KR102445891B1 - Deep learning-based recyclables classification method - Google Patents

Deep learning-based recyclables classification method Download PDF

Info

Publication number
KR102445891B1
KR102445891B1 KR1020200166707A KR20200166707A KR102445891B1 KR 102445891 B1 KR102445891 B1 KR 102445891B1 KR 1020200166707 A KR1020200166707 A KR 1020200166707A KR 20200166707 A KR20200166707 A KR 20200166707A KR 102445891 B1 KR102445891 B1 KR 102445891B1
Authority
KR
South Korea
Prior art keywords
recyclables
module
transfer line
image
shape
Prior art date
Application number
KR1020200166707A
Other languages
Korean (ko)
Other versions
KR20220077987A (en
Inventor
최장희
유영준
금호현
Original Assignee
한국생산기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200166707A priority Critical patent/KR102445891B1/en
Publication of KR20220077987A publication Critical patent/KR20220077987A/en
Application granted granted Critical
Publication of KR102445891B1 publication Critical patent/KR102445891B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

본 발명은 이송라인을 통해 다수의 재활용품이 이송되고, 재활용품을 분리하는 딥러닝 모델을 학습하는 방법에 관한 것이다.The present invention relates to a method for learning a deep learning model in which a plurality of recyclables are transferred through a transfer line and separate recyclables.

Description

딥러닝 기반 재활용품 분류 방법{Deep learning-based recyclables classification method}Deep learning-based recyclables classification method

본 발명은 딥러닝 기반 재활용품 분류 방법에 관한 것이다.The present invention relates to a deep learning-based recyclable classification method.

재활용 폐기물은 계속하여 증가하는 추세이며, 이러한 폐기물을 효과적으로 분류하는 것에 대한 관심이 지속적으로 증가하고 있다.Recycling waste continues to increase, and interest in effectively classifying such waste continues to increase.

종래의 재활용품을 처리하는 방법에 대하여 설명한다.A method for disposing of conventional recyclables will be described.

재활용 폐기물이 컨베이어벨트에 놓이면, 근적외선램프, 광다중채널 및 근적외선 분광 판결기를 통과하여 재활용 폐기물의 성분을 확인할 수 있어서, 성분이 다른 재활용 폐기물을 압출공기를 통해 분류하는 것이 개시되며, 근적외선 분광 판결기에서 각각 근적외선의 반사스펙트럼이 성분에 따라 다르므로, 근적외선 분광분석을 통하여 분류하였다,When the recycled waste is placed on the conveyor belt, it can pass through the near-infrared lamp, the optical multi-channel and the near-infrared spectroscopic judgment machine to check the components of the recycled waste, so that the recycling of waste with different components is started to be sorted through the extruded air, and the near-infrared spectroscopic judgment machine Since the reflection spectrum of near-infrared rays differs depending on the component, it was classified through near-infrared spectroscopy.

다만, 이러한 종래의 시스템에서는 근적외선 분광 판결기를 통해 분류를 할 수 없는 상황이 발생한다. 근적외선을 이용할 경우 성분이 유사하거나, 성분이 동일하나 형상이 달라 분류를 해야 하는데 분류를 할 수 없는 상황이 발생한다. However, in such a conventional system, a situation arises in which classification cannot be performed through a near-infrared spectroscopic determiner. In the case of using near-infrared rays, there is a situation in which classification is not possible, although the components are similar or the components are the same but the shape is different.

예를 들면 PET, PE, PP, PS, PVC, PUR 등은 화학적 조성이 다르기 때문에 근적외선 분광 판결기에서 분류가 가능하나, PET와 PETG 같은 경우에는 성분이 매우 유사하기 때문에 판별이 불가능한 문제가 있고, 회수율이 상당히 낮은 문제가 있다.For example, PET, PE, PP, PS, PVC, PUR, etc. can be classified by a near-infrared spectrometer because their chemical composition is different, but in the case of PET and PETG, there is a problem that it is impossible to distinguish because the components are very similar, There is a problem that the recovery rate is quite low.

도 1을 참조하면, 근적외선 분광 판결기에서 분석한 물질 별 스펙트럼을 설명한다. 도 1에서는 재질이 다른 플라스틱을 도시한 것으로 스펙트럼이 다양하게 도시되어 높은 정확도로 종래의 근적외선 분광 판결기를 통한 분류가 가능하다. 하지만 앞서 설명한 것처럼 같은 재질의 다른 형상의 재활용품일 경우는 스펙트럼의 패턴이 유사하게 측정되어 이를 이용하여 분류할 시 정확도가 낮아 회수율이 낮아지는 문제가 있다.Referring to FIG. 1 , a spectrum for each material analyzed by the near-infrared spectrometer will be described. 1 shows plastics of different materials, and various spectra are shown, so that classification is possible through a conventional near-infrared spectrometer with high accuracy. However, as described above, in the case of recyclables of different shapes of the same material, the pattern of the spectrum is similarly measured, and when classifying using this pattern, the accuracy is low, so there is a problem that the recovery rate is low.

