (70—120 мм). В основном это органические отходы — они сразу идут на захоронение.
Следующий участок — извлечение крупногабаритных отходов. Эта работа традиционно выполняется людьми.
Наконец, в дело вступает ключевой процесс сортировки — извлечение полезных фракций, которые можно переработать. В основном это алюминий, ПЭТ-бутылки, макулатура и полиэтиленовые пленки. На некоторых заводах извлекают и более сложные виды пластика, но в России пока мало предприятий, способных их экономически выгодно переработать.
Самая распространенная технология, которая распознает фракции на автоматических установках — оптические сепараторы. Они рассматривают материалы в инфракрасном диапазоне (невидимом для нашего глаза) и путем анализа спектрального отклика, который дают материалы, отличают их друг от друга.
Когда фракцию распознали, остается физически «выцепить» ее из общего потока. Для этого в конце конвейера располагается ряд клапанов. Автоматика рассчитывает, в какой момент заинтересовавшая нас фракция будет пролетать над клапанами (и над какими именно), после чего эта фракция отстреливается сжатым воздухом и улетает в бункер. Все остальное падает вниз, на следующий конвейер.
Одна такая машина может извлекать из потока только один вид отходов (его мы отстреливаем, а все остальное падает вниз), поэтому на заводе их ставится несколько штук в виде каскада — каждая на свой вид.
Рис. 1. Этапы сортировки и переработки отходов
Эта технология появилась примерно 20 лет назад и применяется активно до сих пор. Практически на всех автоматических мусоросортировочных заводах в РФ используются именно такие сепараторы.
Искусственный интеллект работает совершенно по иному принципу, нежели спектральный анализ. Вместо гиперспектрального сенсора устанавливается самая обычная камера и набор дополнительных недорогих датчиков.
Теперь нужно обучить нейронную сеть. Фактически, это работает аналогично человеческому мозгу: ей демонстрируют фотографии тех или иных фракций, а она находит у них общие признаки и запоминает их. Например, она может выработать правило: если перед ней лежит вытянутый зеленый объект, у которого один кончик сужается, а другой — нет, то это, скорее всего, зеленая ПЭТ-бутылка. На каждый вид отходов нужно несколько тысяч примеров.
Мусоросортирующие технологии на основе ИИ обладают рядом важных преимуществ:
• они дешевле, чем оборудование со спектрометром. Для сравнения, срок окупаемости установки с нейронной сетью составляет около двух лет, а с оптическим сепаратором — 10—15 лет. Так автоматическая сортировка становится доступной тем, кто раньше не мог ее позволить из-за высокой стоимости оборудования;
• нейронная сеть способна различать более сложные категории отходов, нежели спектральный анализ. Например, она отличит обычную бутылку от масляной;
• подобная технология менее восприимчива к изменению условий работы, например, освещению, цвету ленты и других факторов;
• нейронные сети не требуют регулярной калибровки — надо только настроить несколько параметров при первоначальной установке. Также не требуется охлаждение, и в целом энергопотребление гораздо меньше, поскольку для освещения достаточно обычных светодиодных светильников;
• возможность автоматического обновления ПО под постоянно изменяющийся состав мусора. Можно собирать данные со всех сортировочных установок, дообучать нейронную сеть и распространять обновление через интернет-соединение.
Работа по сортировке материалов, которую обычно выполняют люди, требует физических усилий, создает риски для безопасности и подвержена человеческим ошибкам. Наличие людей и роботов, работающих бок о бок, может стабилизировать рабочую силу и улучшить качество рабочих мест с полной занятостью.
Разработанный роботизированный процесс
Основная операция роботизированной системы заключается в сортировке предметов, распределенных по конвейерной ленте, по подходящим категориям
для надлежащей переработки материалов. Система камера будет использоваться для захвата изображения объекта на конвейерной ленте, а сверточная нейронная сеть будет использоваться для классификации такого объекта по одному из 4 классов (картон, пластик, стекло и металл). Классификация нейронная сети для данного объекта будет использоваться для запуска команды робота, чтобы забрать объект с конвейерной ленты и переместить его в правильный бак.
Рис. 2. Разработанный роботизированный процесс
Рис. 3. Конвейерная лента и баки для сортировки
Объект будет проходить через конвейерную ленту в произвольной ориентации, пока не достигнет датчика зрения и датчика приближения в месте получения. Когда объект достигает датчика приближения, конвейерная лента останавливается, и из скрипта Python извлекается изображение с верхней
камеры. Затем это изображение используется для классификации объекта по четырем категориям с использованием предоставленной сети «pretramed_dassifier.h5». Наконец, роботу будет отправлена команда выбрать и классифицировать объект в соответствии с обнаруженным объектом и поместить его в правильную корзину.
