JP5988242B2

JP5988242B2 - 小型電気製品の識別方法及び選別装置

Info

Publication number: JP5988242B2
Application number: JP2012168516A
Authority: JP
Inventors: 茂樹古屋仲; 賢一郎小林
Original assignee: National Institute of Advanced Industrial Science and Technology AIST
Current assignee: National Institute of Advanced Industrial Science and Technology AIST
Priority date: 2012-07-30
Filing date: 2012-07-30
Publication date: 2016-09-07
Anticipated expiration: 2032-07-30
Also published as: JP2014024048A

Description

本発明は、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品をリサイクルする際に、Ｔａ(タンタル)などの希少金属含有量が比較的多い製品と比較的少ない製品を人手によらず自動で識別する方法及び選別する装置に関する。

現在、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品のリサイクルについては、回収業者などによって集められた製品を解体・選別・破砕してＦｅ、Ａｌ、Ｃｕ等のベースメタルやＡｕ、Ａｇ等の貴金属のマテリアルリサイクルが行われている。貴金属を含む電子基板類は焼却してプラスチックなどの有機物を除いた後、残渣を非鉄製錬所に原料として販売し、有価金属を回収する方法が取られている。
このような金属のリサイクル方法では、Ｃｕや貴金属は容易に回収可能であるが化学的にＣｕより卑な多くの希少金属は製錬時にスラグに取り込まれるため回収は不可能である。このため、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品に含まれる希少金属類をリサイクルするには、非鉄製錬所へ供給する前の中間処理の段階で希少金属類を多く含む電子部品などを分離し、従来の非鉄製錬とは異なるプロセスで処理する必要がある。例えば、特許文献１に記載されているように、電子基板に実装されている部品を表面破砕等の手段により基板から取り外して、大きさや比重の違いに応じてタンタルコンデンサのみを分離・濃縮することで、Ｔａに特化した製錬工程に供することが可能となる。

タンタルコンデンサは小型で大容量を持つという特徴から、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの小型電気製品に採用されてきたが、製品1台あたりに使用されるタンタルコンデンサの個数は個別の製品によって大きく異なっており、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの小型電気製品からＴａを回収してリサイクルを行う上で、Ｔａ含有量の大きく異なる機種を一括して処理することは非効率であり、事前にＴａの含有量に応じて製品を選別して、Ｔａを多く含有する機種のみを対象にしてＴａの回収を目的とする中間処理を施すことが合理的である。

特開２０１０−２１４３５２号公報特開平７−３３４５８３号公報(特許第３３４４８４５号) 特開平５−２２１３５２号公報特開２０００−２４１１４１号公報特開平１０−２５５０４６号公報特開２０１０−１７２７９９号公報

ＪｏｕｒｎａｌｏｆＭＭＩＪ、Ｖｏｌ.１２５、Ｎｏ.２、ｐｐ.７５−８０、(２００９年) ＪｏｕｒｎａｌｏｆＭＭＩＪ、Ｖｏｌ.１２６、Ｎｏ.３、ｐｐ.９５−１０２、(２０１０年)

このような目的で小型電化製品等を選別する手段としては、Ｘ線を照射して発生する蛍光Ｘ線のエネルギーと強度を測定して存在する元素の種類や濃度を検知する方法が考えられるが、この方法では表面に露出していない元素は検知できない。Ｘ線の透過率を測定する方法も考えられるが、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品の電子基板に実装されている微細な部品の検知は困難である。
使用済みの廃製品に表示してある製品情報を目視にて読み取り人手によって選別する方法では作業効率が悪くコスト高となる。例えば、特許文献２に記載されているように、製品に貼付してあるバーコードから製品情報を読み取って自動選別する方法も考えられるが、バーコードやラベルの表示がない製品や、回収時に表面に汚れ等が付着した製品には対応できない。また、個々の製品とＴａの含有量の関係が明確でない場合、どのような基準で選別すればよいかわからないといった問題がある。
また、特許文献３に記載されているように、製品仕様の情報を予めＩＤタグやＩＣチップ等に記憶させ、リサイクルの際に情報を読み込んで選別する方法も考えられるが、現在回収されている使用済み携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの小型電気製品ではそのような機能は盛り込まれておらず利用できない。

