쓰레기 분류에 인공지능 적용

화요일 밤, 집 앞의 커다란 파란색 쓰레기통에는 신문, 판지, 병, 캔, 호일 쟁반, 빈 요구르트 컵이 가득합니다. 당신은 뭔가 멋진 일을 하고 있고 낭비를 줄이기 위해 자신의 역할을 다하고 있다고 느낄 수도 있습니다. 하지만 일단 요구르트 컵을 헹구고 쓰레기통에 버리면 아마 다시는 그것에 대해 생각하지 않을 것입니다.

미국의 많은 지역과 유럽의 많은 지역에서 재활용에 대한 진실은 경각심을 불러일으킵니다. 다음날 아침, 재활용 쓰레기통의 내용물을 트럭에 담아 분류를 위해 재활용 창고로 가져갑니다. 대부분의 재료는 가공되어 궁극적으로 신제품에 사용됩니다. 하지만 그 중 상당수는 쓰레기 매립지로 버려집니다.

그렇다면 일반 쓰레기통에 들어가는 물질 중 얼마나 많은 물질이 매립되지 않고 보관될 수 있을까요? 널리 이용 가능한 데이터는 없지만, 재활용이 촉진된 국가에서는 이 수치("재활용률"이라고 함)가 평균 약 70~90%입니다. 이번 결과는 나쁘지 않은 것 같습니다. 그러나 일부 도시에서는 재활용률이 40%까지 낮습니다.

설상가상으로 재활용품 중 극히 일부만이 쓰레기통에 버려집니다. 미국에서는 32%, 전 세계적으로는 10~15%에 불과합니다. 즉, 한정된 자원으로 만들어진 많은 재료가 불필요하게 낭비되고 있는 것이다.

우리는 더 잘해야 합니다. 현재 재활용 산업은 재활용품 분류 가격 하락과 중국의 2018년 정책으로 많은 재활용 재료의 수입을 제한하고 미국산 재활용품 대부분을 차단하면서 금융 위기에 직면해 있다.

우리가 더 잘할 수 있도록 도울 수 있는 방법이 있습니다. 컴퓨터 비전, 기계 학습 및 로봇을 사용하여 재활용 재료를 식별하고 분류하면 자동 분류기의 정확성을 높이고 사람의 개입 필요성을 줄이며 전반적인 재활용률을 높일 수 있습니다.

콜로라도주 루이빌에 본사를 둔 당사 Amp Robotics는 기존 시스템보다 더 높은 정확성과 회수율을 달성하기 위해 이미지 분석에 의존하는 재활용품을 분류하는 소프트웨어와 하드웨어를 개발하고 있습니다. Bulk Handling Systems, Machinex 및 Tomra와 같은 다른 회사들도 유사한 접근 방식을 취하고 인공 지능과 로봇 공학을 재활용에 적용하고 있습니다. 지금까지 전 세계 수백 개의 분류 스테이션에서 이 기술을 채택했습니다. 사용을 확대하면 재활용품이 매립되지 않도록 하여 폐기물을 방지하고 환경에 도움이 되며 재처리 및 재사용이 더 쉬워집니다.

인공지능이 어떻게 재활용을 향상시킬지 살펴보기 전에, 과거에 재활용 물질이 어떻게 분류되었는지, 그리고 오늘날 세계 대부분의 지역에서 어떻게 분류되는지 살펴볼 수 있습니다.

재활용은 신문을 한 묶음에, 판지를 다른 묶음에 넣고, 유리와 캔을 별도의 쓰레기통에 넣는 등 소비자가 분류해야 했던 1960년대에 시작되었습니다. 이는 많은 사람들에게 너무 번거로운 일이었고 수집할 수 있는 재활용 물질의 양이 제한되었습니다.

1970년대 많은 도시에서는 여러 개의 쓰레기통을 없애고 단일 쓰레기통으로 교체했으며 분류는 하류에서 이루어졌습니다. 재활용에 대한 이러한 "단일 흐름" 접근 방식은 참여도가 높아졌으며 현재 선진국에서는 재활용의 지배적인 형태가 되었습니다.

