废物坟场的AI幽灵

废物坟场的AI幽灵

即使是在采用单流回收、后端严重依赖先进分选技术的美国,大多数回收商对机器人和 AI 技术仍持观望态度。他们认为,还需要五到十年,机器人技术才能达到产业应用的目的。即使在已经采用这些技术的先驱流水线上,因为处理速度的局限性,机器人被放在整个流程的最末端,负责质量控制,可有可无。驱动美国回收商尝试机器人和 AI 技术的驱动力,在中国都不算成立。中国的穷人文化决定了我们的核心问题远非技术,而是其他。

撰文 | 微胖

一个阳光明媚的日子,放飞氦气球,看着它漂浮在天空中,你应该会感到一丝兴奋与惊喜,

甚至还有对自由的渴望。

你不會追问,这支气球后来去了哪儿?

著名的儿童作家 Audrey Wood 在一本名叫 Balloonia 的绘本中告诉小朋友,气球最终会飞回他们的王国——一个叫 Balloonia 的地方:

在那里,所有东西都是气球做的,他们每天快乐地生活。

然而,现实世界中的命运远非如此浪漫:

它可能被混进生活垃圾;又或者飘落在电子垃圾的海洋;它甚至会出现在海鸟的解剖尸体中。

在走向这个不可思议而又悲催的结局中,气球一路会经历什么?先进技术又会让「最后一程」发生怎样的变化?对于中国来说,这些变化又意味着什么?

废物坟场的AI幽灵

太平洋中部的中途岛,塑料杀手仍旧肆虐着信天翁和其他野生动物的生命。

1 淘金记

被戳破的气球碎片或许正像种子一樣旅行,随风飘落在城市附近的某座电子垃圾堆里。

中国制造业最发达城市的附近,往往也是垃圾回收产业的聚集地。从废品中赚钱的人,谁也不愿意为运费担负太高的成本。

这里也时常上演最为惊心动魄的一幕:

在电路板被碎尸万段之前,工人们会将芯片拆解下来。滚动的数字招牌或者孩子手中的塑料玩具,都需要这些二手芯片。

对于回收商来说,这也是他们最大利润来源之一。

20 世纪 70 年代,台湾的废品加工商给底薪的员工培训如何分选重金属,然后他们又将这些知识带到了大陆。如今,拆解芯片的不再是人工,而是机械。

然而,要让生意有利可图,仅仅拆解芯片并不够,还必须同时回收诸如铜等其他材料。电子垃圾中往往含有大量有价值的金属,如不锈钢、铝、金、银等。有的含量甚至高于一些矿石,比如铜。

为了获取贵重金属,工人(通常是男性)先用混合硫酸、盐酸等化学试剂制成『王水』,后将电子废品进行『烧洗』。铜铁分离之后,再以硝酸溶解烧洗物,经土法工序,得到黄金。

处理后的残余液体被直接倒入当地水域,而剩余垃圾(包括气球碎片)被拉到附近土坑堆砌,这里可能是村民祖辈的坟地。

废物坟场的AI幽灵

贵屿,不过现在政府已经开始整治环境。

小米得意地宣布彻底消灭中国山寨机的时候,它没有提醒大家事情的另一面:

电子产品的价格越低廉,也意味着用户淘汰成本更低。

AI 和物联网技术也会带來更多电子垃圾,因为新技术给了人们更多更新换代的理由。你仅需想想智能手机从单摄到「浴霸」,才过了几年时间,谁又关心电子垃圾流向何处?

单就技术而论-,现有技术已经保证电子垃圾回收的安全、高效和环保,光学分选和 AI 可以进一步提升回收的质量。

在处理电子垃圾之前,通常需要人工拆除屏幕等可能危害环境的部件,然后将剩余部分送进破碎机,加工成碎片。

面对一堆混合碎片,一块高强度磁铁就可以吸出所需的铁;而对于那些没有磁性但同样值钱的金属,比如铝和铜,工厂通常利用涡流电进行分选:

