陶朗资源回收业务推出了一项名为 GAIN™ 的基于深度学习的分选技术，进一步强化了其在分选技术领域的领先地位。
深度学习技术的问世，将回收行业带入了新的发展阶段——分选线的自动化水平更高，且回收材料的纯度也更高。选择合适的传感器捕捉材料的影响特征，并通过脑回神经网分析评估，分选将有无限新可能。
在未来，随着人工智能的引入，分选机无需重新编程，即可在采集少量待分选物料样本的图像特征后，自行学习并调整，完成针对这种物料的分选。此外，云连接促成信息共享，任何错误检测被发现后，都能共享到云上，供所有其他设备学习并避免。今后，自诊断和提前订购零配件或服务，也将成为现实，从而减少停机时间。
深度学习技术的发展，将不断突破分选的极限，目前还无法单独回收的材料，在不远的将来将成为可能。
GAIN™ 技术于2019年11月5日在意大利节能环保展ECOMONDO正式发布，这是欧洲最负盛名的节能环保及水处理展会。为了实现真正的循环经济，最大化地对各种资源进行回收再生、循环利用非常重要，而陶朗的资源回收分选技术将在其中扮演非常重要的角色。
将深度学习等人工智能技术融入分选领域，将帮助分选机器适应新的废物流。随着我们走向循环经济，分选技术的发展和应用将变得越来越重要。
深度学习，智能的分选技术
深度学习使计算机能够模仿人类的学习行为。例如，人类可以将以前看到的和现在看到的东西联系起来，从而识别各种各样的物体或材料。把这种本领教给机器，让机器做同样的事情，机器的速度会比人类快得多。陶朗在早期的分选机器上就部署了人工智能，经过长时间的不断发展并在融入了深度学习的算法之后，在人工智能层面 GAIN™已达到一个新的技术水平。
传统的机器学习主要是从数据中学习规律，并将学习到的规律用于预测新的数据。而深度学习是强调通过深度模型来学习规律，因为通常深度模型的表征能力更强，同时深度学习能够实现自动的特征提取，能够实现端到端学习。
深度学习和传统机器学习都是机器学习的范畴。但与传统的机器学习不同，深度学习不需要特别的编程，而是从收集的大量数据中独立学习。这样可以更好地适应不断变化的废物流和检测新的或被覆盖住的物体，而这些是以前的技术所不能分选的。
融合了深度学习技能的GAIN™可以从成千上万的分选结果的物体图片中学习，了解哪些是可接受的物体哪些是要放弃的物体。深度学习可模仿人脑中大量神经元层的活动来学习复杂的任务。在机器训练期间，通过这种方式， GAIN™学习了如何连接人工神经元以对物体进行分类。
GAIN™应用例子：剔除玻璃胶筒
因为玻璃胶筒中仍然残留着玻璃胶，为了得到纯度更高的PE材料，需要将玻璃胶筒与别的PE材料分开。第一版的GAIN™技术是专门开发用于排出玻璃胶筒的：通过使用相机收集到的信息，从聚乙烯(PE)物料流中剔除 PE材质的玻璃胶筒。
除了检测常见的玻璃胶筒，GAIN™还可以检测较小的双组份玻璃胶的筒体，以及变形或部分损坏的筒体。 由于分选机器通过空气喷射来分离材料，即使是成簇的胶筒也可以被分类，而这项任务即使是目前市场上速度最快的采摘机器臂也难以完成。
为了完成这项任务，GAIN™学习了数千张图像，按顺序配置了两套系统，最后实现了99%的玻璃胶筒的剔除率。
想了解GAIN™的更多技术详情，请联系我们！