JP2021522070A - スクラップからのコインのリサイクル - Google Patents

Abstract

材料分類システムは、機械学習システムを実装する視覚システムを利用して材料を分類し、各材料を識別または分類する。材料が指定された幾何学的形状を持っていると判断する識別または分類に基づいて、個別のグループに分類される。このようなシステムは、他の形態のスクラップから貨幣コインまたは他の貴重な金属を分類することができる。

Description

本願は、米国仮特許出願第６２／４９０，２１９号の優先権を主張する米国特許出願第１５／９６３，７５５号の一部の継続であり、これらの両出願は、参照により本明細書に組み込まれる。

政府のライセンス権
本開示は、米国エネルギー省の助成金番号ＤＥ−ＡＲ００００４２２の下、米国政府の支援を受けて行われた。政府は、この開示に関して特定の権利を有する場合がある。

技術分野
本開示は、一般に、材料の仕分け、特に、スクラップからの特定の貴重品の仕分けに関する。

このセクションは、本開示の例示的な実施形態に関連し得る当技術分野の様々な態様を紹介することを意図している。この議論は、本開示の特定の側面のより良い理解を促進するためのフレームワークを提供するのに役立つと考えられている。したがって、このセクションはこの観点から読む必要があり、必ずしも先行技術の承認として読む必要はないことを理解する必要がある。

リサイクルとは、ゴミとして捨てられてしまう素材を集めて処理し、新製品に変える工程である。リサイクルは、埋め立て地や焼却炉に送られる廃棄物の量を減らし、天然資源を節約し、国内の材料を利用することで経済的安全性を高め、新しい原材料を集める必要性を減らすことで汚染を防ぎ、エネルギーを節約するため、地域社会と環境にメリットがある。回収後、リサイクル可能なものは通常、材料回収施設に送られ、仕分け、洗浄され、製造に使用できる材料に加工される。

細断およびその後のリサイクルプロセス用に指定された多くの自動車には、座席の間、フロアマットの下など、比較的かなりの数の貨幣コインがその中に配置されていることが発見された。少なくとも１つの研究では、車両１台あたり約ＵＳ＄１０〜＄１５のコインが存在する可能性があると推定されている。同様に、そのような車両には紛失した宝石が含まれている可能性がある。

また、自動車は、リサイクルすることができる有価金属（例えば、銅、金、銀など。）を含むプリント回路基板（「ＰＣＢ類」）が含まれる。

毎年多くの車両がリサイクルされていることを考えると、リサイクル業界では、通常の車両リサイクルプロセスの有益な副産物として貴重なスクラップ片を回収する技術が求められている。さらに、最近、破損したコインであっても、米国政府は額面金額を支払うという連邦法が最近成立した。

本開示の実施形態に従って構成された仕分けシステムの概略図を示す。 本開示の実施形態に従って構成された仕分け装置の動作のフローチャートを示す。 様々な例示的な貨幣コインの視覚的画像を示す。 他のスクラップ片と混合された例示的な貨幣コインの視覚的画像を示す。 宝石の様々な例示的な部分の視覚的画像を示す。 他のスクラップ片と混合された例示的な宝石片の視覚的画像を示す。 本開示の実施形態に従って構成されたフローチャート図を示す。 本開示の実施形態に従って構成されたデータ処理システムのブロック図を示す。 本開示の実施形態による機械学習システムの例示的な構成のフローチャートを示す。

本開示の様々な詳細な実施形態が本明細書に開示されている。しかし、開示された実施形態は、開示の単なる例示であり、様々な代替の形態で具体化され得ることが理解されるべきである。図は必ずしも縮尺どおりではなく、一部の機能は、特定のコンポーネントの詳細を表示するために誇張または最小化されている場合がある。したがって、本明細書に開示される特定の構造的および機能的詳細は、限定として解釈されるべきではなく、本開示の様々な実施形態を使用することを当業者に教えるための代表的な基礎として単に解釈されるべきである。

本開示の実施形態は、本明細書に記載される機械学習ベースの視覚システムを利用することにより、細断されたスクラップ（例えば、自動車スクラップ）から特定の貴重なスクラップ片（例えば、貨幣コイン、宝石、ＰＣＢ、銅、真ちゅうなど）を効果的にリサイクルするものである。

本明細書で使用される場合、「材料」は、スクラップ片を含むがこれに限定されない任意の物理的アイテムを含み得る。材料のクラスまたは種類は、（鉄および非鉄）金属、合金、貨幣コイン、宝石類（例えば、リング、イヤリング、ネックレス、ブレスレット、など）、金、銀、ボタン、電気ボックスのノックアウト、ワッシャー、プラスチック（ＰＣＢ、ＨＤＰＥ、ＵＨＭＷＰＥ、およびさまざまな着色プラスチックを含むがこれらに限定されない）、ゴム、発泡体、ガラス（ボロケイ酸塩またはソーダ石灰ガラス、およびさまざまな着色ガラスを含むがこれらに限定されない）、セラミック、紙、段ボール、テフロン（登録商標）、ＰＥ、束ねられたワイヤー、絶縁カバーされたワイヤー、希土類元素などを含むことができる。本明細書で使用される「スクラップ」および「スクラップ片」という用語は、固体状態の材料片を指す。この開示では、「スクラップ」、「スクラップ片」、「材料」、および「材料片」という用語は同じ意味で使用される場合がある。

本明細書で使用される場合、材料の不均一な混合物は、異なるクラスまたはタイプの個々の材料の集合を意味する。本明細書で使用される場合、均一な材料のセットは、同じまたは実質的に類似したクラスまたはタイプの個々の材料の集合を意味する。

Institute of Scrap Recycling Industries, Incによって公布された非鉄スクラップのガイドラインで定義されるように、「ゾルバ（Zorba）」という用語は、使用済み自動車（「ＥＬＶ」）または廃電子電気機器（「ＷＥＥＥ」）に由来するものを含むがこれらに限定されない、細断された非鉄金属の総称である。Institute of Scrap Recycling Industries, Inc（「ＩＳＲＩ」）は、米国でゾルバの仕様を確立した。ゾルバでは、各スクラップ片が非鉄金属の組み合わせ（例えば、元素又は合金化（固体）の形の、アルミニウム、銅、鉛、マグネシウム、ステンレス鋼、ニッケル、錫、亜鉛）で構成されてもよい。さらに、「ツイッチ（Ｔｗｉｔｃｈ）」という用語は、断片化されたアルミニウムスクラップを意味する。ツイッチは、重い金属スクラップが沈むためにアルミニウムスクラップが上に浮くフロートプロセスによって生成される場合がある（たとえば、一部のプロセスでは、砂が混入してスクラップが浸される水の密度が変化する場合がある）。

本明細書で使用される場合、「識別する（identify）」および「分類する（classify）」」という用語、ならびに「識別（identification）」および「分類（classification）」という用語は、交換可能に使用され得る。例えば、本開示の特定の実施形態では、視覚システム（本明細書でさらに記載されるように）は、視覚システムは、材料の色、サイズ、形状、質感、外観、均一性、色相、および/または製造タイプを含むがこれらに限定されない、（ユーザー定義の）１つまたは複数の物理的特性のセットの関数として材料（例えば、スクラップ片）を選択的に分類するために仕分けシステム内で利用できる任意のタイプの情報を（例えば、機械学習システムを用いて）収集するように構成され得る。

仕分けされる材料の少なくともいくつかは、不規則なサイズおよび形状を有する可能性があることに留意されたい（例えば、図３Ｂおよび図３Ｄを参照）。例えば、このような材料（例えば、ゾルバおよび／またはツイッチ）は、コンベヤシステムに供給することができるような不規則な形状とサイズのピース（スクラップ片の製造）に材料を細断する、ある種の細断機構を通ってきた可能性がある。

本開示の実施形態は、ユーザー定義の分類の関数として、材料（例えば、スクラップ片）を別個のレセプタクルまたは容器に物理的に堆積（例えば、排出）させることによって、材料（例えば、スクラップ片）をそのような別個のグループに仕分けることとして本明細書に記載される。一例として、本開示の特定の実施態様において、材料（例えば、スクラップ片）は、他のスクラップ材料から、指定された価値のあるスクラップ片を分離するために別の容器に分類することができる。このような（システム１００のユーザーによって）指定された価値のあるスクラップ片は、貨幣コイン、宝石（例えば、リング、イヤリング、ネックレス、ブレスレット、など）、貴金属（例えば、金、銀、白金、銅、真鍮、など）、またはＰＣＢ（有価金属、例えば、金、銀、銅を含むことができる）とすることができる。

図１は、材料を自動的に（すなわち、人間の手動介入を必要とせずに）分類するために、本開示の様々な実施形態に従って構成された自動材料仕分けシステム１００の例を示す。以下、本開示の実施形態は、スクラップ片の仕分けとして説明するが、このような実施形態は、任意のタイプの材料の仕分けに適用可能である。コンベヤシステム１０３は、仕分けシステム１００を通る個々のスクラップ片１０１の１または複数の流れを搬送するために具現化され、個々のスクラップ片１０１のそれぞれは、追跡され、分類され、所定の所望のグループに仕分けられる。このようなコンベヤシステム１０３は、スクラップ片１０１が、典型的には所定の一定速度で移動する１つまたは複数のコンベヤベルトを用いて実施することができる。しかし、本開示の特定の実施形態では、振動や機械的コンベヤを含むコンベヤシステム、スクラップ片が仕分けシステムの様々な構成要素を越えて自由落下すするようなシステムの他のタイプで具現化されてもよい。以下、コンベヤシステム１０３を単にコンベヤベルト１０３と呼ぶ。