そこで、本発明の第一の目的は、現在回収されている携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品をＴａの含有量に応じて選別するために最適な判断基準を提供することにある。
非特許文献１では、市民から回収した使用済み携帯電話１８台を１９９７年、２００２年〜２００３年、２００５年〜２００６年の３つの製造年代に分別してそれぞれの材料組成を分析し、タンタルコンデンサの電子基板への実装個数が減少傾向にあることを記載している。しかし、分析を行ったサンプル数と製造年代の区分数が少ないために判断基準は必ずしも明確ではない。また、非特許文献２では、１９９６年から２００６年に製造された３.５インチの使用済みＨＤＤの基板に実装されたタンタルコンデンサについて、同様の考察が記載されている。
仮に、こうした判断基準が定まったとしても、その違いをどのように識別するかという問題がある。携帯電話は形状・寸法が類似しているにも関わらず機種が異なるものが多く、同じ機種でも異なる塗装色のものが多数存在する。使用済み携帯電話の表面にはシールが貼られたり、細かな傷などが生じたりしているものも多い。こうしたことから、通常の２次元の画像処理を用いた方法では正確な識別は困難である。
特許文献４では、任意の３次元形状の物体が予め準備された複数の３次元形状のどれに相当するか、２つの形状間に働く仮想的な引力とモーメントを計算し仮想空間での姿勢を修正しつつ両形状の一致度の度合いを計算することで識別を可能としている。しかし、本発明が識別対象とするＴａの含有量が比較的多い携帯電話には非常に多くの機種があり、前記のように使用済み携帯電話の形状は使用前とは異なる場合もあるので、実状に応じ膨大な数の３次元形状の組み合わせについて逐一マッチング処理しなければならず煩雑な演算処理を伴う。
特許文献５では、対象物の重量値と相異なる位置から撮影する複数の画像撮影手段によって対象物の幅、奥行き、高さの寸法を計測し、最も長い寸法、二番目に長い寸法、重量値、密度値のそれぞれに閾値を設定することで、廃家電と自動販売機の識別を可能としている。しかし、携帯電話のように形状や重量が類似している製品に対しては、このような単純化された計算方法では正確な識別は困難である。
一方、本出願人は、先に、ニューラルネットワークを用いて識別に要する演算処理時間を短縮した識別方法を提案している(特許文献６参照)。
そこで、本発明の第二の目的は、現在回収されている使用済み携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの小型電気製品をＴａの含有量に応じて自動選別するための簡易かつ高精度な識別方法ならびに選別装置を提供することにある。

上記課題を解決するために、本発明は、２００４年以前に発売されたことが既知である複数の使用済み小型電気製品と２００５年以降に発売されたことが既知である複数の使用済み小型電気製品小型電気製品を用いて予めデータベースを作成したニューラルネットワークの出力値を比較して識別する識別手段により、２００４年以前に発売された小型電気製品をＴａ含有量の多い使用済み小型電気製品と判断し、２００５年以降に発売された小型電気製品をＴａの含有量の少ない使用済み小型電気製品と判断することを特徴とする使用済み小型電気製品の識別方法である。
また、本発明は、前記使用済み小型電気製品の識別方法において、前記識別手段は、使用済み小型電気製品の重量を測定する重量計と、使用済み小型電気製品の３次元形状を測定する３次元形状計測器と、測定結果に基づいて演算処理を行う制御装置を用い、重量計及び３次元形状測定器で得られた、重量、体積、面積、縦長、横長、最大高、重心点高の測定値を用いて算出される複数の変数を入力したニューラルネットワークの出力値を比較することにより、２００４年以前に発売された小型電気製品をＴａ含有量の多い使用済み小型電気製品であるか、２００５年以降に発売された小型電気製品をＴａの含有量の少ない使用済み小型電気製品であるかを判断し、前記ニューラルネットワークの構造は、予め、２００４年以前に発売されたことが既知である複数の使用済み小型電気製品と２００５年以降に発売されたことが既知である複数の使用済み小型電気製品を用いて、上記複数の変数に関するデータベースを作成しておくことを特徴とする。
また、本発明は、使用済み小型電気製品を供給する供給装置と、供給装置から供給された使用済み小型電気製品を搬送する搬送手段と、搬送途中の小型電気製品の重量、体積、面積、縦長、横長、最大高、重心点高を測定する重量計及び３次元形状測定器と、演算手段を有する制御装置を備えた使用済み小型電気製品の選別装置であって、前記制御装置は、前記重量、体積、面積、縦長、横長、最大高、重心点高を用いて算出した複数の変数を入力したニューラルネットワークの出力値を比較することにより２００４年以前に発売された小型電気製品であってＴａ含有量の多い使用済み小型電気製品であるか、２００５年以降に発売された小型電気製品であってＴａの含有量の少ない使用済み小型電気製品であるかを判断するとともに、前記ニューラルネットワークの構造は、予め、２００４年以前に発売されたことが既知である複数の使用済み小型電気製品と２００５年以降に発売されたことが既知である複数の使用済み小型電気製品を用いて、前記複数の変数に関するデータベースを作成しておき、２００４年以前に発売された小型電気製品であると判断された使用済み小型電気製品をＴａ含有量の多い使用済み小型電気製品として分別回収することを特徴とする使用済み小型電気製品の選別装置である。