Рис. 4-5. Смоделированный процесс в среде СореШаБт
Конечно-автоматная система
Общая топология конечно-автоматной системы представлена ниже. В нашем случае общая структура управляющей модели представляет из себя три конечных автомата. Конечный автомат TV - описывает алгоритм работы системы технического зрения. Конечный автомат М - алгоритм работы
манипулятора. Как видно на рис. п выходной сигнал от ТУ поступает на конечный автомат М. Каждый же из этих конечных автоматов имеет один вход и один выход.
Рис. 6. Разработанная конечно-автоматная система
Поподробнее рассмотрим каждый конечный автомат из представленных. Начнем с конечного автомата системы технического зрения - ТУ. Данный автомат представлен на рисунке. Конечный автомат системы технического зрения имеет два состояния: 1 - объект не в кадре камеры; 2 - объект в кадре. При получении сигнала Y автомат переходит во 2-е состояние и вырабатывает на выходе сигнал Y. При нахождении автомата во 2-м состоянии, и при подаче на вход сигнала N - происходит переход в состояние 1, с выработкой сигнала X на выход автомата.
Рассмотрим конечный автомат М. Данный конечный автомат представляет алгоритм работы манипулятора, при наличии у него распознанного объекта. Это инициальный конечный автомат, инициальным состоянием
является состояние 1 - манипулятор находится в состоянии ожидания сигнала со системы технического зрения, при приходе на вход сигнала X, конечный автомат переходит в состояние 2 - выполнение операции распределения объекта в нужный контейнер, далее происходит переход в состояние 3 - ожидание следующего объекта, с выработкой на выходе сигнала D. Конечный автомат переходит в состояние 1, при подаче на вход сигнала 7, который обозначает, что объект был перемещен в корзину и мы ожидаем следующий объект.
Структура нейросети
Представленная сеть была обучена набору данных изображений для переработки отходов. Набор данных содержит изображения нескольких объектов из 4 классов вторичной переработки со случайными цветами и ориентациями, как показано на следующем изображении. Набор данных разделен на наборы для обучения, проверки и тестирования.
Рис. 7. Примеры изображений набора данных по переработке
СОМИЗ.З) МАХ РООН (2,2) : 4 0и1(
Рис. 8. Изображение обученной сверточной нейронной сети.
Заключение
На основе анализа технологического процесса сортировки мусора, была разработана модель роботизированной ячейки, с использованием коллаборативного манипулятора для сортировки мусора в среде-симуляторе с учетом оптимизации и повышения эффективности процесса.
Разработана конечно-автоматная модель и реализовано машинное обучение для управления системой технического зрения на базе нейросетевых алгоритмов, решающих задачу распознавания.
СПИСОК ЛИТЕРАТУРЫ:
1. Гарин В.М., Хвостиков А.Г. Утилизация твердых отходов в населенных пунктах и на производстве - Ростов н/Д.: Ростовский государственный университет путей сообщения, 2010. — 118 с.
2. Парфенов А.П., Петухов С.В., Шаманов И.В. Концепция построения систем технического зрения. //Сб. научн. тр. Управление движением и техническое зрение автономных транспортных роботов. - М: ИФТП. 1989. - С. 107-121
3. Языки программирования промышленных роботов : Обзор / А. В. Назарова; Под ред. Е. К. Попова; Междунар. центр науч. и техн. информ., Науч.-учеб. центр "Робототехника" АН СССР и Минвуза СССР. - М. : МЦНТИ, 1988. -167,[1] с. : ил.; 20 см.
4. Бурдаков С.Ф., Дьяченко В.А., Тимофеев А.Н. Проектирование манипуляторов промышленных роботов и роботизированных комплексов. М.: Высш. шк. , 1986г. — 264 с.
5. Манько С. В., Романов М. П., Юревич И. Е. Интеллектуальные роботы. -М.: Машиностроение, 2007. - 360 с.
Shtiben A.V.
Bauman Moscow State Technical University, (Moscow, Russia)
SIMULATION OF A ROBOTIC CELL FOR SORTING GARBAGE
Abstract: the paper analyzes the technological process of garbage sorting. A model of a robotic cell for sorting garbage has been developed. An algorithm for controlling a robotic technological process using a collaborative robot has been developed. Convolutional neural networks have been developed to assist in the operation of a robotic waste recycling system.
Keywords: robotic cell, conveyor belt, waste sorting and recycling, finite state machine, convolutional neural network.