さらに、図１では、コンベヤベルト１０３上のスクラップ片１０１の単一の流れを示しているが、本開示の実施形態は、複数のこのようなスクラップ片の流れが、互いに並行して仕分けシステム１００の様々な構成要素を通過するように実施され得る。または、コンベヤベルト１０３上にランダムに堆積されたスクラップ片の集まりが仕分けシステム１００の様々な構成要素によって通過されるように実施され得る。したがって、本開示の特定の実施形態は、スクラップ片、またはコンベヤベルト上にランダムに堆積されたスクラップ片の複数のこのような平行移動する流れを同時に追跡、分類、および仕分けることができる。本開示の実施形態によれば、スクラップ片１０１のシンギュレーションは、スクラップ片を追跡、分類、および仕分ける視覚システムに必要ではない。

本開示の特定の実施形態によれば、ある種の適切なフィーダー機構を利用して、スクラップ片１０１をコンベヤベルト１０３に供給することができ、それにより、コンベヤベルト１０３は、仕分けシステム１００内の様々な構成要素を通過してスクラップ片１０１を搬送することができる。本開示の特定の実施形態内で、コンベヤベルト１０３は、コンベヤベルトモーター１０４によって所定の速度で移動するように動作される。この所定の速度は、任意の周知の方法で、オペレータによってプログラム可能および／または調整可能であり得る。コンベヤベルト１０３の所定の速度の監視は、代わりに、ベルト速度検出器１０５を用いて実行され得る。本開示の特定の実施形態内で、コンベヤベルトモーター１０４および／またはベルト速度検出器１０５の制御は、自動化制御システム１０８によって実行され得る。このような自動化制御システム１０８は、コンピュータシステム１０７の制御下で動作され得、および／または自動化制御を実行するための機能は、コンピュータシステム１０７内のソフトウェアに具現化され得る。

コンベヤベルト１０３は、コンベヤベルト１０３を所定の速度で移動させるのに適した従来の駆動モーター１０４を使用する従来のエンドレスベルトコンベヤであり得る。従来のエンコーダであってもよいベルト速度検出器１０５は、コンベヤベルト１０３の作動（例えば、速度）に対応する情報を提供するために、コンベヤベルト１０３および自動制御システム１０８に結合することができる。したがって、本明細書でさらに説明するように、コンベヤベルト駆動モーター１０４および／または自動化制御システム１０８（または代替的にはベルト速度検出器１０５を含む）への制御を利用することにより、コンベヤベルト１０３上を移動するスクラップ片１０１のそれぞれが識別され、それらは（システム１００の様々な構成要素に対して）場所および時間によって追跡され得、その結果、各スクラップ片１０１がそれらの近傍内を通過する場合に仕分けシステム１００の様々な構成要素が活性化／非活性化され得る。その結果、自動化制御システム１０８は、スクラップ片１０１がコンベヤベルト１０３に沿って移動する間、スクラップ片１０１のそれぞれの位置を追跡することができる。

本開示の特定の実施形態によれば、スクラップ片１０１がコンベヤベルト１０３によって受け取られた後、タンブラーおよび／またはバイブレーター（図示せず）を利用して、スクラップ片の集合から個々のスクラップ片を分離することができる。本開示の別の実施形態によれば、スクラップ片は、１つまたは複数の単一化された（つまり、単一列）流れに配置されることができ、それは、任意選択の能動または受動シンギュレータ１０６によって実行され得る。前述のように、シンギュレータを組み込んだり使用したりする必要はない。代わりに、コンベヤシステム（例えば、コンベヤベルト１０３）は、ランダムにコンベヤベルト１０３上に配置されたスクラップ片の集合を単に搬送してもよい。

再び図１を参照すると、本開示の実施形態は、スクラップ片１０１がコンベヤベルト１０３上を移動する際にスクラップ片１０１のそれぞれの追跡を開始する手段として、視覚または光学認識システム１１０を利用することができる。視覚システム１１０は、１つまたは複数の静止カメラまたは実写カメラ１０９（１つまたは複数の三次元カメラを含むことができる）を利用して、移動するコンベヤベルト１０３上のスクラップ片１０１のそれぞれの位置（すなわち、場所と時間）を記録することができる。視覚システム１１０は、スクラップ片１０１の全部または一部の特定のタイプの識別（例えば、分類）を実行するようにさらに構成され得る。例えば、このような視覚システム１１０は、スクラップ片１０１のそれぞれについての情報を取得するために利用され得る。例えば、視覚システム１１０は、システム１００内で利用できる任意のタイプの情報を収集して、スクラップ片の色、サイズ、形状、質感、外観、均一性、組成、および／または製造タイプを含むがこれらに限定されない（ユーザー定義の）１つまたは複数の物理的特性のセットの関数としてスクラップ片１０１を選択的に仕分けるように（例えば、機械学習システムを用いて）構成することができる。視覚システム１１０は、例えば、典型的なデジタルカメラおよびビデオ機器で利用されるような光学センサーを使用することによって、スクラップ片１０１のそれぞれの画像を捕捉する。光学センサーによって捕捉されたこのような画像は、画像データとしてメモリデバイスに保存することができる。本開示の実施形態によれば、このような画像データは、光の波長内（すなわち、典型的な人間の眼によって観察される光の波長）で捕捉された画像を表す。しかし、本開示の代替の実施形態は、典型的な人間の目の視覚波長の外側の光の波長で材料の画像を捕捉するように構成された光学センサーを利用することができる。

さらに、このような視覚システム１１０は、どのスクラップ片１０１が仕分けシステム１００によって仕分けされるべき種類ではないか（例えば、特定の貴重なスクラップ片以外として分類されたスクラップ片）を識別し、このようなスクラップ片を拒否するよう信号を送信するように構成され得る。このように識別されたスクラップ片１０１は、分類されたスクラップ片を個々の容器に物理的に移動させるために本明細書に記載される機構の１つを利用して排出され得る。

次に図２を参照すると、分類されたスクラップ片を仕分け容器に排出するための自動仕分け装置（例えば、仕分け装置１２６、１２７、１２８、１２９）のそれぞれを起動するためのシステムおよびプロセス２００が示されている。このようなシステムおよびプロセス２００は、図１に関して前述した自動化制御システム１０８内に具現化されるか、または仕分けシステムを制御するコンピュータシステム全体（例えば、コンピュータシステム１０７）内に具現化される。プロセスブロック２０１において、指定され追跡されたスクラップ片が仕分けのための位置にあるという信号が自動化制御システム１０８から受信される。プロセスブロック２０２において、この信号に関連するタイミングが現在の時刻に等しいかどうかの決定が行われる。システムおよびプロセス２００は、分類されたスクラップ片に関連するタイミングが、分類されたスクラップ片が、分類されたスクラップ片に関連する分類に関連付けられた特定の仕分け装置（例えば、エアジェット、空気圧プランジャー、ペイントブラシ型プランジャーなど）の近くを通過する予想時間に対応しているかを判定する。タイミング信号が対応しない場合、信号が現在の時刻よりも大きいかどうかがプロセスブロック２０３で決定される。ＹＥＳの場合、システムは、エラー信号２０４を返すことがある。このような場合、システムは、ピースを適切な容器に排出できない場合がある。システムおよびプロセス２００が、分類されたスクラップ片がその分類に関連付けられた仕分け装置の近傍を通過していると判定すると、分類されたスクラップ片をその分類に関連する仕分け容器に排出するようにプロセスブロック２０５で仕分け装置を作動させる。これは、空気圧プランジャー、ペイントブラシ型プランジャー、エアジェットなどを作動させることによって実行することができる。プロセスブロック２０６において、選択された仕分け装置は、停止される。

前述のように、仕分け装置は、非限定的にコンベヤーベルトシステムから複数の仕分け容器にスクラップ片を排出することを含む、選択されたスクラップ片を所望の場所に向け直すための任意の周知の機構を含み得る。例えば、仕分け装置は、エアジェットを利用することができ、各エアジェットは、１つまたは複数の分類に割り当てられる。エアジェットの一つ（例えば１２７）が自動制御システム１０８からの信号を受け取った場合、エアジェットが空気の流れを放出して、スクラップ片１０１をコンベヤベルト１０３からエアジェットに対応する仕分け容器（例えば１３７）に排出させる。高速空気弁（例えば、Mac Industriesから販売されている）を使用して、例えば、コンベヤベルト１０３からスクラップ片１０１を排出するように構成された適切な空気圧でエアジェットを供給することができる。

図１に示される例は、スクラップ片の排出にエアジェットを使用しているが、コンベヤベルトからスクラップ片をロボットで取り除く、コンベヤベルトからスクラップ片を押し出す（例えば、ペイントブラシ型プランジャーで）、スクラップ片が落下する可能性のある開口部（トラップドアなど）をコンベヤベルトに生じさせる、コンベヤベルトの端から落ちる際に別々の容器にスクラップ片を分離するために１つまたは複数のエアジェットを使用する、ロボットアームを使用してコンベヤベルト１０３から指定されたスクラップ片を拾うなど、スクラップ片を排出するために他の機構を使用することができる。

