Wykorzystanie obrazowania spektralnego do identyfikacji materiałów na potrzeby sortowania odpadów

• Autorzy: Tutak K. , Pieszko M.

Warianty tytułu

EN

The use of spectral imaging for material identification in waste sorting

• Języki publikacji: PL

Abstrakty

PL

W artykule zastosowano obrazowanie multispektralne do identyfikacji materiałów na potrzeby sortowania odpadów komunalnych. Rozważono trzy klasy obiektów, różnicując frakcje odpadów na: papier, plastik i odpady organiczne, przy czym obiekty różnych klas mogły mieć bardzo zbliżone kolory, co utrudnia ich identyfikację z wykorzystaniem typowych kamer RGB. Zastosowano przetwarzanie wstępne obejmujące usuwanie ramki ciemnej, korektę zniekształceń radiometrycznych i konwersję do reflektancji. Klasyfikacji dokonano metodą najbliższego sąsiada przyjmując jako miarę podobieństwa odległość euklidesową pomiędzy znormalizowanymi sygnaturami spektralnymi. Testy wykonano z wykorzystaniem 128-kanałowej kamery hiperspektralnej, która rejestruje dokładne sygnatury, ale ma długi czas akwizycji oraz 16-kanałowej kamery multispektralnej pozwalającej na przetwarzanie w trybie online. Wyniki otrzymane dla kamery 128-kanałowej wykorzystano do wyboru pasm rejestrowanych przez kamerę multispektralną. Przebadano dwa warianty wyboru pasm.

EN

This study covers the application of multispectral imaging to identify materials for municipal waste sorting purposes. Three classes of objects were considered by differentiating waste fractions between paper, plastic and organic waste while objects of different classes may had very similar colors which makes their identification difficult with the use of conventional RGB cameras. The pre-processing was applied including the removal of dark frame, radiometric distortion correction and conversion to the reflectance. The classification was undertaken using the nearest neighbor method taking as the similarity measure the Euclidean distance between the normalized spectral signatures. The tests were performed using a 128-channel hyperspectral camera that captures the exact signatures but has a long acquisition time and 16-channel multispectral camera that allows for the processing online. The results obtained for the 128-channel camera were used to select the bands recorded by the multispectral camera. Two variants of band selection were examined.

Słowa kluczowe

PL

obrazowanie widmowe; przetwarzanie obrazów; identyfikacja; klasyfikacja; sortowanie odpadów; recykling

EN

spectral imaging; image processing; identification; classification; waste sorting; recycling

• Wydawca: Mastermedia sp. z o.o.
• Czasopismo: Archiwum Gospodarki Odpadami i Ochrony Środowiska
• Rocznik: 2015
• Tom: Vol. 17, nr 4
• Strony: 67--78
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Tutak K.

• Enformatic Sp. z o.o., ul. Mieszka I 73A, 35-303 Rzeszów, tel.: [phone]

autor

Pieszko M.

• Enformatic Sp. z o.o., ul. Mieszka I 73A, 35-303 Rzeszów

Bibliografia

• 1. Petra Tatzer, Markus Wolf, Thomas Panner: Industrial application for inline material sorting using hyperspectral imaging in the NIR range. Real-Time Imaging 11, 2. Academic Press, 2005, s. 99-107.
• 2. Artzai Picón, Ovidiu Ghita, Pedro M. Iriondo, Arantza Bereciartua, Paul F. Whelan: Automation of waste recycling using hyperspectral image analysis. Emerging Technologies and Factory Automation (ETFA) Conference. IEEE, 2010, s. 1-4.
• 3. Bonifazi G., Serranti S., Bonoli A.: Innovative Recognition-Sorting Procedures Applied to Solid Waste: The Hyperspectral Approach. Sustainable Development and Planning IV vol. 2. WIT Press, 2009, s. 885-894.
• 4. Artzai Picón, Ovidiu Ghita, Paul F. Whelan, Pedro M. Iriondo: Fuzzy Spectral and Spatial Feature Integration for Classification of Nonferrous Materials in Hyperspectral Data. IEEE Transactions on Industrial Informatics, 5 (4). IEEE, 2009, s. 483-494.
• 5. Glenn Healey, David Slater: Models and Methods for Automated Material Identification in Hyperspectral Imagery Acquired Under Unknown Illumination and Atmospheric Conditions. Geoscience and Remote Sensing, IEEE Transactions vol. 37, no. 6. IEEE, 1999, s. 2706 - 2717.
• 6. Joan Vilaa, Javier Calpea, Filiberto Plab, Luis Gómeza, Joseph Connellc, John Marchantd, Javier Callejae, Michael Mulqueenf, Jordi Muñoza, Arnoud Klarenb: SmartSpectra: Applying multispectral imaging to industrial environments. Real-Time Imaging Volume 11, Issue 2. Elsevier, 2005, s. 85–98.
• 7. Keshava, N.: Distance metrics and band selection in hyperspectral processing with applications to material identification and spectral libraries. IEEE Transactions on Geoscience and Remote Sensing, vol. 42, no. 7. IEEE, 2004, s. 1552 – 1565.
• 8. Chein-I Chang: Hyperspectral Imaging: Techniques for Spectral Detection and Classification. Springer Science & Business Media, 2003.
• 9. Da-Wen Sun: Hyperspectral Imaging for Food Quality Analysis and Control. Academic Press, 2010, s. 50.
• 10. Brian C. Smith: Fundamentals of Fourier Transform Infrared Spectroscopy. CRC Press, 2011.
• 11. Gary Bradski: Learning OpenCV. Computer Vision with the OpenCV Library. O’Reilly, 2008.
• 12. http://surfaceoptics.com/products/hyperspectral-imaging/