当金属落到磁场中,即使是不受磁铁吸引的有色金属,也会因为磁铁使金属内部产生电流,使得金属自身产生了磁场。

当这种磁场和金属所经过的磁场互相作用时,金属就会被推到了一边,跳进相应的回收桶中。

比如,如果我们想分离铝和铜,只要调到合适的频率,铝会比铜被推的更远。结果,铜直接落下来,而铝落到另一个桶中。

涡流分选设备仅需一个大的环形磁体和频率调节器,成本不高,这也是目前最为常见的废金属分选技术。

不过,这样的分选技术还不够精细,往往还会出现大量遗珠,另外,回收商也要考虑客户对分选结果的高质量要求:

比如,95%和99%的铝含量,听起来差别不大,但在金属回收行业,意味着天壤之别。做到这一点,意味着稳定客户群和更多利润。

废物坟场的AI幽灵

为了不在粉碎机中稀释特定材料的浓度,如果一部手机的构成是已知的,拆解过程就能实现自动化。苹果 Daisy 机器人利用 AI 辨别 15 种型号的 iPhone,可以按照屏幕、电池、摄像头的顺序非暴力拆开手机,并将有回收的利用价值的金属留下,包括稀土。虽然环保,但从目前来看,成本昂贵,或许只能是回收行业未来的一个方向。

因此,光学分选、人工智能也被用来提升既有分选结果的的质量。

所谓光学分选,其实就是识别铝、铜、锌、不锈钢和黄铜等都在可见光和近红外光谱中的特殊「指纹」。

尽管他们的光谱反射性非常相似,但可以借由高光谱成像系统捕获到图像,使用分类算法(包括神经网络)分析金属的反射率,进行正确分类。

机器人,比如 ZenRobotics Heavy Picker 除了分拣建筑垃圾和生活垃圾,现在还可以借助形状、颜色、大小等特征识别金属物体,如铜,黄铜,不锈钢,铝或锌。

不过,机器人的分选速度远不及光学分选:

在某些情况下,光学分拣机每 0.06 秒就能进行一次分拣,最快的机器人需要 0.75 秒。

面对高吞吐量的业务场景,既要追求高质量又盈利,几乎当前所有分拣机器人都搞不定。

机器人制造商也都承认,机器人是对光学分选机的补充。

「(机器人) 的设计初衷并不是为了处理如今由光学分拣机分拣的大量垃圾。」Sadako 公司在接受采访时明确道。

AMP Robotics 也表示,自己的系统仅仅是可以取代流水线上「最后一班岗」的那台光学分选机,毕竟光选机太贵。

当然,人工智能的用途还不止于此。

为了进一步提升系统回收的纯度,针对机电部件震动对成像产生的干扰,一些厂家还利用人工智能技术去除噪点,增强成像清晰度。

废物坟场的AI幽灵

采用机器人技术最多的是回收设备厂商(蓝色),其次是 PET 塑料回收公司那(绿色)以及电子垃圾回收企业(黄色)。

数据来源:How recycling robots have spread across North America

目前,大概只有两家美国电子垃圾处理企业采纳了机器人(上图)。至少,在 2017 年中国禁止进口洋垃圾之前,他们有更加划算的处理方式:

倾倒给发展中国家。

一些电子产品的生产企业曾计算得出,回收处理 1 吨电子垃圾的费用为 400 至 1000 美元,而出口同等垃圾的费用则只需 10 至 40 美元。

「一套完整的电子产品系统运到中国或者非洲等发展中地区后,当地人会用凿子或者锤子等工具将其拆散。」

不过,当中国发出禁令后,如何更低成本、更高质量消化这些电子垃圾,肯定会成为这些回收商采用新技术的重要动力。

美国似乎也想当然认为,中国目前也需要一个更好的收集基础设施,「这(机器人)正是中国企业真正需要的东西。」AMP Robotics 曾说。

事实上,这并非必然。

目前电子垃圾回收正规军,大多都在生存线上挣扎,已连续三年没有新的正规军进入这个市场。

对于他们来说,最根本的问题不是技术,而是稳定货源:

回收系统的无法规模化和规范化,不仅投资的厂房和设备不能正常运转,就连盈利都成了奢侈,何谈技术升级?更何况中国劳动力成本还没有高到让回收环节无利可图。

2 分选、分选再分选

或许,这支气球会有另一番冒险:

连同生日派对上用剩的瓶瓶罐罐等,被一同扔到社区生活垃圾箱。

环顾四周,气球发现,互联网不仅改变了生活,也改变了垃圾:

除了越来越多的塑料瓶,外卖留下的塑料盒,和它一同挤在垃圾箱的还有快递留下的瓦楞纸(OCC);

而传统纸媒的衰败,让旧报纸(ONP)变得很少见。

在垃圾中转站,这些生活垃圾会躺在一条传送带上,工人会将混迹其中的塑料瓶、纸盒、易拉罐等分拣出来。

这正是几十年前,美国纸质加工的手段。

差不多二十年前,机械筛选系统进入市场,可以从混合材料流中剔除瓦楞纸(OCC)和旧报纸(ONP),从而节省了大量手工劳动。

大约十年前,光学纸张分拣技术应运而生,更方便将现代生活垃圾里常见的塑料、纸张、纸盒、易拉罐等区分开。

其实,利用光学分选塑料的历史可以追溯到上世纪八十年代。最初,这种技术被用来分类西红柿、大米、咖啡豆和其他农产品,后来被用于塑料分选。

由于不同的有机分子吸收不同波长的光,机器能够借助这些基本信息确定塑料的类型并进行相应的分类,而且不受塑料物理形状影响(塑料瓶还是碎片)。

其中,近红外设备更快、更便宜,在市场上占据主导地位:

它不仅可以识别 PET、HDPE 和其他混合塑料,在塑料容器与纸张分选时,效果也最好。

需要说明的是,光学分拣,效果最好,通常是在机械预处理基础上。

早在 2008 年,中国奥运场馆的垃圾处理就采用了这种技术。据报道,分拣出来的物品纯度可达到90%以上。

不过,光学分选也有自己的短板:

因为看不到,无法分辨相同材料的不同物体之间的差异。例如,PET 热模(不具有回收意义)和 PET 饮料容器。也不能从有颜色的 PE 瓶子当中识别白色 PE 瓶子。

因此,一些 AI 公司利用机器视觉技术,让机器人做这些光学分选器做不到的事情。即使瓶子可能充满空气或皱折,也可能被其他垃圾部分遮挡,算法能够以非常高的准确度几乎实时处理这些情况。

不过,速度短板再次限制了机器人在分选过程中的地位:

PET 光学分选机在一分钟内完成 600 瓶,机器人每分钟可以做 80 到 100 个。工人极限是每分钟 40 到 50 个左右。

机器速度也就比一个人快一点,甚至不如两个人。

「除了质量控制,我没有看到机器人在行业中还有其他工作机会,因为传送带移动速度太快了。」van Dijk 曾说。

美国的回收商也通常在光学分拣机其他分拣设备后面安装这些机器人,替代人類,作为质量控制检查:

比如,BHS AI 系统就被用于 PET 容器生产线的质量控制,从已经被分离出来的 PET 中提取铝和其他有价值的东西。

业内几乎一致认为,质量控制是机器人分拣机的最佳用途。

废物坟场的AI幽灵

BHS Max AI

废物坟场的AI幽灵

ZenRobotics Heavy Picker 分选生活垃圾

一些创业公司的最新产品也尝试将可见光与光学分选仪的集成,提高识别能力。

比如,Bollegraaf 最新 RoBB 机器人利用 NIR(近红外)和高光谱相机,通过材料识别和 3D 检测,实现可回收物精确分选。

公司甚至直接将这款机器人称呼为自动 QC 分拣机器人。

废物坟场的AI幽灵

RoBB QC sorting robot

其实,除了这些,AI 还能提供一些光选系统无法提供的价值。

与近红外分拣机不同,视觉系统不仅可以计算带下来的不同类型包装的数量,还可以识别品牌并估算重量,甚至可以在将来以量化丢失到垃圾填埋场的可回收材料。

而且,一些模型已经可以创建每日报告,显示机器人选择了什么,它可以回收多少材料,以及回收材料所代表的流的百分比。不仅可以帮助工厂更容易地控制库存,还能提供工厂全面运行的数据。