スクラップ片１０１が排出されるＮ個の仕分け容器１３６、１３７、１３８、１３９に加えて、システム１００はまた、コンベヤベルト１０３から前述の仕分け容器１３６、１３７、１３８、１３９のいずれかに排出されないスクラップ片１０１を受け入れるレセプタクルまたは容器１４０を含み得る。例えば、スクラップ片１０１の分類が決定されない場合（または単に仕分け装置がピースを適切に排出できなかった場合）、スクラップ片１０１は、コンベヤベルト１０３からＮ個の仕分け容器１３６、１３７、１３８、１３９の１つに排出されない場合がある。したがって、容器１４０は、分類されていないスクラップ片が投棄されるデフォルトの容器として機能し得る。あるいは、容器１４０を使用して、Ｎ個の仕分け容器１３６、１３７、１３８、１３９のいずれにも意図的に割り当てられていないスクラップ片の１つまたは複数の分類を受け取ることができる。例えば、本開示の実施形態によれば、特定の貴重なスクラップ片として分類されていないスクラップ片は、容器１４０に通過することができる。

本開示の特定の実施形態によれば、１つまたは複数のエアジェットのセットは、特定の貴重なスクラップ片として分類されたスクラップ片を、コンベヤベルト１０３の端から落下するときに第１のレセプタクルに向ける一方で、指定された貴重なスクラップ片として分類されていないスクラップ片は、コンベヤベルト１０３の端から別個の第２のレセプタクル（例えば、容器１４０）に単に落下することが許可されるように構成され得る。または、指定された貴重なスクラップ片として分類されたスクラップ片が単にコンベヤベルト１０３の端から落下することが許される場合、逆のことが実行され得る。

本開示の特定の実施形態によれば、貨幣コインは、それらの異なる金種に基づいて別々に分類され得、したがって、それに応じて別々の容器に分類され得る。

必要なスクラップ片の分類の多様性に応じて、複数の分類（たとえば、特定の異なる金種の硬貨）を単一の仕分け装置および関連する仕分け容器にマッピングすることができる。言い換えると、分類と仕分け容器の間に１対１の相関関係がある必要はない。例えば、特定のクラスまたはタイプの材料を同じ仕分け容器に仕分けることがユーザーによって望まれる場合がある（例えば、一つ以上の貨幣コインの異なる金種、または貨幣硬貨および銅および／または真鍮の両方など）。このような仕分けを達成するため、スクラップ片１０１を所定の分類のグループに落下させるように分類する場合（例えば、貨幣コインの一つ以上の異なる金種、又は貨幣コインおよび銅および／または真鍮の両方）、同じ仕分け装置を作動させて、これらを同じ仕分け容器に仕分けることができる。このような組み合わせ仕分けは、仕分けられたスクラップ片の任意の所望の組み合わせを生成するために適用することができる。そのような所望の組み合わせを生成するために、分類のマッピングがユーザーによってプログラムされてもよい（例えば、コンピュータシステム１０７によって作動される仕分けアルゴリズムを使用して（例えば、図４参照））。さらに、スクラップ片の分類は、ユーザーが定義でき、スクラップ片の特定の既知の分類に限定されない。
前述の非限定的な例として、本開示の機械学習システムは、２つ以上の貨幣コインの金種を同じ容器（例えば、容器１３６、１３７、１３８、１３９のうちの１つ以上）に仕分けるために別々に分類するように構成され得る、または特定の金種（例えばペニー）を貨幣コインとして分類されないスクラップ片と同じ容器に分類するよう構成され得る。

前述の別の非限定的な例では、本開示の機械学習システムは、貨幣コインと別のクラスまたはタイプの貴重品の両方を共通の容器に分類および仕分けるように構成され得る。他のクラスまたはタイプの貴重品は、宝石（例えば、図３Ｃに示されるようなリング、イヤリング、ブレスレットの部品、ネックレスの部品等）、特定のクラスまたはタイプの金属片（例えば、金、銀、銅、真鍮など）、および／または、特定の金属が含まれると機械学習システムによって特定されたスクラップ片（例えば、銅、金、または銀を含むＰＣＢ）とすることができる。次に、共通の容器に集められたこのようなスクラップ片は、集められた貴重なスクラップ片を仕分ける（たとえば、貨幣コインと銅および／または真ちゅうの間で仕分ける）ために、システム１００を再び通過させることができる（または、このようなスクラップ片をシステム１００のような第２の同様のシステムに運ぶことができる）。

コンベヤシステム１０３は、未分類のスクラップ片（または再仕分けるための２つ以上のクラスまたはタイプの材料のスクラップ片）が仕分けシステム１００の最初に戻されて、システム１００を再び通るような円形コンベヤ（不図示）を含むことができる。また、システム１００は、コンベヤシステム１０３をスクラップ片が移動する際に、各スクラップ片１０１を明確に追跡することができるので、ある種の仕分け装置（例えば、仕分け装置１２９）は、仕分けシステム１００を通る所定のサイクル数の後でシステム１００が分類できなかったスクラップ片１０１（例えば、貨幣コイン、宝石、ＰＣＢ、ＰＣＢや宝石など）を排出することができる。

本開示の特定の実施形態内で、コンベヤベルト１０３は、例えば、第１のベルトが視覚システムを通過するようスクラップ片を移送し、第２のベルトが視覚システムから仕分け装置へスクラップ片を移送する２つのベルトなどの直列に構成された複数のベルトに分割され得る。さらに、このような第２のコンベヤベルトは、スクラップ片が第１のベルトから第２のベルトに落下するように、第１のコンベヤベルトよりも低い高さにあり得る。

前に述べたように、本開示の実施形態は、スクラップ片を識別、追跡、および／または分類するために、１つまたは複数の視覚システム（例えば、視覚システム１１０）を実装することができる。このような視覚システムは、コンベヤシステム上を通過するスクラップ片の画像を捕捉または取得するための１つまたは複数のデバイスで構成される。装置は、可視、赤外線（ＩＲ）、紫外線（ＵＶ）光を含むがこれらに限定されない、スクラップ片によって反射される任意の所望の範囲の波長を捕捉または取得するように構成され得る。例えば、コンベヤシステムを通過するスクラップ片の視覚画像が視覚システムで捕捉されるように、視覚システムは、コンベヤシステムの近く（例えば上に）配置された１つまたは複数のカメラ（二次元画像、三次元が相、および／またはホログラフィカル画像を捕捉するように構成することができる静止及び／又はビデオカメラ）で構成されてもよい。

スクラップ片から捕捉された画像のタイプに関わらず、画像は次に、コンピュータシステム（例えば、コンピュータシステム１０７）に送信されて、機械学習システムによって処理され、続いてスクラップ片を所望の方法で仕分けるために、それぞれのスクラップ片を識別および／または分類することができる。このような機械学習システムは、1つまたは複数のよく知られた機械学習アルゴリズムを実装することができ、以下のものを実装するものを含む。ニューラルネットワーク（例えば、人工ニューラルネットワーク、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、オートエンコーダー、強化学習）、ファジー理論、人工知能（ＡＩ）、深層学習アルゴリズム、深層構造化学習階層学習アルゴリズム、サポートベクターマシン（SVM）（線形SVM、非線形SVM、SVM回帰など）、決定木学習（分類および回帰ツリー（CART）など）、アンサンブル手法（アンサンブル学習、ランダムフォレスト、バギング＆ペースティング、パッチ＆サブスペース、ブースティング、スタッキングなど）、次元削減（射影、多様体学習、主成分分析など）、および/または deeplearning.netで説明され、公開されているようなディープマシンアルゴリズム（このWebサイト内で参照されているすべてのソフトウェア、出版物、および利用可能なソフトウェアへのハイパーリンクを含む）。これらは参照により本明細書に組み込まれる。本開示の実施形態内で利用できる公的に利用可能な機械学習アルゴリズム、ソフトウェア、およびライブラリの非限定的な例には、Python、OpenCV、Inception、Theano、Torch、PyTorch、Pylearn2、Numpy、Blocks、TensorFlow、MXNet、Caffe、Lasagne、Keras、chainer、Matlab Deep Learning、CNTK、MatConvNet（コンピュータビジョンアプリケーションのための畳み込みニューラルネットワークを実装するMATLABのツールボックス）、DeepLearnToolbox（ディープラーニングのためのMatlabツールボックス（Rasmus Berg Palm））、BigDL、Cuda-Convnet （畳み込み（またはより一般的にはフィードフォワード）ニューラルネットワークの高速C++/CUDA 実装)、 Deep Belief Networks、RNNLM、RNNLIB-RNNLIB、 matrbm、deeplearning4j、 Eblearn.lsh、 deepmat、 MShadow、 Matplotlib、 SciPy、 CXXNET、 Nengo-Nengo、 Eblearn、 cudamat、 Gnumpy、 3-way factored RBM and mcRBM、 mPoT (自然画像のモデルをトレーニングするCUDAMat およびGnumpyを用いたPythonコード）、 ConvNet、 Elektronn、 OpenNN、 NeuralDesigner、 Theano Generalized Hebbian Learning、 Apache Singa、 Lightnet、 およびSimpleDNNを含む。

