Posts Tagged ‘Inteligência Artificial’

Tomra introduz “Deep Learning” em suas máquinas de seleção de resíduos

20/11/2019

Tomra expôs na Waste Expo Brasil a sua nova tecnologia Gain de seleção baseada em “Deep Learning” para alta precisão em tarefas complexas de seleção a alta capacidade de processamento

A Tomra Sorting Recycling lançou a tecnologia de seleção baseada em “Deep Learning”, denominada Gain, para aprimorar o desempenho de suas máquinas de seleção baseadas em sensores. A tecnologia Gain será disponibilizada como uma opção complementar para as máquinas Autosort da empresa. Ao classificar objetos a partir dos dados do sensor, o Gain permite a seleção de objetos que anteriormente não podiam ser separados com altos níveis de pureza e sem comprometer a capacidade do Autosort.

A tecnologia Gain da Tomra foi lançada oficialmente durante a Waste Expo Brasil, que ocorreu durante os dias 12 a 14 de Novembro, em São Paulo. Mais uma vez, a Diretora Comercial da Tomra Sorting Recycling Brasil, Carina Arita, marcou presença e explicou: “Ao trazer o “Deep Learning” às nossas tecnologias de triagem, a Tomra está adicionando mais sofisticação e eficácia às máquinas de triagem Autosort. A tecnologia Gain também ajudará as máquinas de seleção a se adaptarem a novos fluxos de resíduos, que serão cada vez mais importantes à medida que avançamos em direção a uma economia circular”.

A executiva da Tomra reforçou que “para alcançar uma economia verdadeiramente circular, eliminando o desperdício e reutilizando recursos naturais limitados, tecnologias como as soluções de triagem da Tomra serão essenciais e é por isso que trabalhamos diariamente numa base de inovação sustentada que já é direcionamento da Tomra”. Além da introdução do Deep Learning, Carina Arita enalteceu a importância de outras tecnologias que vão continuar a ser impulsionadas no mercado brasileiro como o Autosort Flake, “que é uma tecnologia que pode acrescentar muito mercado numa ocasião em que os níveis de pureza se tornam cada vez mais importantes”.

Seleção aprimorada através de algoritmos de “Deep Learning”

O “Deep Learning”, como método de inteligência artificial (IA), permite que os computadores imitem o aprendizado humano. Os seres humanos fazem associações com o que viram antes e o que estão vendo agora para identificar vários objetos ou materiais. As máquinas são ensinadas a fazer o mesmo, mas de forma muito mais rápida. As máquinas Tomra contemplam inteligência artificial desde suas primeiras versões, mas essa tecnologia evoluiu continuamente e agora a tecnologia Gain a eleva a um novo patamar com algoritmos de “Deep Learning”.

O aprendizado de máquina clássico requer recursos projetados por um especialista em domínio, enquanto o “Deep Learning”, que é um subconjunto do aprendizado de máquina, não. Ele aprende de milhares de imagens os tipos específicos, que devem ser separados na tarefa de seleção. O “Deep Learning” imita a atividade de um grande número de camadas de neurônios no cérebro humano para aprender tarefas complexas. Dessa forma, durante o treinamento da máquina, o Gain aprende como conectar os neurônios artificiais para selecionar objetos.

A primeira aplicação é separar os tubos de silicone

A primeira versão da tecnologia Gain lançada pela Tomra foi desenvolvida especificamente para ejetar tubos de silicone de um fluxo de polietileno (PE), usando informações da câmara. Como o silicone remanescente nos tubos atrapalha o processo da reciclagem, então é necessário separá-los do material de PE aceito para melhorar o resultado da triagem.

Além de detectar formas comuns de tubos de silicone, o Gain também pode detectar tubos duplos menores, usados principalmente para adesivos de dois componentes, bem como tubos deformados ou parcialmente destruídos. Graças às máquinas da Tomra que separam os materiais por jatos de ar, até tubos grudados podem ser identificados – tarefa para a qual até os braços robóticos mais rápidos disponíveis no mercado atualmente estão enfrentando dificuldades.

A nova tecnologia foi treinada para esta tarefa com milhares de imagens e atinge uma ejeção geral de 99% dos tubos usando-se dois sistemas de seleção em sequência.

Curta nossa página no