本発明の使用済み小型電気製品の識別方法及び選別装置を用いることで、以下のような顕著な効果が生じる。
従来技術では効率的な識別が困難であったＴａなどの希少金属を比較的多く含有している携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品とそれ以外の携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの使用済み小型電気製品を人手によらず低コストで自動選別することが可能である。
また、本発明によれば、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの使用済み小型電気製品の表面の汚れや傷などの影響を受けずに小型電気製品を識別できる。
また、本発明では、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの使用済み小型電気製品のように形状や重量が類似している製品の識別が可能であり、識別のため演算処理が比較的容易に行えるという利点がある。

図１は、本発明による選別装置を使用済み携帯電話に適用した例の全体構成を示す図。図２は、図１の選別装置で用いる、使用済み携帯電話を識別するニューラルネットワークモデルの一例を示した図。図３は、識別アルゴリズムの一例を示した図。図４は、変数の積算頻度分布の一例を示した図。

本発明の携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの、多くの使用済み小型電気製品の識別方法及び選別装置で用いる判断基準について説明する。
表１は、使用済み携帯電話に使用されているタンタルコンデンサの個数を示した表であり、１９９８年〜２００７年に発売された携帯電話製品４９機種を実際に解体して内部の電子基板に搭載されているタンタルコンデンサの個数を発売年別に調査した結果である。２００５年以降に発売された機種については、１台あたり平均で４個以下しか搭載されておらず、２００４年以前に発売された機種と比較して１/３以下に急減していることが分かる。これは２０００年頃に生じたＴａの原料不足と価格暴騰を契機として、各製造メーカが開始したタンタルコンデンサからセラミックコンデンサへの代替設計が２００５年頃に急速に進展したことを反映していると考えられる。従って、２００４年以前に発売された機種をＴａ含有量の多い携帯電話として判断するのが妥当である。(なお、２００４年以前に発売された機種の中には、２００５年以降も継続して製造・販売された機種が存在しているため、この発売時期は製造時期や販売時期とは必ずしも一致しない。)
また、表１は使用済み携帯電話について調査した結果であるが、２０００年頃に生じたＴａの原料不足と価格暴騰を契機として、各製造メーカが開始したタンタルコンデンサからセラミックコンデンサへの代替設計が２００５年頃に急速に進展したことを反映していると考えられることから、携帯電話以外の、ＨＤＤ(ハードディスク装置)やデジタルカメラなどの小型電気製品についても、同様に、２００４年以前に発売された機種をＴａ含有量の多い小型電気製品として判断するのが妥当である。
以上の通り、携帯電話、ＨＤＤ(ハードディスク装置)、デジタルカメラなどの小型電気製品には、１台当たりのタンタルコンデンサ使用数が平均で４個を超えるＴａ含有量の多い小型電気製品Ａと、１台当たりのタンタルコンデンサ使用数が平均で４個以下のＴａ含有量が少ない小型電気製品Ｂとが存在する。

