Derin Öğrenme Teknolojisi: TOMRA Metal Geri Dönüşümü

Gelişmiş geri kazanım ve geri dönüşüm için yapay zeka destekli zekanın gücünden yararlanın.

TOMRA'nın derin öğrenme teknolojisi, şirket içi yazılım mühendislerimizin ve geri dönüşüm uzmanlarımızın eğittiği yapay sinir ağları üzerine inşa edilmiştir.

Sofistike algoritmalar, yazılımdaki milyonlarca etiketli görüntüyü karşılaştırmak için nesne tanımayı kullanır ve ayırma hattı boyunca hızlanırken tek tek nesneleri ve malzemeleri tanımlar. Derin öğrenme yazılımımız, sınıflandırılması zor nesneleri tanımlamada özellikle güçlüdür ve önemli ölçüde daha yüksek saflık sonuçlarına yol açar.

Geniş ve sürekli büyüyen uygulama ekosistemimiz, geri dönüşüm sektöründeki kapsamlı deneyimimiz sayesindedir. Teknoloji, ayıklama doğruluğunu artırmak için tasarlanmıştır ve operatörlerin yeni malzeme akışları oluşturmasını ve değerli karar verme süreçleri için verilere erişmesini sağlar.

Sebastian Solbach Takım Lideri Uygulama Geliştirme - Derin Öğrenme | AR-GE

Ana uygulamalar

Plastikler

Her tür polimerdeki yabancı maddeleri anında tespit eden ve ayıklayan sensör tabanlı ayıklama sistemleri ile dünyanın plastikleri geri dönüştürmesine yardımcı oluyoruz.

ŞİMDİ AYIKLA

Kağıt

Kağıt geri kazanımını ve geri dönüşümünü, kağıt ve karton üretimi için yüksek kaliteli hammadde sağlayan sensör temelli ayıklama sistemleri ile optimize ediyoruz.

ŞİMDİ AYIKLA

Ahşap

Atık ahşabın geri dönüştürülmesine olanak sağlayan sensör tabanlı ayıklama sistemleri ile endüstrilerin doğal kaynakları korumasına yardımcı oluyoruz.

ŞİMDİ AYIKLA

Ambalaj

Tüketim sonrası ambalaj atıklarını geri dönüşüm için verimli şekilde geri kazanan gelişmiş ayıklama teknolojileri ile döngüselliği mümkün kılıyoruz.

ŞİMDİ AYIKLA

Sıralama performansını artırmak için yapay zeka destekli zeka

Derin öğrenme teknolojisi, geleneksel bilgisayar programlarının çözemediği çeşitli karmaşık görevleri çözmek için yapay sinir ağlarına dayanmaktadır. Derin öğrenmedeki "derin", nesneleri tanımlayan ve sınıflandıran farklı işlevlerin çoklu katmanlarına saygı gösterir.

Sıralama görevi ne kadar karmaşıksa, o kadar fazla veri katmanı ve dolayısıyla öğrenme de o kadar derin olur. Teknoloji daha sonra ham girdi verilerinden bir özellikler hiyerarşisi çıkarır ve bunları farklı kategoriler halinde gruplandırır.