분류 작업을 더 하류로 옮기면서 분류 스테이션이 건설되었습니다. 정확한 분류를 위해 재활용 기업가는 광산 및 농업 장비를 개조하고 필요할 경우 인력을 보충합니다. 이러한 분류 시스템은 컴퓨터 지능을 사용하지 않고 대신 재료의 물리적 특성에 의존하여 재료를 분리합니다. 예를 들어, 유리를 작은 조각으로 부수고 체로 쳐서 수집합니다. 판지는 단단하고 가벼우며 일련의 기계식 캠 디스크 위에서 미끄러지는 반면, 다른 밀도가 높은 재료는 디스크 사이에 떨어집니다. 자성은 철금속을 다른 재료로부터 분리하는 데 사용될 수 있으며, 큰 와전류는 알루미늄과 같은 비철금속 품목에서 자성을 유도하는 데에도 사용될 수 있습니다.

1990년대 NASA가 개발하여 1972년 위성에 처음 발사된 초분광 이미징 기술이 상업적으로 활용 가능해지며 재활용 분야에서 나타나기 시작했습니다. 주로 빨간색, 녹색, 파란색의 조합을 보는 인간의 눈과 달리 초분광 센서는 이미지를 더 많은 스펙트럼 대역으로 나눌 수 있습니다. 이 기술은 다양한 유형의 플라스틱을 구별하고 광학 감지 및 컴퓨터 지능을 재활용 프로세스에 도입함으로써 재활용 산업을 변화시키고 있습니다. 또한, 신문에서 정크 메일에 이르기까지 종이 제품을 분리하기 위해 프로그래밍 가능한 광학 분류기가 개발되었습니다.

따라서 이제 대부분의 정렬이 자동화되었습니다. 이러한 시스템의 분류 순도는 일반적으로 80~95%입니다. 이는 재활용 물질의 5~20%가 존재하지 않아야 함을 의미합니다. 그러나 재활용이 수익성을 갖기 위해서는 분류 순도가 이 기준치보다 95% 이상이어야 하며, 그 가치는 감소하며 종종 가치가 없습니다. 결과적으로 인간은 개별 작업 흐름을 수동으로 정리하고 배송을 위해 자재를 압축하고 포장하기 전에 잘못 정렬된 항목을 선택합니다.

자동 및 수동 분류에도 불구하고 분류 스테이션에 들어가는 재료의 약 10%~30%가 매립됩니다. 대부분의 경우, 이 물질의 절반 이상이 재활용 가능하고 가치가 있지만, 단지 균열을 뚫고 빠져나갈 뿐입니다.

우리는 기존 시스템을 한계까지 밀어붙였습니다. 인공지능만이 더 잘할 수 있다.

인공 지능을 재활용 사업에 도입한다는 것은 픽 앤 플레이스 로봇과 정확한 실시간 물체 감지를 결합하는 것을 의미합니다. 제조 과정에서 컴퓨터 비전 시스템과 결합된 픽 앤 플레이스 로봇은 특정 물체를 잡는 데 사용되지만 일반적으로 제어된 조명 조건에서 단일 항목 또는 알려진 모양의 소수의 항목만 반복적으로 찾습니다. 그러나 재활용과 관련된 품목은 유형, 모양 및 방향이 무한히 다양하여 컨베이어 벨트 아래로 이동하므로 거의 즉각적인 식별과 로봇 팔에 대한 새로운 궤적의 신속한 할당이 필요합니다.

2016년에 우리 회사는 처음으로 인공 지능을 사용하여 콜로라도의 분류 스테이션에서 다른 재활용품 중에서 빈 판지 상자를 수거했습니다. 현재 미국 25개 이상의 주와 6개 국가에 설치되어 있습니다. 이 시스템. 우리가 인공지능 정렬을 실험한 최초의 회사는 아니지만, 이 기술은 이전에 상업적으로 이용 가능하지 않았습니다. 우리는 시스템이 식별하고 분류할 수 있는 재활용품의 유형을 꾸준히 확대해 왔습니다.

이론적으로 인공 지능은 전적으로 이미지 분석을 기반으로 혼합 재료 흐름에서 모든 재활용품을 100%에 가까운 정확도로 회수할 수 있습니다. AI 분류 시스템은 눈으로 볼 수 있는 한 품목을 정확하게 분류할 수 있습니다.