機械学習は、多くの場合、２つの段階、またはフェーズで発生する。例えば、最初に、トレーニングはオフラインで行われ、仕分けシステム１００は、スクラップ片の実際の仕分けを実行するために利用されない。本開示の特定の実施形態によれば、システム１００の一部は、スクラップ片の１つまたは複数の同種のセット（つまり、一つ以上の金種の貨幣コイン（例えば、参照図３Ａ）、リング、ブレスレット、ネックレス、および／またはイヤリングなどの代表的なセット、ＰＣＢの代表的なスクラップ片、または貴金属（例えば、金、銀、銅、真鍮）の特定のタイプの代表的なスクラップ片）がコンベヤシステム１０３を使用して視覚システム１１０を通過するという機械学習システムをトレーニングするために利用される（同種のスクラップ片の各セットは仕分けられない、共通の容器（例えば、容器１４０）に収集され得る）。あるいは、トレーニングは、システム１００から離れた別の場所で実行することができ、特定の貴重なスクラップ片の同種のセットの画像を収集するための他の機構を使用することを含む。

本開示の特定の実施形態によれば、同種の貨幣コインのセットは、同じ金種の（したがって、同じ形状、サイズ、色、色相などを有する）貨幣コインの集合体であり得るか、または異なる金種の（したがって、異なる形状、サイズ、色、色相などを有する）貨幣コインの集合体である可能性があるが、同じ又は実質的に同じである少なくとも一つの物理的特性（形状など、例えば、円形、多角形）を共有することに留意されたい。さらに、本開示の特定の実施形態によれば、ほとんどの貨幣コインは略円形であるため、これは、材料を分類および仕分けるために機械学習システムによって利用される特定の物理的特性である可能性がある。円形ではない（たとえば、多角形の）外国のコインがいくつかあるため、このような特定の非円形の形状（ただし、実質的に多角形（たとえば、八角形）の形状）も材料を分類および仕分けるために機械学習システムで利用することができる。本開示の様々な実施形態を説明する目的のために、それはほとんどの貨幣コインが閉じた幾何学形状（例えば、円形、多角形）を有することが理解されるだろう。

このトレーニング段階では、機械学習アルゴリズムが、当技術分野でよく知られている画像処理技術を使用して、捕捉された画像から特徴を抽出する。トレーニングアルゴリズムの非限定的な例には、線形回帰、最急降下法、フィードフォワード、多項式回帰、学習曲線、正則化学習モデル、およびロジスティック回帰が含まれるが、これらに限定されない。このトレーニング段階で、指定された貴重なスクラップ片（たとえば、貨幣コイン（異なる金種が含まれる場合がある）、リング、ブレスレット、ネックレス、イヤリング、ＰＣＢ等）と、その特徴（例えば、画像により捕捉された色、質感、色相、形状（例えば、円形、多角形）、明るさなど）間の関係を学習するように機械学習アルゴリズムを構成でき、スクラップ片の不均一な混合物から貨幣コインを仕分けるために仕分けシステム１００によって受け取られたスクラップ片の不均一な混合物の分類の知識ベースが形成される。本開示の特定の実施形態によれば、このような知識ベースは、貨幣コインとして分類されるスクラップ片が実質的に円形および／または多角形の形状を有する（例えば、コインは、図３Ａのコインのいくつかによって示されるように、車両内または自動車シュレッダーによっていくらか損傷される可能性があるため、実質的に円形および／または多角形であるという所定の閾値内である）という要件を含み得る。このような知識ベースには、金属ワッシャーを貨幣コインとして分類しないために、穴が形成された円形のスクラップ片の拒否が含まれる場合がある。このような知識ベースは、特定の色または色相を有する円形のスクラップ片の拒絶をさらに含み得る（例えば、米国のペニーを他の貨幣コインに分類しないために）。

このような知識ベースは、１つまたは複数のライブラリを含むことができ、各ライブラリは、第２の段階またはフェーズ中にスクラップ片を分類および仕分ける際に視覚システム１１０によって利用するためのパラメータを含む。たとえば、ある特定のライブラリには、特定の金種の硬貨を認識して分類するためにトレーニング段階で構成されたパラメータが含まれている場合がある。本開示の特定の実施形態によれば、このようなライブラリは、視覚システムに入力され得、次いで、システム１００のユーザーは、システム１００の動作を調整するために、パラメータの特定のものを調整し得る（例えば、視覚システムが材料の不均一な混合物から貨幣コインの特定の金種をどれだけうまく認識するかという閾値の有効性を調整する（例えば、図３Ｂを参照））。

例えば、図３Ａは、前述のトレーニング段階中に使用され得る、例示的な貨幣コインの同種のセットの捕捉または取得された画像を示す。トレーニング段階の間、対照サンプルであるこのような複数の貨幣コイン（例えば、一つ以上の指定された金種の例示的な貨幣コインの同種のセット）が（コンベヤシステム１０３などによって）視覚システムを通り送達され、機械学習システムは、どのような特徴がこのような例示的な貨幣コインを視覚的に表しているのかを検出、抽出、および学習する。言い換えると、図３Ａに示すような貨幣コインの画像により、最初にこのようなトレーニング段階を通過して、機械学習システムが、スクラップ片の異種混合物の中から貨幣コインをどのように検出、認識、および分類するかを「学習」することができる（例えば、図３Ｂおよび図３Ｄに示すように）。これにより、指定された貨幣コインに固有のパラメータのライブラリが作成される。

ここで言及する点は、検出／抽出された特徴は、必ずしも単なる色、明るさ、または円形または多角形である必要はないということである。これらは、数学的にのみ表現できる、または数学的にまったく表現できない抽象的な策定である可能性がある。それにもかかわらず、機械学習システムは、すべてのデータを解析して、トレーニング段階の間対照サンプル（例えば実際の貨幣コイン）を分類することができるパターンを探す。機械学習システムは、スクラップ片の捕捉された画像のサブセクションを取得し、事前定義された分類（例えば、一つまたは複数の様々な貨幣コイン金種）間の相関関係を見つけようとする場合がある。

本開示の特定の実施形態によれば、機械学習システムは、ほぼ円形であるが正確には円形ではないスクラップ片を貨幣コインとして分類するように構成することができる。例えば、スクラップヤード車両内に含まれる貨幣コインを処理する（例えば、シュレッダーに通される）場合、破損されていてもよい（例えば、わずかに曲がったり、ノッチが形成される）。図３Ａは、いくつかのこのような損傷したコインの例を示している。機械学習システムでは、許容パラメータを調整して、このようなスクラップ片を貨幣コインとして分類することができる。例えば、スクラップ片は、それが完全に円形ではないか、または完全に閉じた円形の形状を有していないが、その全体のサイズ（例えば、直径）及び／又は色、色相、質感等が貨幣コインの特定の金種（例えば、米国のクォーター、ニッケル、ダイム等）と一致する場合貨幣コインとして分類される。また、機械学習システムが前述の対照サンプル内（図３Ａ参照）に損傷（例えば、ノッチ付き、屈曲など）コインの典型的なサンプルを含むことによってスクラップ片を貨幣コインとして分類するようトレーニングすることができる。

さらに、形状が円形ではなく、他の多角形を有する可能性がある非米国の貨幣コインがあるため、本開示の機械学習システムは、スクラップ片の流れの中のこのような対象物を貨幣コインとして分類するように構成され得る。

仕分けされるスクラップの中には、金属製の電気ボックスを含む材料から製造されるものもあるため、スクラップ片には、貨幣コインに似た円形のノックアウトが含まれる場合がある。しかし、本開示の実施形態に従って構成された機械学習システムは、このようなノックアウトを貨幣コインとして分類しないように構成することができる。これは、トレーニング段階でこのようなノックアウトの同種のセットを機械学習システムに通すことで実現できる。機械学習システムは、ノックアウトが貨幣コインとどのように異なる外観であるか（質感、色、表面に刻印されたパターンがないなど）によって、ノックアウトを貨幣コインに分類しないことを「学習」することができる。

本開示のいくつかの実施形態によると、機械学習システムは、所定の直径よりも大きいおよび／または小さい直径のスクラップ片が含まれるが、これらに限定されない１つまたは複数の特定の貨幣コインと同等の直径を有さない任意の円形のスクラップ片を貨幣コインとして分類しないように構成され得る（例えば、米国クォーター、ニッケル、ダイムなど）。これにより、たとえば、衣類のボタンは、貨幣コインとして分類されない。このような直径の仕様は、貨幣コインを金種で分類するために利用できる。

本開示の特定の実施形態によれば、例示的なコインの同種のセット（例えば、図３Ａを参照）を使用して仕分けるための貨幣コインを識別するための機械学習システムのトレーニングにより、機械学習システム１００は、スクラップ片の異種混合物（例えば、図３Ｂを参照）から特定の貨幣コインを仕分けることができる。

本開示の特定の実施形態によれば、機械学習システム１００が、スクラップ片の異種混合物（例えば、図３Ｄを参照）から特定の宝石のスクラップ片を分類できるようにするために、機械学習システムは、以前に開示された機械学習システムに宝石片の例示的なサンプル（例えば、図３Cを参照）を通すことによって、特定の種類の宝石を識別するように訓練され得る。以前に開示したように、機械学習システムは、このような特定の宝石スクラップ片の特定の物理的特性を学習することによって、このようなスクラップ片の異種混合物から宝石スクラップ片を識別および分類することができる。図３Ｄは、このような宝石のスクラップ片を他のスクラップ片と視覚的に区別する方法の非限定的な例を提供する。

図には示されていないが、機械学習システム１００がスクラップ片の異種混合物からこのようなＰＣＢスクラップ片を識別および分類できるようにするために、ＰＣＢの例示的な断片は、同種のセットとして機械学習システムを通され得る。たとえば、機械学習システムは、緑色または緑色のプラスチック板のように見えるスクラップ片を探すことによってこれを行う場合がある。