종래에는 상기의 문제점을 해결하기 위하여, 근적외선 분광 판결기와 함께 별도로 재활용품의 형상을 측정하여 재활용품의 개시되어 있다. 다만, 재활용품이 컨베이어 벨트에 유입될 때마다 재활용품의 형상을 측정하여야 하는 바, 신속한 재활용품의 분류가 불가능한 문제가 있다. In the prior art, in order to solve the above problems, a shape of a recycled product is measured separately with a near-infrared spectrometer and a recycled product is disclosed. However, since the shape of the recyclables must be measured whenever the recyclables are introduced into the conveyor belt, there is a problem in that it is impossible to quickly classify the recyclables.

또한, 종래에는 상기의 문제점을 해결하기 위하여 촬영장치를 이용하여 재활용품을 분류하는 것에 대하여 개시되어 있다. 다만, 재활용품의 회수율을 증가시키기 위해 형상인식 부분에서 시간이 최소화 되어야 하는데, 현재의 촬영장치의 촬영속도와 딥러닝 기반 분류속도로는 전체 컨베이어 벨트를 커버하기 어려운바, 신속한 재활용품의 분류가 불가능한 문제가 있다.In addition, the prior art has been disclosed with respect to the classification of recyclables using a photographing device in order to solve the above problems. However, in order to increase the recovery rate of recyclables, the time must be minimized in the shape recognition part, and it is difficult to cover the entire conveyor belt with the current shooting speed of the imaging device and the deep learning-based sorting speed. there is

따라서, 근본적으로 빠른 속력으로 촬영이 가능하여 회수율을 증가시킬 수 있고, 추후에는 컴퓨터(GPU)기반이 아닌 반도체칩(FPGA)기반으로 저가의 소형화 장비에도 적용될 수 있는 재활용품의 분류 시스템이 필요한 실정이다.Therefore, fundamentally, it is possible to shoot at a high speed, so that the recovery rate can be increased, and in the future, a system for sorting recyclables that can be applied to low-cost miniaturization equipment based on a semiconductor chip (FPGA) rather than a computer (GPU) is needed. .

(특허문헌 1) 한국등록특허공보 제10-1779782호 (Patent Document 1) Korean Patent Publication No. 10-1779782

(특허문헌 2) 한국공개특허공보 제10-2010-0067278호(Patent Document 2) Korean Patent Publication No. 10-2010-0067278

(특허문헌 3) 일본공개특허공보 제2005-121587호(Patent Document 3) Japanese Patent Laid-Open No. 2005-121587

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been devised to solve the above problems.

구체적으로, 본 발명은 기존의 근적외선 분광 판결기를 이용하면서도, 성분이 유사하거나, 성분이 동일하더라도 형상이 다른 재활용품을 정확하게 분류하기 위함이다.Specifically, the present invention is to accurately classify recyclables having similar components or having different shapes even if the components are the same while using the existing near-infrared spectrometer.