次に、本発明に係る使用済み小型電気製品の選別装置について、使用済み携帯電話を例にとって、図面を参照しながら以下に説明する。
図１に、本発明による使用済み携帯電話の選別装置の一実施形態を示す。使用済みの携帯電話１を供給する供給装置２、供給装置２から供給された携帯電話１を搬送するベルトコンベア３、５、携帯電話１の重量を測定する重量計４、フォトセンサ６、レーザー３次元計測器７、及び分別機構(ソーティングパドル等)１０を備え、これらの動作を制御装置１１によって統括制御を行うように構成されている。なお、単位時間当たりの処理量をさらに増やす必要がある場合は、本図に示したラインを複数並行に配置して同時に動作させる。
使用済みの携帯電話１は、供給装置２からベルトコンベア３に個別に供給され、重量計４に達した際にまず重量が測定され、その結果が制御装置１１に送られる。続いて、フォトセンサ６によって携帯電話１を検知すると、その検知信号を受けて、上方に吊り下げられたレーザー３次元計測器７が動作し、携帯電話１の３次元形状が計測される。
制御装置１１において、重量計と３次元形状に関する情報を変数とする演算処理によって携帯電話１の識別を行う。このときのアルゴリズムについては後記する。識別を終えた携帯電話１はその結果に基づいて、分別機構１０によって落下位置を制御され、それぞれ各回収容器８、９に収納される。本図では分別機構として円周方向の回転角度が制御可能なソーティングパドルを用いているが、圧縮空気の噴射、あるいは空気圧などで動作するアクチュエータを用いてもよい。
レーザー３次元計測器７は、一定方向に移動する物体をフォトセンサ６で検出すると、瞬時に横幅２５ｃｍ程度のスリット状のレーザー光を斜め前方から照射し、物体表面での反射光ラインの高さ方向の位置変化をＣＣＤによって検出する、いわゆる光切断法によって３次元形状をデジタルデータとして記録する。
本装置において識別に用いる測定値は、重量、体積、鉛直上方への投影面積(以下、「面積」と表記)、縦長(縦方向長、すなわち、前記投影面積のベルトコンベアの搬送方向に沿った最大長)、横長(横方向長、すなわち、前記投影面積のベルトコンベアの幅方向の最大長)、最大高、鉛直上方への投影面の重心点(すなわち、投影面積の面心点に同じ)の高さ(以下、「重心点高」と表記)である。

次に、本発明で用いる識別アルゴリズムの設定について説明する。
使用済み携帯電話の識別を行うにあたっては、まず、予め発売年が２００４年以前に発売されたものか、２００５年以降に発売されたものかが既知である代表的な複数のサンプルを抽出して繰り返し測定を行い、重量、体積、面積、縦長、横長、最大高、重心点高の測定値を用いて算出される、表２に示す１３通りの変数値Ｘ₁〜Ｘ₁₃についてのデータベースを作成する。このとき、ある携帯電話を測定したときに得られる１３個の変数値の組み合わせを１ケースとしてデータベースに登録する。なお、表２では１３の変数値を考えたが、これら１３の変数値に限定されるものではなく、他の変数値を用いてもよい。

これらの変数値Ｘ₁〜Ｘ₁₃は、携帯電話の３次元形状の他に、搬送方向に対する携帯電話の配置にも依存し、同一の携帯電話でも配置が異なる場合は異なる値を取るので、携帯電話１台あたり少なくとも裏表、前後方向の異なる４通り(望ましくは各２回ずつ計８通り)のケースデータを登録する。
次に、データベースに登録した全ケースをいずれかの変数値Ｘの大きさの順にソートし、Ｘについて適当な閾値を設定して複数のケース群にグループ分けする。
変数値Ｘの大きさに従ってグループ分けされた各ケース群に対し、ニューラルネットワークを適用して、あるケースとして測定される携帯電話が、２００４年以前に発売されたもの(以下、「携帯Ａ」と表記)なのか、あるいは２００５年以降に発売されたもの(以下、「携帯Ｂ」と表記)なのかを識別するためのアルゴリズムを予め決定する。