図６は、本開示の様々な可能な実施形態の例を抽象レベルで表す。機械学習アルゴリズムは、本質的に、システムおよびプロセス６００の１つまたは複数の態様を具体化することができるが、必ずしも図６の流れ図に概説されている通りである必要はない。

ブロック６０１において、視覚システム１１０は、本明細書で説明されるように、スクラップ片１０１の画像を取得する。ブロック６０２は、機械学習システムがある特定の貴重なスクラップ片に似たスクラップ片を識別するように構成されてもよいことを表す（例えば、貨幣コインが、円形または多角形の形状であるかどうか）。その他の物理的特徴（例えば、色、色合い、色調、質感、打ち抜かれた特徴、直径等）をスクラップ片１０１において特定の特徴（例えば、コイン関連）を識別するために利用することができる。

オプションのブロック６０３は、電気ボックスノックアウトに類似している（すなわち、類似した物理的特性を有する）スクラップ片１０１を貨幣コイン分類から除外するように機械学習システムを構成する方法を抽象的に表す。

オプションのブロック６０４は、抽象的システムの学習機械はさらに、所望の金種ではない（例えば米国ペニーの色を有する、ダイムより小さい、クォーターより大きい）スクラップ片を貨幣コインとして分類しないように構成することができる方法を表す。ブロック６０４は、機械学習システムがさまざまな金種の硬貨を個別に仕分ける方法を抽象的に表す。

機械学習アルゴリズムが確立され、機械学習システムが材料分類の違いを十分に学習した後、異なるクラスまたはタイプの材料（たとえば、１つまたは複数の金種のコイン、リング、ブレスレット、ネックレス、イヤリング、ＰＣＢ等）のライブラリが材料分類システム（例えば、システム１００）に実装され、スクラップ片の異種混合物から特定のスクラップ片を識別および/または分類して仕分けるために使用される。

図４は、本開示の特定の実施形態による、視覚システムを利用してスクラップ片を分類するプロセス４００の例示的な実施形態を示すフローチャート図を示す。プロセス４００の態様は、図１の仕分けシステム１００を含む、本明細書に記載の本開示の実施形態のいずれか内で動作するように構成され得る。プロセス４００の動作は、仕分けシステム（例えば、コンピュータシステム１０７及び／又は図１の視覚システム１１０）を制御するコンピュータシステム（例えば、図５のコンピュータシステム３４００）内を含む、ハードウェアおよび／またはソフトウェアによって実行することができる。オプションのプロセスブロック４０１では、スクラップ片は、ある種のよく知られたふるい（図示せず）を通過することができ、所定のサイズよりも小さいスクラップ片がふるいを通過できるように構成することができる。例えば、ふるいに形成されたスロットは、貨幣コインと同様のサイズの対象物を通過させるように構成できる。ただし、最初に小さなスクラップ片を大きなスクラップ片から分離するために、本明細書に記載されている任意の装置または別の仕分けシステムを利用することができる。

プロセスブロック４０２において、スクラップ片はコンベヤベルト上に堆積され得る。図３Ｂは、コンベヤベルト上に堆積された、様々な貨幣コインを含む、このようなスクラップ片の例示的な異種集合体のデジタル写真を示す。図３Ａは、コンベヤベルト上に堆積された、様々な宝石のスクラップ片を含む、例示的な異種のスクラップ片の集合体のデジタル写真を示す。非限定的な例では、ふるいは、通過したスクラップ片がベルトコンベア上に堆積するように配置されていてもよい。例えば、図１を参照すると、このようなふるいは、傾斜路またはシュート１０２とコンベヤベルト１０３との間に配置され得る。各スクラップ片１０１のコンベヤベルト１０３上の位置は、それが仕分けシステムを通過するときに各スクラップ片を追跡するために検出される。これは、視覚システム１１０によって実行され（例えば、コンベヤベルト速度検出器（例えば、ベルト速度検出器１０５）と通信している間、下にあるコンベアベルト材料からスクラップ片を区別することによって）、この情報は、自動化制御システム１０８によって収集および監視される。あるいは、リニアシートレーザービームを使用して、スクラップ片の位置を特定することができる（または、光源（可視光、ＵＶ、ＶＩＳ、およびＩＲを含むがこれらに限定されない）を作成でき、部品の位置を特定するために使用できる検出器を備えた任意のシステム）。プロセスブロック４０３において、スクラップ片が視覚システム１１０の近くを移動したとき、スクラップ片の１つまたは複数の画像が捕捉／取得される。プロセスブロック４０４において、機械学習システムは、以前に開示されているように、画像の前処理を実行することができ、これを利用して、背景（例えばコンベヤベルト１０３）からスクラップ片のそれぞれを検出または識別（抽出）することができる。言い換えれば、画像の前処理を利用して、スクラップ片と背景の違いを識別することができる。拡張、しきい値処理、輪郭処理などのよく知られた画像処理技術を利用して、スクラップ片を背景とは異なるものとして識別することができる。プロセスブロック４０５において、画像のセグメント化が実行され得る。例えば、視覚システムのカメラによって捕捉された１つまたは複数の画像は、１つまたは複数のスクラップ片の画像を含み得る。さらに、特定のスクラップ片は、その画像が捕捉されるときにコンベヤベルトの継ぎ目に配置される場合がある。したがって、このような場合、個々のスクラップ片の画像を画像の背景から分離することが望ましい場合がある。プロセスブロック４０５の例示的な技法では、第１のステップは、画像の高コントラストを適用することである。このようにして、背景ピクセルは実質的にすべての黒色ピクセルに縮小され、スクラップ片に関連する少なくともいくつかのピクセルは実質的にすべての白色ピクセルに明るくなる。次に、白いスクラップ片の画像ピクセルが拡張され、スクラップ片のサイズ全体がカバーされる。このステップの後、スクラップ片の場所は、黒い背景上のすべての白いピクセルの高コントラスト画像になる。次に、輪郭アルゴリズムを利用して、スクラップ片の境界が検出される。境界情報が保存され、境界位置が元の画像に転送される。セグメント化は、以前に定義された境界よりも大きい領域の元の画像に対して実行される。このようにして、各スクラップ片が識別され、背景から分離される。プロセスブロック４０６において、各スクラップ片のサイズおよび形状を決定することができる。

プロセスブロック４０７において、画像後処理を実行することができる。画像後処理には、ニューラルネットワークで使用できるように画像のサイズを変更することが含まれる場合がある。これはまた、スクラップ片を分類する機械学習システムの機能が強化されるような方法で特定の画像プロパティ（例えば画像のコントラストの向上、画像の背景の変更、フィルターの適用）を変更することも含まれる場合がある。画像後処理に続いて、様々な画像の正規化をプロセスブロック４０８で実行して、様々な異なるスクラップ片の画像を互いにより容易に比較することができるようにすることができる。プロセスブロック４０９において、各画像を表すデータはサイズ変更され得る。画像のサイズ変更は、ニューラルネットワークなどの特定の機械学習システムのデータ入力要件に一致させるために、特定の状況下で必要になる場合がある。ニューラルネットワークは、一般的なデジタルカメラで捕捉された画像のサイズよりもはるかに小さい画像サイズ（例えば、２２５Ｘ２５５個のピクセルまたは２９９Ｘ２９９ピクセル）を必要とする。また、画像サイズが小さいほど、分類に必要な処理時間が短くなる。したがって、画像サイズを小さくすると、最終的に仕分けシステムのスループットが向上し、その価値が高まる。

プロセスブロック４１０および４１１において、各スクラップ片は、検出された特徴に基づいて識別／分類される。例えば、プロセスブロック４１０は、抽出された特徴（例えば、円形／多角形、無孔、色等）をトレーニング段階で生成された知識ベースに保存されているものと比較し、このような比較に基づいて、各スクラップ片に最も一致する分類を割り当てる１または複数の機械学習アルゴリズムを用いたニューラルネットワークを用いて構成することができる。機械学習アルゴリズムは、自動的にトレーニングされたフィルターを使用して、捕捉された画像を階層的に処理できる。その後、フィルター応答は、最終ステップで確率が得られるまで、アルゴリズムの次のレベルに正常に組み込まれる。プロセスブロック４１１において、これらの確率は、Ｎ（Ｎ＞１）分類のそれぞれに使用されて、それぞれのスクラップ片がＮ個の仕分け容器のどれに仕分けされるべきかを決定することができる。例えば、Ｎ分類の各々は、それぞれの仕分け容器に割り当てることができ、考慮中のスクラップ片は、所定の閾値よりも大きい、最も高い確率を返す分類に対応する容器に仕分けされる。本開示の実施形態内で、このような所定の閾値は、ユーザーによって事前設定され得る。確率のどれもが所定の閾値よりも大きくない（例えば、スクラップ片が貨幣コインとして分類されない）場合、特定のスクラップ片は、外れ容器（例えば、仕分け容器１４０）に分類することができる。