세제병과 우유병에 ​​흔히 사용되는 플라스틱인 고밀도 폴리에틸렌(HDPE)을 예로 들어보겠습니다. 이는 현재 재활용 분류기에서는 특히 어려운 일입니다. (HDPE 제품은 미국, 유럽, 중국에서 두 번째로 재활용 가능성이 높은 제품으로 등록되어 있습니다.) 초분광 이미징을 사용하는 시스템에서 HDPE 배치는 종종 다른 플라스틱과 혼합되고 종이 또는 플라스틱 잔여물 태그가 있을 수 있으므로 재활용이 어렵습니다. 초분광 이미저가 기본 항목의 화학적 구성을 감지합니다.

반면, 인공 지능 기반 컴퓨터 비전 시스템은 포장을 식별하여 병이 HDPE로 만들어졌는지 여부를 판단할 수 있습니다. 이러한 시스템은 또한 색상, 불투명도 및 폼 팩터와 같은 특성을 활용하여 감지 정확도를 향상할 수 있으며 색상이나 특정 제품별로 정렬할 수도 있어 필요한 재처리 양을 줄일 수 있습니다. 시스템은 라벨에 있는 텍스트의 의미를 이해하려고 시도하지 않지만 텍스트는 항목의 시각적 속성의 일부입니다.

저희 회사 Amp Robotics에서는 이런 종류의 분류 작업을 수행할 수 있는 시스템을 구축했습니다. 미래에는 AI 시스템이 재료 조합과 원래 용도에 따라 분류하여 가정용 세제 용기에서 식품 등급 재료를, 깨끗한 종이에서 음식물 쓰레기로 오염된 종이를 분리할 수도 있습니다.

재활용 흐름에 있는 품목을 식별하도록 신경망을 훈련시키는 것은 쉬운 일이 아닙니다. 재활용 가능한 재료에는 시스템이 인식해야 하는 거의 무한한 변형이 있기 때문에 사진에서 얼굴을 식별하는 것보다 최소한 몇 자릿수는 더 어렵습니다 .

현재 시중에 판매되는 다양한 유형의 세탁 세제 병을 모두 인식하도록 신경망을 훈련시키는 것은 충분히 어렵지만 이러한 품목이 재활용 쓰레기통에 도달할 때 겪을 수 있는 물리적 변형을 설명하는 것은 완전히 다른 과제입니다. 접혀지거나 찢어지거나 부서질 수 있습니다. 다른 항목의 흐름과 혼합되면 병의 모서리만 볼 수 있습니다. 액체나 음식물 쓰레기로 인해 물질이 가려질 수도 있습니다.

우리는 전 세계 재활용 쓰레기통의 다양한 재료 이미지를 사용하여 시스템을 훈련했습니다. 우리 회사는 이제 기계 학습에 사용할 수 있는 재활용 재료 이미지로 구성된 세계 최대 규모의 데이터 세트를 보유하고 있습니다.

이 데이터를 사용하여 우리 모델은 다양한 재료를 구별하는 패턴과 특징을 식별함으로써 인간과 동일한 방식으로 재활용품을 식별하는 방법을 학습할 수 있습니다. 우리는 시스템을 사용하여 모든 분류 스테이션에서 무작위 샘플을 지속적으로 수집하고, 주석을 달고, 데이터베이스에 추가하고, 신경망을 재교육합니다. 또한 신경망을 테스트하여 대상 물질에서 가장 잘 수행되는 모델을 찾고, 시스템이 올바르게 식별하지 못하는 물질에 대해 목표한 추가 교육을 수행합니다.

일반적으로 신경망은 잘못된 것을 학습하는 경향이 있습니다. 예를 들어, 소 사진은 일반적으로 섬유판이나 HDPE 용기로 만들어진 우유 포장과 관련이 있습니다. 그러나 유제품은 다른 플라스틱 포장으로도 제공될 수 있습니다. 예를 들어 일회용 우유병은 HDPE 갤런 주전자처럼 보이지만 물병에 사용되는 불투명 폴리에틸렌 테레프탈레이트(PET)로 만들어지는 경우가 많습니다. 즉, 소의 패턴이 항상 섬유질이나 HDPE를 의미하는 것은 아닙니다.