ニューラルネットワーク自体の詳細は、例えば「ニューロコンピュータ工学ｐ３１〜ｐ７５、工業調査会(１９９２)」に示されているが、その概要は、次の通りである。ニューラルネットワークは、人間の脳の構造を真似て作った情報処理の手法である。ニューラルネットワークを用いる場合は、変数間の関係を見つけるためのデータ(本発明では「ケース群」に相当)を用意して、このデータを用いてニューラルネットワークを学習し、その後、変数データを入力してニューラルネットワークの出力から結果を解釈するという手順を取る。
ニューラルネットワークの優れた点として、任意の関数関係のモデル化が可能であり、一度の計算で２つ以上のグループに識別できる点が挙げられる。また、いったん学習が終了したニューラルネットワークでも学習データを追加して再学習させると、識別性能を向上させることができる。

ニューラルネットワークにはいくつかのモデルが存在し、いずれのモデルを用いても識別は可能であるが、ここでは最も一般的な階層型モデルを用いた例について説明する。
図２は、使用済み携帯電話を携帯Ａと携帯Ｂの２種に識別するためのニューラルネットワークの例である。この場合、入力層には、変数値Ｘ₁〜Ｘ₁₃に対応する１３のユニットを設定し、出力層には携帯Ａと携帯Ｂに対応する２つユニットを設定する。また識別するケース群の特性に応じて複数個のユニットを中間層に設定する。これらのユニット間を重みを持つネットワークを介して結合する。
ここで、入力層には、下記の(式１)を用いて０〜１の間に正規化した変数値Ｘ₁〜Ｘ₁₃を入力する。中間層の各ユニットにおいては、入力層の各ユニットからの入力値に重みを掛けて総和を取り、Ｓ字状の非線形関数(シグモイド関数)に基づく閾値に応じて、０〜１の値を出力層の各ユニットに出力する。出力層の各ユニットにおいてもこれと同様の計算によって０〜１の値を出力する。
ニューラルネットワークの学習においては、下記の(式１)を用いて変数値Ｘ_１〜Ｘ_１３を正規化した各ケースデータに、携帯Ａの場合は(１、０)、携帯Ｂの場合は(０、１)の２つの整数値(教師信号)を追加した全１５個の変数を用いて、誤差逆伝播法によりユニット間の結合の重みを修正し、ニューラルネットワークを最適化する。
誤差逆伝播法の詳細については、「ニューロコンピュータ工学ｐ４６〜ｐ４９、工業調査会(１９９２)」に示されている。誤差逆伝播法における学習回数、許容誤差、補習回数等の条件設定が問題となるが、これらは対象となるケース群の性質に応じて決定する。
学習したニューラルネットワークに下記の(式１)を用いて正規化した変数データＸ₁〜Ｘ₁₃を入力して計算を実行したとき、出力層に(ｙ₁、ｙ₂)の２つの値を得たとする。このときｙ₁〜ｙ₂を比較して、ｙ₁の方か大きい場合は携帯Ａ、ｙ₂の方が大きい場合は携帯Ｂと識別する。このように、ニューラルネットワークを用いると出力層に出力される２つの数値から直ちに携帯電話の種別が決定される。

正規化後の値＝(正規化前の値−最小値)／(最大値−最小値) …(式１)

(ここで、式１中の最大値と最小値は、予めデータベースに登録した各変数の最大値と最小値を示す。)

識別の対象となるケースデータ数が少数の場合は、一個のニューラルネットワークによっても携帯電話の種別の識別が可能である。しかし、そのケースデータが大量に存在する場合、１個のニューラルネットワークでは正確な識別は不可能である。ニューラルネットワークを複数個設定することで精度を高めることが可能である。以下にその設定方法について説明する。
図３に示すように、面積値が閾値ｍより大きなグループに移行したケース群については、ニューラルネットワーク１によって計算処理を行う。前記の方法によって、階層型モデルを設定し、対象ケース群を学習させることで、最適なニューラルネットワーク構造(中間層ユニット数、ユニット間の結合の重みと閾値)を決定する。
同様に面積値が閾値ｍより小さなグループに移行したケース群についても、ニューラルネットワーク２において、これと同様の計算処理を行う。このように、ニューラルネットワーク１とニューラルネットワーク２では、解析の対象となるケースデータの“メンバー”が異なるので、これらを分離するためのニューラルネットワーク構造も当然異なることになる。
これと異なる見掛け密度区間に属するケース群についても、まったく同様の手順で面積値の閾値ｍ、ならびに最適なニューラルネットワーク構造を設定し、携帯の識別に至るアルゴリズムを決定する。
このように決定した見掛け密度の閾値ならびに面積値の閾値を制御装置に記憶させる。また、すべてのニューラルネットワーク構造を制御装置に記憶させる。
以上の準備が終了後、種別が未知の試料を搬送して識別を行う。重量計と３次元計測器で得られる測定値を用いて、事前に設定した閾値と比較することによってアルゴリズムを分岐し、最終的にニューラルネットワークによって携帯電話を識別する。