プロセスブロック４１２では、スクラップ片の１つまたは複数の分類に対応する仕分け装置がアクティブ化される（例えば、図２を参照）。スクラップ片１０１の画像が視覚システム１１０によって捕捉された時間と仕分け装置が起動する時間との間に、スクラップ片１０１は、コンベヤベルト１０３の搬送速度で視覚システム１１０の近くからコンベヤベルト１０３の下流の位置に移動する。本開示の実施形態では、仕分け装置（例えば、１２６、１２７、１２８、１２９）の作動は、スクラップ片１０１がスクラップ片の分類にマッピングされた仕分け装置を通過すると、仕分け装置が作動し、スクラップ片が関連する仕分け容器（たとえば、１３６、１３７、１３８、１３９）に送られるように計時される
本開示の実施態様において、仕分け装置の起動は、スクラップ片が仕分け装置の前を通過する時間を検出し、仕分け装置を起動する信号を送るベルト速度検出器１０５と通信する自動制御システムにより計時されることができる。プロセスブロック４１３において、起動された仕分け装置に対応する仕分け容器は、指示されたスクラップ片を受け取る。

本開示の特定の実施形態によれば、システム１００の複数の少なくとも一部は、仕分けの複数の反復またはレイヤーを実行するために、連続して共にリンクされ得る。例えば、２つ以上のシステム１００がそのようにリンクされている場合、コンベヤシステムは、単一のコンベヤベルトまたは複数のコンベヤベルトで実現され、仕分け機（例えば、第１の自動化制御システム１０８および関連する１つまたは複数の仕分け装置１２６、１２７、１２８、１２９）によって異種混合材料の第１のセットのスクラップ片を１つまたは複数のレセプタクルの第１のセット（例えば、仕分け容器１３６、１３７、１３８、１３９）に仕分けるように構成された第１の視覚システムを通過するようスクラップ片を移送し、次に、第２の仕分け機によって異種混合材料の第２のセットのスクラップ片を１つまたは複数の仕分け容器の第２のセットに仕分けるように構成された第２の視覚システムを通過するようスクラップ片を移送する。

このような連続のシステム１００は、このような方法で共にリンクされたこのようなシステムをいくつでも含むことができる。本開示の特定の実施形態によれば、それぞれの連続する視覚システムは、前の視覚システムとは異なる材料を仕分けるように構成することができる（例えば、最初にスクラップからコインおよび銅／真ちゅうを仕分け、次いでコインと銅／真ちゅう片とを仕分ける）。

本明細書で説明したように、本開示の実施形態は、スクラップ片などの材料を識別、追跡、分類、および仕分けるために説明した様々な機能を実行するために実施することができる。このような機能は、ハードウェアおよび／またはソフトウェア内に、例えば１つまたは複数のデータ処理システム（例えば、図５のデータ処理システム３４００）内、前述のコンピュータシステム１０７、視覚システム１１０および／または自動化制御システム１０８内に実装されてもよい。しかし、ここで説明する機能は、特定のハードウェア／ソフトウェアプラットフォームへの実装に限定されるものではない。

当業者によって理解されるように、本開示の態様は、システム、プロセス、方法、および／またはプログラム製品として具体化され得る。従って、本開示の様々な態様は、完全なハードウェアの実施形態、完全なソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、または本明細書で「回路」、「モジュール」、または「システム」と呼ばれるソフトウェアとハードウェアの態様を組み合わせた実施形態、をとることができる。さらに、本開示の態様は、組み込まれたコンピュータ可読プログラムコードを有する１つまたは複数のコンピュータ可読記憶媒体に具現化されたプログラム製品の形をとることができる。（ただし、１つまたは複数のコンピュータ可読媒体の任意の組み合わせを利用することができる。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であり得る。）

コンピュータ可読記憶媒体は、例えば、これらに限定されないが、電子、磁気、光学、電磁気、赤外線、生物学的、原子、または半導体のシステム、装置、コントローラ、またはデバイス、あるいは前述の任意の適切な組み合わせであり得、ここで、コンピュータ可読記憶媒体は、それ自体が一時的な信号ではない。コンピュータ可読記憶媒体のより具体的な例（網羅的ではないリスト）には、以下が含まれる場合がある。１つまたは複数のワイヤーを有する電気接続、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）（例えば、図５のＲＡＭ３４２０）、読み出し専用メモリ（ＲＯＭ）（例えば図５のＲＯＭ３４３５）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）、光記憶装置、磁気記憶装置（例えば、図５のハードドライブ３４３１）、または前述の任意の適切な組み合わせ。本明細書では、コンピュータ可読記憶媒体は、命令実行システム、装置、コントローラ、またはデバイスによって、またはそれらに関連して使用するためのプログラムを含むまたは格納することができる任意の有形媒体であり得る。コンピュータ可読信号媒体に具現化されたプログラムコードは、無線、有線、光ファイバーケーブル、ＲＦ、または前述の任意の適切な組み合わせなどを含むがこれらに限定されない任意の適切な媒体を使用して送信することができる。

コンピュータ可読信号媒体は、例えば、ベースバンドで、または搬送波の一部として、コンピュータ可読プログラムコードがその中に具現化された伝搬データ信号を含み得る。このような伝搬信号は、電磁的、光学的、またはそれらの任意の適切な組み合わせを含むがこれらに限定されない、様々な形態のいずれかをとることができる。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、装置、コントローラ、またはデバイスによって、またはそれらに関連して使用するためのプログラムを通信、伝播、または転送できる任意のコンピュータ可読媒体であり得る。

図中のフローチャートおよびブロック図は、本開示の様々な実施形態による、システム、方法、プロセス、およびプログラム製品の可能な実装のアーキテクチャ、機能、および動作を示している。この点に関して、フローチャートまたはブロック図の各ブロックは、指定された論理機能を実行するための１つ以上の実行可能プログラム命令を含む、モジュール、セグメント、またはコードの一部を表す場合がある。一部の実装では、ブロックに記載されている機能が、図に記載されている順序とは異なる場合があることに留意されたい。たとえば、連続して表示される２つのブロックは、実際には実質的に同時に実行される場合がある。または、関連する機能に応じて、ブロックが逆の順序で実行される場合がある。

さまざまなタイプのプロセッサ（たとえば、ＧＰＵ３４０１、ＣＰＵ３４１５）によって実行するためにソフトウェアに実装されたモジュールは、たとえば、コンピュータ命令の１つ以上の物理的または論理的ブロックを含むことができ、たとえば、オブジェクト、プロシージャ、または関数として編成することができる。実行可能な識別されたモジュールは、物理的に共に配置する必要はないが、異なる場所に格納された異なる命令を含む場合があり、論理的に結合するとモジュールを含み、モジュールの指定された目的を達成する。実際、実行可能コードのモジュールは、単一の命令または複数の命令である場合があり、複数の異なるコードセグメント、異なるプログラム間、および複数のメモリデバイスに分散される場合もある。同様に、運用データ（例えば、本明細書に記載の材料分類ライブラリ）は、本明細書のモジュール内で識別および示すことができ、任意の適切な形式で具体化することができ、任意の適切なタイプのデータ構造内で編成することができる。運用データは、単一のデータセットとして収集される場合もあれば、さまざまなストレージデバイスを含むさまざまな場所に分散される場合もある。データは、システムまたはネットワーク上で電子信号を提供する場合がある。

これらのプログラム命令は、汎用コンピュータ、特殊目的コンピュータ、または機械を製造することができる他のプログラム可能なデータ処理装置（例えば、コントローラ）の１つまたは複数のプロセッサおよび／またはコントローラに提供され、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサ（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）を介して実行される命令は、フローチャートおよび／またはブロック図１つまたは複数のブロックで指定された機能／動作を実施するための回路または手段を作成する。

ブロック図および／またはフローチャート図の各ブロック、およびブロック図および／またはフローチャート図中のブロックの組み合わせは、特定の機能または行為、または特殊目的ハードウェアとコンピュータ命令の組合せを実行する特別な目的のハードウェアベースのシステム（例えば、１つまたは複数のグラフィックス処理ユニット（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）を含み得る）によって実施できることにも留意されたい。たとえば、モジュールは、カスタムＶＬＳＩ回路またはゲートアレイを含むハードウェア回路、論理チップ、トランジスタ、コントローラ、またはその他のディスクリートコンポーネントなどの既製の半導体として実装できる。モジュールは、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイスなどのプログラマブルハードウェアデバイスに実装することもできる。

本開示の態様の操作を実行するためのコンピュータプログラムコード、すなわち命令は、Ｊａｖａ、Ｓｍｏｌｌｔａｌｋ、Ｐｙｔｈｏｎ、Ｃ＋＋などのオブジェクト指向プログラミング言語、「Ｃ」プログラミング言語または同様のプログラミング言語などの従来の手続き型プログラミング言語、または本明細書に開示される機械学習ソフトウェアのいずれかを含む１つまたは複数のプログラミング言語の任意の組み合わせで書くことができる。プログラムコードは、完全にユーザーのコンピュータシステム上で、一部はユーザーのコンピュータシステム上で、スタンドアロンのソフトウェアパッケージとして、一部はユーザーのコンピュータシステム（例えば仕分けに利用されるコンピュータシステム）上で、一部はリモートコンピュータシステム上で（例えば機械学習システムを訓練するために利用されるコンピュータシステム）、または完全にリモートコンピュータシステムまたはサーバー上で実行され得る。後者のシナリオでは、リモートコンピュータシステムは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザーのコンピュータシステムに接続でき、または外部コンピュータシステムへの接続が可能である（例えばインターネットサービスプロバイダーを使用したインターネット経由で）。前述の例として、本開示の様々な態様は、コンピュータシステム１０７、自動化制御システム１０８、および視覚システム１１０のうちの１つまたは複数で実行するように構成され得る。