当许多机器人连接到云端,当一个新的包装出现在某条分类线上,机器人学会识别分类后,其他机器人也会掌握。

在近两年,为数不多的两三起技术引进中,美国回收商购买光学分选设备的数量多于机器人。一些回收商在谈及购买光学分选设备时,用词时常是「不得不」,为了提高分选质量,卖出更好的价钱。

废物坟场的AI幽灵

河北省廊坊市文安县,也是中国著名的废塑料回收聚集地,部分私人小作坊依然在「顶风作案」,违规生产塑料制品。

这和中国的回收现状形成了鲜明对比:

在中国,一台二手切碎机,一个大水缸和一辆跑运输的车,就可以开始塑料回收。

至于废纸回收,美国将废纸分为 51 类,为如何利用提供了一个分选标准,许多造纸厂仍然需要高度分类的纤维进行操作。而在中国大部分地区,废纸只有旧报纸、杂志和纸箱三类。没有得到充分分类的废纸,只能作为混合纸降级使用,没有较高的附加值。

事实上,只要人工成本仍然低廉到可以雇人加工塑料,只要人们愿意为穿两三次就断掉的拖鞋付费,只有处在城市边缘的那些拾荒人不愿意被收编,多么先进的技术都触及不到核心问题。

与机器人和 AI 相比,出台更为详细废纸分类标准、给废纸回收企业更多的税费优惠,让他们有利可图,反而更为现实。

毕竟是利润的刺激,而不是任何道德和技术,才会将旧塑料瓶罐转变成新塑料瓶。

3 光明的未来

目前,大约有 80 多台机器人正在美国或加拿大运行或已被购买,从事着住宅和商业可回物,混合废物,塑料和电子设备以及建筑垃圾的分选。

而且,三分之一集中在加州。

这并不让人意外,这里不仅是全美垃圾回收率高的地区,也是富有之地。动辄百万的光选设备,也只有有钱人才用得起。

在丹麦,也运行着一个类似单流回收技术的垃圾处理场:

在霍尔斯特布鲁市,当地居民可将塑料垃圾和金属垃圾扔到同一个垃圾箱,机器人会将对其进行细化分类,仅塑料就能识别出 20 多种。

废物坟场的AI幽灵

北美出售机器人的情况,其中BHS系统部署最多。从地理位置看,这些机器人已经在 15 个州和 3 个省安装。三分之一在加州。

数据来源: How recycling robots have spread across North America

有的回收公司在接受采访时,透露近期订购了六台机器人。理由也很简单明了:

现在的机器人分选速度已经提高到了每分钟 80 多个,超越了人类极限。在这个有意义的时刻,他们愿意为每台机器人,移除两名工人。

机器人价格也没有贵的那么离谱,至少和光学分选设备比较起来:

BHS MAX-AI AQC-1 每台售价 20 万美元(不包括安装费、运费、电费和其他费用);ZenRobotics 一只手臂每小时可以举起 2000 个重物,举起 60 磅重的物体。一双巨臂,需要花费 70 万至 80 万欧元。

据媒体报道,一台人工智能辅助分拣机的成本可能在 20 万美元到 90 万美元之间,有些还需要每年数千美元的软件租赁费用。

但是一台光学分选设备价格高达百万美元。

目前,收入共享和租赁模式可以保证回收商们在不破产的情况下,涉足人工智能技术。

不过,80 多台机器人的数字并不算多。从全美最权威的废物回收杂志 Scape整理的部分信息来看,回收公司最近两年重点并非在于先进技术的引进,而是产能扩张(或许是受中国禁令影响):

买地、建厂、增加生产线以及并购。

更多回收商仍报以谨慎的观望态度。

有的正在评估部署更多机器人的可能性;

有的认为,机器人技术还有五年的时间才能真正实现它的目标;

有的回收商基于过去几十年的经验,告诫自己不要在最新和最闪亮的技术进入市场时就急着投入资金。

想要通过机器人盈利,完全取决于你的挑战——什么是入厂原料,最终产品目标又是什么:

如果保证不了吞吐量,每分钟没有足够的分选任务让机器人 24 小时高速运转,那么,采购这些设备可能不是最合适的。

而且,回收商还需要计算劳动力成本、雇佣和培训员工的成本 (这些员工通常从事手工分拣工作),然后将其与机器人的成本进行比较。

另一方面,制造商业正在努力赢得回收商的信任。这几年,机器人也有了更多的识别和分拣能力。

AMP 一开始是做生活垃圾分选的,而且当时只能分选纸盒,如今,他们在两家电子废品回收设施安装了分拣机器人,正在探索有机和汽车废料分类;最近,他们还推出了具有双臂的高性能机器人,能够以每分钟 160 件的速度进行分选;

ZenRobotics 以建筑垃圾分类著称,如今也将分选范围扩大到了生活垃圾、废金属分选。其他机器人也在电子废料、工商垃圾碎片等领域看到了机遇。

当光学分拣机第一次进入市场时,回收商很谨慎,它们只能可靠地分选 PET 。后来,光学分选范围从 PET 扩张到各种等级的纤维。制造商们认为,随着越来越多的回收商将机器人技术融入他们的设施,更多的选择和更多的型号将进入市场。

「我们只是触及了机器人所能做的事情的皮毛。我们还不知道他们能做什么。」

有人甚至预测,未来 5 到 10 年,参观一个没有机器人的回收设施将是不寻常的。从长远来看,回收公司可能会围绕机器人进行设计。当下,人工智能在回收利用方面的应用才刚刚开始。

4 看不懂的智能垃圾桶

如果说,AI 机器人的处理速度和准确度,可以满足产业链后端对分选质量的苛刻要求,进而找到有付费意愿的用户(尽管远谈不上大规模化应用),那么,当 AI 被移植到产业链最前端——遍布在所有公共场合的无数个垃圾桶时,甲方又会因为它能满足什么样的相对刚需,而乐意付费呢?

这里似乎有一个悖论:

能够满足相对刚需的 AI,价格也不会便宜,就像那些进行质量把关的分选机器人;

而摆在公共场合,随时可能被路人毁坏甚至搬走的垃圾桶,不可能造价昂贵,这又反过来限制了 AI 技术的投入成本。

虽然前端本来就不是负责精选,只是履行初步分类工作,但是,粗颗粒的识别效果(比如,这是金属、塑料或者纸盒),又能带来多大的商业价值,让客户买单呢?(政府购买就另当别论了)。

如今,上海计划年底前投放 2000 个 AI 垃圾桶,据说,这些垃圾桶升级后可以识别 95% 的可回收垃圾。直到现在,笔者都未曾见过真容,但从笔者曾看到国内几个智能垃圾桶分类方案来看,造价不高的,识别效果也极大限制了商用潜力挖掘,有的根本没有涉及机器视觉

其实,并非所有人赞同这如此分散的智能分类策略。

Bollegraaf 公司在接受媒体采访时曾表示,集中分类才是生活垃圾的发展方向。

如果你能把所有东西收集起来,然后在一个中央车站用合适的设备进行分类,那将是回收垃圾的最佳方式,因为降低了运输的成本与复杂性。

废物坟场的AI幽灵

加拿大某机场的奥斯卡机器人

不过,目前正在为机场,大学和几家世界500强公司服役的 OSCAR 垃圾桶,给了我们另一种似乎可行的思路。

系统硬件主要包括摄像头和超声波传感器,通过软件算法识别消费者手中的物品。

当系统感应到有人靠近时,会主动关注他们手中的物品并预测出手中的垃圾是什么,通过一个小屏幕告诉人们投放的正确位置。

他甚至可以确定每件物品的组成部分。比如一个咖啡杯,Oscar 会建议消费者将杯子和盖子扔进不同的垃圾桶。

废物坟场的AI幽灵

还可以通过一个人拿咖啡杯的方式来判断咖啡杯里是否装满了液体,提醒他们在正确回收杯子之前先倒出来。

「要想成功地消除垃圾,我们需要让垃圾桶自己思考。」这是 Intuitive AI 创立的初衷。7月1日上海严格推行垃圾分类后,这家明星公司 CEO 在推特上转发了这则新闻。

他们认为,一个理想的情景应该是这样的:

一个人走到智能垃圾桶前,扔掉像易拉罐一样的垃圾。然后,人工智能系统将能够查看你扔掉的东西,并将其放入正确的废物流中。

这并非故事的全部。

除了来自商业建筑和物业管理公司的收入,这个系统更是一个商业情报采集站。

一开始,公司向物业经理提供数据。他们可以获得有关哪些垃圾箱需要清空的实时信息,从而节省清洁工作人员的时间;

收集的数据还可以帮助物业经理证明建筑物的绿色或效率,如 LEED 认证或可持续性评级。

而且,摄像头不仅能准确地看到箱子里装的是什么东西,而且还能识别包装上的品牌。

比如,能猜到你是喜欢可口可乐还是百事可乐。随着时间的推移,系统可以在商场、体育场和其他公共场所收集前所未有的数据,进而了解到人们喜欢什么?不喜欢什么?一天中什么时候喜欢吃那个特定的东西?

这是一个关于哪些品牌更受欢迎的信息。因此。接下里公司可以向企业出售有关消费习惯的特定地点数据,为使用自己产品(智能垃圾桶)的用户提供商家优惠。

其实,和美国不同,中国从来不是一个废物低回收在利用的国家,因为没有哪一种文化能像『穷人的文化』那样,如此鼓励提高回收再利用率。

只要这个穷人文化还在,无论前端的垃圾桶变得多么聪明,它都不是决定赌注输赢的那枚棋子。

产业人工智能深度学习计算机视觉
2
相关数据
人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

规范化技术

规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0 到1.0 或0.0 到1.0。 通过将属性数据按比例缩放,使之落入一个小的特定区间,如0.0到1.0,对属性规范化。对于距离度量分类算法,如涉及神经网络或诸如最临近分类和聚类的分类算法,规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘,对于训练样本属性输入值规范化将有助于加快学习阶段的速度。对于基于距离的方法,规范化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属相相比,权重过大。有许多数据规范化的方法,包括最小-最大规范化、z-score规范化和按小数定标规范化。

物联网技术技术

物联网(英语:Internet of Things,缩写IoT)是互联网、传统电信网等信息承载体,让所有能行使独立功能的普通物体实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子标签将真实的物体上网联结,在物联网上都可以查出它们的具体位置。通过物联网可以用中心计算机对机器、设备、人员进行集中管理、控制,也可以对家庭设备、汽车进行遥控,以及搜索位置、防止物品被盗等,类似自动化操控系统,同时通过收集这些小事的数据,最后可以聚集成大数据,包含重新设计道路以减少车祸、都市更新、灾害预测与犯罪防治、流行病控制等等社会的重大改变,实现物和物相联。

小米机构

小米是中国一家专注于智能硬件、智能家居以及软件开发的企业,于2010年4月6日成立,总部位于中国北京,截至2018年3月31日,员工人数近1.45万。 2010年8月及12月,小米发布了基于安卓系统深度定制的第三方固件MIUI及首款移动应用米聊。2011年8月16日,小米正式推出了其第一款硬件产品——小米手机(一代),开创了以互联网线上抢购高配置、低售价的智能手机销售模式。 通过旗下生态链品牌MIJIA(米家),小米的产品线从智能手机及耳机、移动电源等手机周边产品和音箱、手环等相关移动智能硬件,扩展到智能电视、机顶盒、路由器、空气净化器、电饭煲等家居消费产品。截至2018年3月底,小米已进入全球74个国家和地区的市场,并在其中15个市场智能手机出货量名列前五。 2012年,小米全资买入北京多看科技有限公司,进入电子书阅读领域。多看阅读是旗下网站,并有相应的App。2018年,业界传闻小米有计划生产电子阅读器。 2018年5月3日,小米正式向香港交易所提交IPO申请[6],于2018年7月9日以同股不同权的方式挂牌上市,并计划于7月23日纳入恒生综合指数。 2018年11月19日,美图公司与小米集团宣布达成战略合作伙伴关系,合作期限30年。

机器视觉技术

机器视觉(Machine Vision,MV)是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法,通常用于工业领域。

暂无评论
暂无评论~