上記識別手段によって、使用済み携帯電話の識別が可能となる理由(特に形態の種別と形状パラメータの関係について)をさらに補足して説明する。
図４は、使用済み携帯電話回収業者から入手した携帯電話７５機種(携帯Ａ３５機種、携帯Ｂ４０機種(スマートフォン１機種を含む))について、コンベア上での配向が異なる状態で各携帯電話について８回ずつ測定した際の見掛け密度(Ｘ₁)、面積(Ｘ₃)、最大高(Ｘ₆)、面積／(縦長・横長)(Ｘ₁₀)の積算頻度分布(個数基準)を示している。なお、ここで識別の対象とした携帯電話はすべて電池が取り外された状態のものである。
本図から、２００５年以降に発売された機種(携帯Ｂ)は２００４年以前に発売された機種(携帯Ａ)と比較して、大きな値の見掛け密度を持つものが多いことが分る。これは、液晶サイズの増大によるガラス重量の増加や電子部品類を実装する際の高密度化に起因するものと考えられる。また、面積と最大高のグラフから、２００５年以降に発売されたものは２００４年以前に発売されたものと比較して、面積は大きくなり、高さ(厚さ)は薄くなる傾向を持つことが分る。面積／(縦長・横長)のグラフで携帯Ａと携帯Ｂの分布に顕著な違いが見られるのは、２００４年以前に発売されたものには細長い棒状のものが比較的多く見られることによる。
表３は、図４に示したデータを含むすべての変数の平均値と分散を示している。また、携帯Ａと携帯Ｂの間でこれら平均値に有意差が存在するか否かを統計学的手法(ｔ検定)によって調べた結果を示している。ｔ検定の詳細については、「入門数理統計学ｐ２５７〜ｐ２６９、培風館(１９７８)」に示されている。
ｔ検定は２つの母集団がいずれも正規分布に従うと仮定した上で、母集団の平均値の差が偶然誤差の範囲内にあるかどうかを調べる方法である。平均値に有意差がないという仮説が起こる確率Ｐが、ｔ分布において外側５％の範囲にあれば平均値に有意差があるとみなすことができ、その数値は同一母集団からの標本ではないと判断される。

表３を見ると１３個の変数のうち９つの変数についてＰ＜０.０５となることが分る。すなわち、本表に示した半数以上の変数について携帯Ａと携帯Ｂの平均値には有意差があると認められる。このことは、携帯Ａと携帯Ｂの３次元形状には統計的に見て何らかの相異が存在することを示唆している。本発明では、このような変数で表した３次元形状の違いをニューラルネットワークによってその特徴を上手く抽出することで携帯電話の識別を可能としている。

上記で一例として説明した使用済み携帯電話の選別装置を用いて、使用済み携帯電話の回収業者から入手した携帯電話１３４機種を２００４年に発売されたもの(携帯Ａ)と２００５年以降に発売されたもの(携帯Ｂ)に自動選別する試験を実施した。
まず、インターネット情報等で調べた各機種の発売時期に基づき、携帯Ａと携帯Ｂに手作業で分別した。携帯Ａは７０機種、携帯Ｂは６４機種が存在することが確認された。このうち、携帯Ａから３５機種、携帯Ｂから４０機種を抽出し、データベース作成用の試料とした。図１の装置を用いて携帯電話の配向を変えながら各８回測定を繰り返し、表２に示した１３の変数についてのデータベースを作成した。データベースに登録したサンプル数は、携帯Ａは２８０ケース、携帯Ｂは３２０ケースである。
識別アルゴリズムは図３と同様のものとし、見掛け密度を７区間に分割、両端の区間を除く各区間において、面積の閾値ｍを４４〜４９範囲内に設定して２つのグループに分割し、各グループに対してニューラルネットワークを適用することによって種別を識別する形式とした。このとき１つのニューラルネットワークあたりのケースデータ数は５０〜７０個程度であった。
その後、データベースに未登録の携帯電話５９機種(携帯Ａ３５機種、携帯Ｂ２４機種)について、配向を変えながら各８回測定を行い、識別の的中率を調べた結果を表４に示す。