これらのプログラム命令はまた、コンピュータシステム、他のプログラム可能なデータ処理装置、コントローラ、または他のデバイスに特定の方法で機能するように指示することができるコンピュータ可読記憶媒体に記憶され得、その結果、コンピュータ可読媒体に記憶された命令は、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実施する命令を含む製造品を作成する。

プログラム命令はまた、コンピュータ、他のプログラム可能なデータ処理装置、コントローラ、または他のデバイスにロードされて、コンピュータ、他のプログラム可能な装置、または他のデバイス上で一連の操作ステップを実行させて、コンピュータ実装プロセスを生成することができ、コンピュータまたは他のプログラム可能な装置上で実行される命令は、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実施するためのプロセスを提供する。

さまざまな実装のデータを格納およびアクセスを提供するために、１つ以上のデータベースをホストに含めることができる。当業者はまた、セキュリティ上の理由から、本開示の任意のデータベース、システム、またはコンポーネントは、単一の場所または複数の場所にあるデータベースまたはコンポーネントの任意の組み合わせを含み得る。ここで、各データベースまたはシステムは、ファイアウォール、アクセスコード、暗号化、暗号化解除などの様々な適切なセキュリティ機能のいずれかを含み得る。データベースは、リレーショナル、階層、オブジェクト指向など、任意のタイプのデータベースにすることができる。データベースの実装に使用できる一般的なデータベース製品には、IBMのDB2、Oracle Corporationから入手可能なデータベース製品、Microsoft Corporation の Microsoft Access、またはその他のデータベース製品が含まれる。データベースは、データテーブルやルックアップテーブルなど、適切な方法で編成できる。

特定のデータの関連付け（たとえば、本明細書に記載の仕分けシステムによって処理されたスクラップ片のそれぞれについて）は、当技術分野で知られ、実践されている任意のデータ関連付け技術によって達成することができる。たとえば、関連付けは手動または自動で実行できる。自動関連付け技術には、例えば、データベース検索、データベースマージ、ＧＲＥＰ、ＡＧＲＥＰ、ＳＱＬなどが含まれ得る。関連付けステップは、たとえば、製造業者と小売業者の各データテーブルのキーフィールドを使用してデータベースのマージ機能によって実行できる。キーフィールドは、キーフィールドで定義されたオブジェクトの高レベルクラスに従ってデータベースを分割する。たとえば、特定のクラスを第１データテーブルと第２データテーブルの両方のキーフィールドとして指定し、キーフィールドのクラスデータに基づいて２つのデータテーブルをマージすることができる。これらの実施形態では、マージされたデータテーブルのそれぞれのキーフィールドに対応するデータは、好ましくは同じである。ただし、キーフィールドのデータが類似しているが同一ではないデータテーブルは、たとえばＡＧＲＥＰを使用してマージすることもできる。

本明細書では、デバイスを「構成する」、または何らかの機能を実行するように「構成された」デバイスを参照する。これには、事前定義された論理ブロックを選択し、それらを論理的に関連付けて、監視または制御機能を含む特定の論理機能を提供することが含まれる場合があることを理解する必要がある。これには、レトロフィット制御デバイスのコンピュータソフトウェアベースのロジックのプログラミング、ディスクリートハードウェアコンポーネントの配線、または前述のいずれかまたはすべての組み合わせも含まれる場合がある。このように構成されたデバイスは、指定された機能を実行するように物理的に設計されている。

本明細書の説明では、本開示の実施形態の完全な理解を提供するために、プログラミング、ソフトウェアモジュール、ユーザー選択、ネットワークトランザクション、データベースクエリ、データベース構造、ハードウェアモジュール、ハードウェア回路、ハードウェアチップ、コントローラなどの例の多数の特定の詳細が提供されている。しかし、当該技術分野の当業者は、開示が、特定の詳細の１つまたは複数なしで、または他の方法、構成要素、材料などを用いて実施され得ることを認識するであろう。他の例では、開示の側面を曖昧にすることを避けるために、よく知られた構造、材料、または操作が詳細に示されていないか、または説明されていない場合がある。

ここで図５を参照すると、本開示の実施形態の態様が実施され得るデータ処理（コンピュータ）システム３４００を示すブロック図が示されている。（「コンピュータ」、「システム」、「コンピュータシステム」、および「データ処理システム」という用語は、本明細書では互換的に使用される場合がある。）コンピュータシステム１０７、自動化制御システム１０８、および／または視覚システム１１０は、コンピュータシステム３４００と同様に構成され得る。コンピュータシステム３４００は、ローカルバス３４０５（例えば、周辺コンポーネント相互接続（「ＰＣＩ」）ローカル・バス・アーキテクチャ）を採用することができる。Accelerated Graphics Port（「ＡＧＰ」）やIndustry Standard Architecture（「ＩＳＡ」）など、適切なバスアーキテクチャを利用することができる。１つまたは複数のプロセッサ３４１５、揮発性メモリ３４２０および不揮発性メモリ３４３５は、ローカルバス３４０５に接続することができる（例えば、ＰＣＩブリッジ（図示せず）を介して）。統合メモリコントローラおよびキャッシュメモリは、１つまたは複数のプロセッサ３４１５に結合することができる。１つまたは複数のプロセッサ３４１５は、１つまたは複数の中央プロセッサユニットおよび／または１つまたは複数のグラフィックプロセッサユニットおよび／または１つまたは複数のテンソル処理ユニットを含み得る。本開示の特定の実施形態では、１つまたは複数のＧＰＵ３４０１（例えば、ＧＰＧＰＵ、又はグラフィックス処理ユニット用の汎用コンピューティング）は、開示された機械学習システムのうちの任意の１つ以上を操作するためにコンピュータシステム１０７内に実装される。ローカルバス３４０５への追加の接続は、コンポーネントの直接相互接続またはアドインボードを介して行うことができる。図示の例では、通信（例えば、ネットワーク（ＬＡＮ））アダプタ３４２５、Ｉ／Ｏ（例えば、小型コンピュータシステムインターフェース（「ＳＣＳＩ」）ホスト・バス）アダプタ３４３０、および拡張バスインターフェース（図示せず）が直接コンポーネント接続によってローカルバス３４０５に接続される。オーディオアダプタ（図示せず）、グラフィックス・アダプタ（図示せず）、および（ディスプレイ３４４０に結
合された）ディスプレイアダプタ３４１６は、ローカルバス３４０５に接続することができる（例えば、アドイン拡張スロットに挿入されたボードによって）。

ユーザインターフェースアダプタ３４１２は、キーボード３４１３およびマウス３４１４、モデム（図示せず）、および追加のメモリ（図示せず）のための接続を提供することができる。Ｉ／Ｏアダプタ３４３０は、ハードディスクドライブ３４３１、テープドライブ３４３２、およびＣＤ−ＲＯＭドライブ（図示せず）への接続を提供し得る。

オペレーティングシステムは、１つまたは複数のプロセッサ３４１５上で実行され得、コンピュータシステム３４００内の様々なコンポーネントの制御を調整および提供するために使用され得る。図５では、オペレーティングシステムは、市販のオペレーティングシステムであり得る。オブジェクト指向プログラミング・システム（例えば、Ｊａｖａ（登録商標）、Ｐｙｔｈｏｎ等）は、オペレーティングシステムと連動して実行し、システム３４００上で実行する１つまたは複数のプログラム（例えば、Ｊａｖａ（登録商標）、Ｐｙｔｈｏｎなど）からオペレーティングシステムへの呼び出しを提供することができる。オペレーティングシステム、オブジェクト指向オペレーティングシステムに対する命令、及びプログラムは、ハードディスクドライブ３４３１などの不揮発性メモリ３４３５ストレージデバイス上に配置することができ、プロセッサ３４１５によって実行するために揮発性メモリ３４２０にロードされ得る。

当業者は、図５のハードウェアが、実装によって異なる場合があることを理解するだろう。フラッシュＲＯＭ（または同等の不揮発性メモリ）または光ディスクドライブなどの他の内部ハードウェアまたは周辺機器を、図５に示すハードウェアに加えて、またはその代わりに使用することができる。また、本開示のプロセスのいずれも、マルチプロセッサコンピュータシステムに適用され得るか、または複数のこのようなシステム３４００によって実行され得る。例えば、視覚システム１１０の訓練は、第１のコンピュータシステム３４００によって実行され得、一方、仕分けのための視覚システム１１０の動作は、第２のコンピュータシステム３４００によって実行され得る。

別の例として、コンピュータシステム３４００は、コンピュータシステム３４００が何らかのタイプのネットワーク通信インターフェースを含むかどうかにかかわらず、あるタイプのネットワーク通信インターフェースに依存せずに起動可能であるように構成されたスタンドアロンシステムであり得る。さらなる例として、コンピュータシステム３４００は、オペレーティングシステムファイルまたはユーザー生成データを格納する不揮発性メモリを提供するＲＯＭおよび／またはフラッシュＲＯＭで構成される組み込みコントローラであり得る。

図５に示される例および上記の例は、アーキテクチャ上の制限を意味するものではない。また、本開示の態様のコンピュータプログラムの形態は、コンピュータシステムによって使用される任意のコンピュータ可読記憶媒体（すなわち、フロッピー（登録商標）ディスク、コンパクトディスク、ハードディスク、テープ、ＲＯＭ、ＲＡＭなど）上に存在してもよい。

