相关实验视频
Updated: Jan 20, 2026

A Microfluidic-based Hydrodynamic Trap for Single Particles
Published on: January 21, 2011
材料流组成数据集:基于RGB相机的单颗粒图像和碎碎的WEEE的粒子质量数据
Malte Vogelgesang1, Alice do Carmo Precci Lopes1,2, Emanuel Ionescu1
1Fraunhofer Research Institution for Materials Recycling and Resource Strategies IWKS, Brentanostr. 2a, Alzenau D-63755, Germany.
本研究介绍了使用RGB摄像头进行基于传感器的材料流特性 (SBMC) 的数据集,以改善废物分类. 这些数据支持人工智能模型用于识别材料和预测碎电子垃圾中的质量.
科学领域:
- 废物管理和回收利用
- 计算机视觉和机器学习
- 传感器技术 传感器技术
背景情况:
- 基于质量的材料流组成 (MFCOs) 对于评估废物分类质量至关重要,但通常是手动确定.
- 基于传感器的材料流特性 (SBMC) 提供了一个更高效的替代方案,但目前的方法,如NIR光谱,对复杂的废物流有局限性,例如碎碎的WEEE.
- RGB摄像机提供了一种多功能且广泛可用的传感器选项,用于在工业分类中增强SBMC.
研究的目的:
- 生成和提供全面的数据集,以推进基于传感器的材料流特性研究 (SBMC) 的碎片废弃电气和电子设备 (WEEE).
- 促进机器学习模型的开发和评估,用于使用RGB摄像头数据进行材料识别,物体检测,细分和质量预测.
- 通过改进数据和模型开发,支持在WEEE回收中优化自动分类流程.
主要方法:
- 从德国的一家工业设施收集碎片的电子电子电子设备废弃物,手动将其预先分为四种主要材料类型.
- 在工业规模的基于传感器的分类机上获得了RGB线性扫描摄像头图像和质量测量.
- 创建了三个不同的数据集:标记单颗粒图像用于分类/检测/细分,图像每对象质量用于回归,混合样本用于验证.
主要成果:
- 数据集1提供标记的单粒子图像和材料质量,用于训练和验证分类和检测模型.
- 数据集2提供具有相关质量的单粒子图像,使得回归模型可以用于粒子质量预测的训练.
- 数据集3包括混合样本与基本真相组合,用于验证在其他数据集上训练的模型.
结论:
- 生成的数据集对于开发和评估用于WEEE分类的先进AI模型至关重要.
- 这些资源将推动基于传感器的材料流特性改进,从而改善过程监测和质量控制.
- 该研究支持通过提高机器学习应用程序的数据可用性来推进自动化WEEE回收.
相关概念视频
10:13A Microfluidic-based Hydrodynamic Trap for Single Particles
10:53Simultaneous Measurement of Turbulence and Particle Kinematics Using Flow Imaging Techniques
10:32Image-based Lagrangian Particle Tracking in Bed-load Experiments
10:16A Protocol for Real-time 3D Single Particle Tracking
13:28High-resolution Single Particle Analysis from Electron Cryo-microscopy Images Using SPHIRE
08:00Meso-Scale Particle Image Velocimetry Studies of Neurovascular Flows In Vitro