１回目の試験では７５〜７８％の選別的中率を示した。次に、的中しなかったケースデータのみを抽出してデータベースに追加し、各ニューラルネットワークを再学習させて選別試験を再度実施したところ、２回目の試験では８２〜８５％の的中率を示した。さらに、この作業を繰り返して３回目の試験を実施したところ、いずれも９０％以上の的中率で選別が可能であった。このとき携帯電話１台当たりの選別に要する時間は１秒以下であり、手作業による選別と比較して圧倒的に高効率な選別が可能であった。

以上説明したとおり、使用済み小型電気製品の中間処理施設において、解体あるいは破砕工程の前に、本発明による選別装置を配置して、Ｔａを比較的多く含有している２００４年以前に発売された機種のみを選別することにより、後段でのＴａの回収を目的とする中間処理工程をより効率的に行うことが可能となる。
なお、後段でのＴａの回収には、例えば、本出願人が先に出願した特許文献１記載の技術を用いればよい。

Claims

１台当たりのタンタルコンデンサ使用数が平均で４個を超える複数の小型電気製品Ａ及び１台当たりの前記タンタルコンデンサ使用数が平均で４個以下である複数の小型電気製品Ｂの各小型電気製品のデータを登録可能なデータベースと、前記データベースに登録された前記データにより学習可能とされ、出力値の比較により、前記小型電気製品を前記小型電気製品Ａと前記小型電気製品Ｂとに識別するニューラルネットワークと、を有する識別手段に対して、
識別前の前記小型電気製品の前記データを前記ニューラルネットワークに入力して、前記小型電気製品を前記小型電気製品Ａと前記小型電気製品Ｂとに識別をさせることを特徴とする小型電気製品の識別方法。
前記識別手段は、更に、前記小型電気製品の重量を測定する重量計及び前記小型電気製品の３次元形状を測定する３次元形状測定器の測定値から決定される複数の変数を前記データとして前記データベースに入力するとともに前記ニューラルネットワークに入力する制御装置を有することを特徴とする請求項１記載の小型電気製品の識別方法。
前記変数が、重量／体積で表される見掛け密度、面積、最大高、及び面積／（縦長・横長）を含む請求項２に記載の小型電気製品の識別方法。
１台当たりのタンタルコンデンサ使用数が平均で４個を超える複数の小型電気製品Ａ及び１台当たりの前記タンタルコンデンサ使用数が平均で４個以下の複数の小型電気製品Ｂの各小型電気製品を供給する供給装置と、
前記供給装置から供給された前記小型電気製品を搬送する搬送手段と、
前記搬送手段により搬送途中の前記小型電気製品の重量、体積、面積、縦長、横長、最大高、重心点高を測定する重量計及び３次元形状測定器と、
前記小型電気製品のデータを登録可能なデータベースと、前記データベースに登録された前記データにより学習可能とされ、出力値の比較により、前記小型電気製品を前記小型電気製品Ａと前記小型電気製品Ｂとに識別するニューラルネットワークと、前記重量計及び前記３次元形状測定器の測定測定値から決定される複数の変数を前記データとして前記データベースに入力するとともに前記ニューラルネットワークに入力する制御装置と、を有する識別手段と、を備え、識別された前記小型電気製品Ａと前記小型電気製品Ｂとを分別回収することを特徴とする小型電気製品の選別装置。
前記変数が、重量／体積で表される見掛け密度、面積、最大高、及び面積／（縦長・横長）を含む請求項４に記載の小型電気製品の選別装置。