소비자 제품 포장의 지속적인 변화를 추적하는 것도 어려울 수 있습니다. 포장과 재료 유형 간의 관계를 이해하기 위해 시각적 관찰에 의존하는 모든 메커니즘은 품목의 정확한 분류를 보장하기 위해 꾸준한 데이터 흐름을 소비해야 합니다.

우리는 이러한 시스템을 작동시킬 수 있습니다. 현재 우리 시스템은 일부 범주에서 98% 이상의 정확도로 알루미늄 캔을 식별하는 등 우수한 성능을 발휘하고 있으며 색상, 불투명도 및 원래 용도(식품 등급 플라스틱 식별)와 같은 미묘한 차이를 구별하는 데 점점 더 좋아지고 있습니다.

이제 AI 기반 시스템이 재활용품 분류 작업을 맡게 되었는데, 어떤 변화를 가져올까요? 물론 이는 현재 재활용 업계에서 매우 낮은 수준인 로봇 공학의 사용을 증가시킬 것입니다. 이 지루하고 지저분한 산업에서 만성적인 인력 부족을 고려할 때 자동화는 취할 만한 가치가 있는 길입니다.

AI는 기존 분류 프로세스의 성능과 이를 개선할 수 있는 방법을 이해하는 데도 도움이 됩니다. 현재 우리는 트럭이 들어올 때 무게를 측정하고 나갈 때 재활용하는 분류 스테이션이 얼마나 효율적으로 작동하는지에 대한 대략적인 아이디어를 가지고 있습니다. 단일 분류 스테이션은 제품 순도를 보장할 수 없습니다. 분류 스테이션은 패키지를 무작위로 열어 정기적으로 품질을 감사할 수 있습니다. 그러나 AI 비전 시스템을 분류 프로세스의 관련 부분의 입력 및 출력에 적용하면 재료가 흐르는 위치에 대한 전체적인 시각을 얻을 수 있습니다. 전 세계 수백 개의 분류 스테이션에서 이제 막 이러한 수준의 정밀 조사를 사용하기 시작했으며 이를 통해 재활용 작업이 더욱 효율적으로 이루어질 것입니다. 정확하고 일관된 방식으로 재활용품의 실시간 흐름을 디지털화하면 재활용되는 특정 재활용 물질과 현재 재활용되지 않는 물질을 더 잘 이해하고 격차를 식별하여 재활용 시스템의 전반적인 성능을 향상시킬 수 있습니다. 정렬 스테이션.

그러나 재활용 과정에서 인공지능의 힘을 진정으로 활용하려면 분류 과정 전체를 다시 생각해 볼 필요가 있습니다. 오늘날 재활용 작업에서는 비대상 물질을 제거하여 혼합 물질 흐름을 줄이는 경우가 많습니다. 즉, "네거티브 분류"를 수행합니다. 그러나 피킹 로봇과 AI 비전 시스템을 사용하면 비대상 물질을 제거하는 대신 작업 흐름의 각 항목을 식별하고 대상 물질을 선택하는 "포지티브 정렬"을 수행할 수 있습니다.

우리의 알고리즘만큼 회복력과 순도가 좋은 것은 확실합니다. 우리 시스템이 전 세계적으로 더 많은 경험을 쌓고 훈련 데이터 세트가 계속 증가함에 따라 이러한 수치도 계속해서 향상될 것입니다. 우리는 궁극적으로 100% 순도와 회복을 달성하기를 희망합니다.

더 많은 기계 시스템에서 인공 지능으로의 전환은 광범위한 의미를 갖습니다. 순도를 80%까지 대략적으로 분류한 다음 순도를 95%로 높이기 위해 수동으로 마무리하는 대신, 선별 스테이션에서는 첫 번째 분류에서 목표 순도를 달성할 수 있습니다. 그리고 분류기는 각 재료에 대한 고유한 분류 메커니즘이 필요하지 않으며 알고리즘을 전환하여 대상을 변경하기만 하면 됩니다.