本明細書全体を通して「実施形態」、または同様の言語への言及は、実施形態に関連して説明される特定の特徴、構造、または特性が、本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、「一実施形態において」、「実施形態において」、「実施形態」、「特定の実施形態」、「様々な実施形態」という用語の出現、および本明細書全体にわたる同様の文言は、必ずしもそうではないが、すべてが同じ実施形態を示す場合がある。さらに、本開示の記載された機能、構造、態様、および／または特徴は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。対応して、特徴が最初に特定の組み合わせで作用するように記載された場合であっても、いくつかのケースでは記載された組み合わせからの１つのまたは複数の特徴は、組み合わせから削除することができ、記載された組み合わせは、サブコンビネーション又はサブコンビネーションの変形を導くことができる。

利点、好都合点、および問題の解決策は、特定の実施形態に関して上記で説明されている。ただし、利点、好都合点、問題の解決策、および利点、好都合点、または解決策を発生させたり、より顕著にする可能性のある要素は、いずれかまたはすべてのクレームにおいて重要、必須、または重要な機能または要素として解釈されない場合がある。さらに、本明細書に記載されている構成要素は、本質的または重要であると明示的に記載されていない限り、本開示の実施に必要とされない。

本開示を読んだ当業者は、本開示の範囲から逸脱することなく、実施形態に変更および修正を加えることができることを認識するであろう。本明細書に示され、説明される特定の実装は、本開示およびその最良のモードを例示するものであり得、他の方法で本開示の範囲を制限することを意図するものではないことを理解されたい。その他のバリエーションは、以下の特許請求の範囲内である可能性がある。

この明細書には多くの詳細が含まれているが、これらは、開示の範囲または主張できるものの制限として解釈されるべきではなく、むしろ開示の特定の実装に固有の特徴の説明として解釈されるべきである。本書の見出しは、開示、開示の実施形態、または見出しの下で開示されたその他の事項を制限することを意図するものではない場合がある。

本明細書において、「または」という用語は、包括的であることを意図することができ、「ＡまたはＢ」は、ＡまたはＢを含み、また、ＡおよびＢの両方を含む。本明細書で使用される場合、「および／または」という用語は、構成要素のリストの文脈で使用される場合、単独でまたは組み合わせて存在する構成要素を指す。したがって、例えば、表現「Ａ、Ｂ、Ｃ、および／またはＤ」は、個々にＡ、Ｂ、Ｃ、及びＤを含むだけでなく、Ａ、Ｂ、Ｃ、及びＤ任意の及び全ての組み合わせとサブコンビネーションを含む。

本明細書で使用される用語は、特定の実施形態を説明することのみを目的としており、本開示を限定することを意図するものではない。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が明確に別段の指示をしない限り、複数形も含むことを意図することができる。

以下の特許請求の範囲におけるすべての手段またはステッププラス機能要素の対応する構造、材料、行為、および同等物は、具体的に請求される他の請求された要素と組み合わせて機能を実行するための任意の構造、材料、または行為を含むことを意図し得る。

識別された特性または状況に関して本明細書で使用される場合、「実質的に」「略」は、識別された特性または状況を測定可能に損なうことがない十分に小さい逸脱の程度を指す。許容される正確な偏差の程度は、特定の状況によって異なる場合がある。

本明細書で使用される場合、複数のアイテム、構造要素、構成要素、および／または材料は、便宜上、共通のリストに提示され得る。ただし、これらのリストは、リストの各メンバーが個別の一意のメンバーとして個別に識別されているかのように解釈する必要がある。したがって、このようなリストの個々のメンバーは、反対の指示なしに、共通のグループでの提示のみに基づいて、同じリストの他のメンバーと事実上同等であると解釈されるべきではない。

別段の定義がない限り、本明細書で使用されるすべての技術用語および科学用語は、現在開示されている主題が属する当業者に一般に理解されているのと同じ意味を有する。本明細書に記載されているものと類似または同等の任意の方法、装置、および材料を、現在開示されている主題の実施または試験に使用することができるが、代表的な方法、装置、および材料を次に説明する。

特に明記しない限り、本明細書および特許請求の範囲で使用される成分の量、反応条件などを表すすべての数字は、すべての場合において「約」という用語によって変更されるものとして理解されるべきである。したがって、特に断らない限り、本明細書および添付の特許請求の範囲に記載された数値パラメータは、本明細書に開示の主題によって得ようとする所望の特性に応じて変化し得る近似値である。本明細書で使用される場合、「約」という用語は、値または質量、重量、時間、体積、濃度またはパーセンテージを指す場合、いくつかの実施形態では±２０％、いくつかの実施形態では±１０、いくつかの実施形態では±５％、いくつかの実施形態では±１％、いくつかの実施形態では±０．５％、およびいくつかの実施形態では±０．１％の変動を包含することを意味し、このような変動は、開示された方法を実行するために適切である。

１００ 機械学習システム
１０１ スクラップ片
１０２ シュート
１０３ コンベヤシステム
１０４ 駆動モーター
１０５ ベルト速度検出器
１０６ 受動シンギュレータ
１０７ コンピュータシステム
１０８ 自動化制御システム
１１０ 視覚システム
１２６、１２７、１２８、１２９ 仕分け装置
１３６、１３７、１３８、１３９ 仕分け容器

Claims (20)

1. カメラを通過する流れにおいて移動する材料の異種混合物の各一片の画像データをカメラによって取り込むステップであって、前記材料の異種混合物の前記材料は、１または複数の異なる幾何学的形状を含む様々な異なる形状を有する、ステップと、
   １または複数の指定された幾何学的形状を有する前記材料を第１分類に分類するステップと、
   前記１または複数の指定された幾何学的形状を有さない前記材料を第２分類に分類するステップと、
   自動仕分け装置によって、前記第１分類に分類された前記材料を前記第２分類に分類された前記材料から仕分けるステップと、
   を備える方法。
2. 前記１または複数の異なる幾何学的形状が円を含む、請求項１に記載の方法。
3. 前記１または複数の異なる幾何学的形状が多角形を含む、請求項１に記載の方法。
4. 円形を有し、かつまた形成された孔を有する材料が前記第２分類に分類される、請求項１に記載の方法。
5. 前記指定された幾何学的形状を有する前記材料が貨幣コインを含む、請求項１に記載の方法。
6. 前記第１分類が貨幣コインおよび指定された宝石である、請求項１に記載の方法。
7. 所定の大きさ未満の大きさを有する前記材料の異種混合物を生成するために、前記画像データを取り込む前に材料のバルクがふるいを通るステップをさらに備える、請求項１に記載の方法。
8. カメラを通過する流れにおいて移動する材料の異種混合物の各一片の画像データを取り込むよう構成されたカメラであって、前記材料の異種混合物の前記材料が１または複数の異なる閉じた幾何学的形状を含む様々な異なる形を有する、カメラと、
   指定された閉じた幾何学的形状を有する前記材料を第１分類に分類するよう構成された回路と、
   前記指定された閉じた幾何学的形状を有さない前記材料を第２分類に分類するよう構成された回路と、
   前記第１分類に分類された前記材料を前記第２分類に分類された前記材料から仕分けるよう構成された自動仕分け装置と、
   を備えるシステム。
9. 前記指定された閉じた幾何学的形状を有する前記材料が円形状を有する、請求項８に記載のシステム。
10. 円形を有し、かつ形成された孔を有する材料を前記第２分類に分類するよう構成された回路をさらに備える、請求項９に記載のシステム。
11. 前記画像データを取り込む前に、所定の大きさ未満の大きさを有する前記材料の異種混合物を分離するためのふるいをさらに備える、請求項８に記載のシステム。
12. 前記１または複数の異なる閉じた幾何学的形状が円を含む、請求項８に記載のシステム。
13. 前記１または複数の異なる閉じた幾何学的形状が多角形を含む、請求項８に記載のシステム。
14. 前記第１分類が貨幣コインである、請求項９に記載のシステム。
15. 前記材料の異種混合物がゾルバを含む、請求項８に記載のシステム。
16. 前記材料の異種混合物が使用済み自動車からのスクラップを含む、請求項８に記載のシステム。
17. 実行されると仕分けのために材料を分類する方法が実行されるコンピュータ可読記憶媒体に格納されたコンピュータプログラム製品であって、
    視覚システムカメラを通過する流れにおいて移動する材料の異種混合物の各一片の画像データを受けとるステップであって、前記材料の異種混合物の前記材料が１または複数の異なる閉じた幾何学的形状を含む様々な異なる形を有する、ステップと、
    指定された閉じた幾何学的形状を有する前記材料を貨幣コインとして指定された第１分類に分類するステップと、
    前記指定された閉じた幾何学的形状を有さない前記材料を第２分類に分類するステップと、
    分類に関する情報を自動仕分け装置に送るステップであって、その結果、前記自動仕分け装置が前記第１分類に分類された前記材料を前記第２分類に分類された前記材料から仕分けることができ、前記１または複数の異なる閉じた幾何学的形状は、円および多角形からなるグループから選択される、ステップと、
    を含むコンピュータプログラム製品。
18. 円形を有し、かつまた形成された孔を有する材料が前記第２分類に分類される、請求項１７に記載のコンピュータプログラム製品。
19. 電気ボックスノックアウトからなる材料が前記第２分類に分類される、請求項１７に記載のコンピュータプログラム製品。
20. 前記材料の異種混合物が使用済み自動車からのスクラップを含む、請求項１７に記載のコンピュータプログラム製品。

Images