또한, 본 발명은 딥러닝 기반으로 재활용품을 분류하되, 도착 시간을 연산하여 학습되는 이미지의 양을 줄일 수 있어 신속하게 재활용품을 분류하기 위함이다.In addition, the present invention is to classify recyclables based on deep learning, but can reduce the amount of images learned by calculating the arrival time to quickly classify recyclables.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 이송라인을 통해 다수의 재활용품이 이송되고, 재활용품을 분리하는 딥러닝 모델을 학습하는 방법으로서, 이송라인의 일측으로 위치되는 근적외선 분광 판결기(100);상기 근적외선 분광 판결기(100)에 부착되는 위치 모듈(200);상기 근적외선 분광 판결기(100)의 후방으로 위치되는 촬영 모듈(300); 및 상기 촬영 모듈(300)이 동작하도록 제어하는 제어 모듈(400);을 포함하고, (a) 재활용품이 이송라인 상에 유입되고, 상기 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정되는 단계;(b) 상기 제어 모듈(400)이, 상기 이송라인의 속도 정보 및, 상기 위치 모듈(200)과 상기 기설정된 위치 사이의 거리 정보를 확인하고, 상기 제어 모듈(400)은 상기 위치 모듈(200)로부터 재활용품의 위치 정보를 전송받으면, 상기 속도 정보, 상기 거리 정보 및 상기 위치 정보를 이용하여 재활용품이 상기 기설정된 위치까지 도착하는 도착 시간을 연산하는 단계;(c) 상기 제어 모듈(400)은 상기 연산된 도착 시간을 이용하여, 재활용품이 상기 기설정된 위치에 도착한 시점에 상기 촬영 모듈(300)을 동작하도록 제어하여 이미지를 생성하는 단계;(d) 상기 제어 모듈(400)은 상기 촬영 모듈(300)이 생성한 상기 이미지에서기설정된 형상들 중 어느 하나의 형상을 선택하는 단계; 및 (e) 학습 모듈(500)은 형상과 반사율과 파장을 이용하여 딥러닝 모델을 학습하는 단계; 를 포함하는 방법을 제공한다.An embodiment of the present invention for solving the above problems is a method for learning a deep learning model in which a plurality of recyclables are transferred through a transfer line and separate recyclables, and a near-infrared spectroscopic judgment located on one side of the transfer line a device 100; a positioning module 200 attached to the near-infrared spectroscopic decision unit 100; a photographing module 300 positioned in the rear of the near-infrared spectroscopic decision unit 100; and a control module 400 for controlling the photographing module 300 to operate; (a) recyclables are introduced on the transfer line, and the recyclables are passed through the near-infrared spectroscopic judgment machine 100 to reflect the reflectance of the recyclables and measuring the wavelength; (b) the control module 400 checks the speed information of the transfer line and the distance information between the position module 200 and the preset position, and the control module 400 ) receives the location information of the recyclables from the location module 200, using the speed information, the distance information, and the location information to calculate the arrival time for the recyclables to arrive at the preset location; (c) The control module 400 generates an image by controlling the photographing module 300 to operate when the recyclable material arrives at the preset location using the calculated arrival time; (d) the control module ( 400) is a step of selecting any one shape from among the preset shapes in the image generated by the photographing module 300; and (e) learning the deep learning model using the shape, reflectance, and wavelength of the learning module 500; provides a method comprising

일 실시예는, 상기 (e)단계는, (e1) 이미지 데이터 베이스에, 물품 이미지, 상기 물품 이미지에 대한 형상, 근적외선 분광 판결기(100)에 의해 확인되는 반사율과 파장 및 실제의 성분이 데이터 세트로서 미리 입력되고, 상기 학습 모듈(500)은 상기 데이터 세트를 이용하여 상기 딥러닝 모델을 학습하는 단계; 를 더 포함할 수 있다.In one embodiment, in the step (e), (e1) an article image, a shape for the article image, reflectance, wavelength, and actual component confirmed by the near-infrared spectroscopic determiner 100 are data pre-input as a set, and the learning module 500 uses the data set to train the deep learning model; may further include.

일 실시예는, 상기 (e)단계 이후, (f) 상기 (c)단계에서 생성된 이미지, 상기 (d)단계에서 선택된 형상 및 상기 (e)단계에서 확인된 성분이 데이터 세트로서 상기 이미지 데이터 베이스에 더 저장되는 단계;를 포함할 수 있다.In one embodiment, after step (e), (f) the image generated in step (c), the shape selected in step (d), and the component identified in step (e) are the image data as a data set may include; further storing in the base.

본 발명에 따른 다른 실시예는, 학습된 딥러닝 모델을 이용하여 재활용품을 분류하는 방법으로서, 상기 (e)단계 이후, (g) 재활용품이 이송라인 상에 유입되고, 상기 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정되는 단계;(h) 상기 제어 모듈(400)이, 상기 이송라인의 속도 정보 및, 상기 위치 모듈(200)과 상기 기설정된 위치 사이의 거리 정보를 확인하고, 상기 제어 모듈(400)은 상기 위치 모듈(200)로부터 재활용품의 위치 정보를 전송받으면, 상기 속도 정보, 상기 거리 정보 및 상기 위치 정보를 이용하여 재활용품이 상기 기설정된 위치까지 도착하는 도착 시간을 연산하는 단계; 및 (i) 상기 제어 모듈(400)은 상기 연산된 도착 시간을 이용하여, 재활용품이 상기 기설정된 위치에 도착한 시점에 상기 촬영 모듈(300)을 동작하도록 실시간 제어하는 단계; 를 더 포함할 수 있다.Another embodiment according to the present invention is a method of classifying recyclables using a learned deep learning model. After step (e), (g) recyclables are introduced on a transfer line, and the near-infrared spectroscopic determiner 100 ) through which the recyclables are passed to measure the reflectance and wavelength of the recyclables; (h) the control module 400, speed information of the transfer line, and distance information between the location module 200 and the preset location and the control module 400 receives the location information of the recyclables from the location module 200, the recyclables arrive to the preset location using the speed information, the distance information and the location information calculating time; and (i) controlling, by the control module 400, in real time to operate the photographing module 300 when the recyclables arrive at the preset location using the calculated arrival time; may further include.