인공지능을 활용한다는 것은 경제적 이유로 오랫동안 방치되었던 물질을 재활용할 수 있다는 의미이기도 합니다. 지금까지 분류소는 경제적으로 실현 가능한 경우에만 폐기물 흐름에서 가장 풍부한 고가치 품목을 추구해 왔습니다. 그러나 더 다양한 재료를 확실하게 분류하는 기계 학습 시스템을 사용하면 비용을 거의 또는 전혀 들이지 않고 더 다양한 재료를 재활용할 수 있습니다. 이것은 지구에 좋습니다.

2020년 말 덴버에서 우리 회사의 기술이 처음 온라인화되면서 일부 인공지능 기반 2차 재활용 스테이션이 가동되기 시작했습니다. 이러한 시스템은 현재 전통적으로 재료를 분류하던 곳에서 사용되고 있으며, 누락된 고가치 재료나 새로운 방식으로 분류할 수 있는 저가치 재료를 찾아 새로운 시장을 찾고 있습니다.

인공지능의 도움으로 업계에서는 매년 매립되는 재활용품의 양을 점차적으로 줄이고 있습니다. 수십억 톤의 재활용품은 수십억 달러에 달하는 재생 불가능한 자원입니다.

분류센터 내부

현재 재활용 스테이션에서는 기계선별, 광학 초분광선별, 수동작업을 사용하고 있습니다. 재활용 트럭이 파란색 쓰레기통을 가지고 떠난 후 일반적으로 발생하는 상황은 다음과 같습니다.

트럭은 "투기장"이라고 불리는 콘크리트 바닥에 짐을 내립니다. 프런트 엔드 로더는 대량의 자재를 퍼 올려 일반적으로 시간당 30~60톤의 속도로 컨베이어 벨트에 버립니다.

첫 번째 단계는 사전 정렬입니다. 작업자는 자전거, 대형 플라스틱 필름 조각, 프로판 탱크 및 자동차 변속기와 같이 수거 트럭에 실어서는 안 되는 크거나 문제가 있는 품목을 제거하는 것부터 시작합니다.

광학 초분광 이미징 또는 수동 분류 기계를 사용하여 남은 플라스틱 및 금속에서 섬유(주로 사무용 종이, 판지, 잡지 등과 같은 평평한 2D 제품)를 분리합니다. 광학 분류기에서는 카메라가 컨베이어 벨트를 따라 굴러가는 물질을 응시하고 대상 물질로 만들어진 항목을 찾아낸 다음 전자 제어 솔레노이드 세트를 활성화하여 항목을 수집 상자로 옮긴다는 메시지를 보냅니다.

비섬유 소재는 촘촘한 캠이 있는 기계 시스템을 통과합니다. 큰 품목은 미끄러져 지나가고, 작은 품목(파란색 쓰레기통에 신중하게 던져 넣은 재활용 포크 등)은 너무 작아서 분류할 수 없기 때문에 미끄러져 곧바로 매립지로 갑니다. 기계는 또한 유리를 부수고 깨진 유리는 바닥으로 떨어져 체로 걸러냅니다.

나머지 품목은 머리 위 자석(철금속으로 만든 품목 수집)과 와전류 유도 기계(비철금속에 충격을 가하여 다른 수집 영역으로 전달)를 통과합니다.

이 시점에는 대부분의 플라스틱이 여전히 남아 있습니다. 직렬로 연결된 더 많은 초분광 분류기는 HDPE 세제병이나 PET 물병과 같이 한 번에 한 가지 유형의 플라스틱을 분류할 수 있습니다.

결국 남은 품목(트럭 적재량의 10~30%)은 매립됩니다.

미래에는 인공지능으로 구동되는 로봇 분류 시스템과 인공지능 검사 시스템이 이 공정의 대부분 단계에서 사용되는 육체 노동을 대체할 수 있습니다. 그림에서 빨간색 아이콘은 인공지능 기반 로봇 시스템이 인간을 대체할 수 있는 위치를 나타내고, 파란색 아이콘은 인공지능 감사 시스템이 분류 작업에 대한 최종 점검을 수행할 수 있는 위치를 나타냅니다.

위 내용은 쓰레기 분류에 인공지능 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!