일 실시예는, 상기 (i)단계이후, (j) 상기 학습된 딥러닝 모델에 상기 촬영 모듈(300)에서 촬영된 이미지가 입력되고, 상기 근적외선 분광 판결기(100)에서 측정된 상기 반사율과 파장이 입력되어, 재활용품의 성분을 실시간으로 출력하는 단계; 를 포함할 수 있다.In one embodiment, after step (i), (j) the image photographed by the photographing module 300 is input to the learned deep learning model, and the reflectance measured by the near-infrared spectroscopic determiner 100 and The wavelength is input, the step of outputting the components of the recycled product in real time; may include.

일 실시예는, 상기 (j)단계 이후, (k) 이송라인 선택 액튜에이터가 재활용품을 다수의 이송라인 중 어느 하나로 이송시키는 단계로서, (k1) 상기 (j)단계에서 확인된 성분을 이용하여, 상기 이송라인 선택 액튜에이터가, 동일한 성분의 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계; 또는 (k2) 상기 (j)단계에서 확인된 형상을 이용하여, 상기 이송라인 선택 액튜에이터가, 동일한 형상의 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계; 또는 (k3) 상기 (j)단계에서 확인된 성분과 확인된 형상을 모두 이용하여, 상기 이송라인 선택 액튜에이터가, 성분 및 형상이 모두 동일한 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계;를 포함할 수 있다.In one embodiment, after step (j), (k) a transfer line selection actuator transfers the recyclable product to any one of a plurality of transfer lines, (k1) using the component identified in step (j), operating the transfer line selection actuator to transfer recyclables of the same component to the same transfer line; or (k2) using the shape identified in step (j), operating the transfer line selection actuator to transfer recyclables having the same shape to the same transfer line; or (k3) using both the component identified in step (j) and the identified shape, operating the transfer line selection actuator to transfer recyclables having the same component and shape to the same transfer line. can

본 발명에 따른 다른 실시예는, 상기 방법이 적용되는 시스템으로서, 상기 근적외선 분광 판결기(100);상기 위치 모듈(200);상기 촬영 모듈(300); 및 상기 제어모듈(400)을 포함하는,시스템을 제공한다.Another embodiment according to the present invention is a system to which the method is applied, comprising: the near-infrared spectroscopic determiner 100; the location module 200; the photographing module 300; and the control module 400, providing a system.

본 발명에 따라, 다음과 같은 효과가 달성된다. According to the present invention, the following effects are achieved.

본 발명은 기존의 근적외선 분광 판결기를 이용하면서도, 성분이 유사하거나, 성분이 동일하더라도 형상이 다른 재활용품을 정확하게 분류할 수 있다.The present invention can accurately classify recyclables having similar components or having different shapes even though the components are the same while using the existing near-infrared spectroscopic judgment machine.

또한, 본 발명은 도착 시간을 연산하여 학습되는 이미지의 양을 줄일 수 있 어, 정확하며 신속하게 딥러닝 모델을 학습할 수 있다.In addition, the present invention can reduce the amount of images to be learned by calculating the arrival time, so that the deep learning model can be learned accurately and quickly.

또한, 본 발명은 도착시간을 연산하여 촬영모듈의 촬영시간을 최소화할 수 있으며, 이에 따라. 촬영모듈에서는 실시간으로 해당 영역만 촬영하여 신속하게 재활용품을 분류할 수 있다.In addition, the present invention can minimize the photographing time of the photographing module by calculating the arrival time, and accordingly. The shooting module can quickly sort recyclables by shooting only the relevant area in real time.

또한, 본 발명은 재활용품을 분류하는 것에만 국한되는 것은 아니고, 분광기를 이용한 성분분석 시스템 중 같은 성분이지만 형상이 다른 물질을 분류해야 되는 문제에 모두 적용될 수 있다.In addition, the present invention is not limited to sorting recyclables, and can be applied to all problems in which materials having the same component but different shapes in a component analysis system using a spectrometer must be classified.

도 1은 근적외선 분광 판결기에서 재활용품을 분석된 파장과 반사율을 도시하기 위한 도면이다.
도 2은 본 발명에 따른 시스템을 설명하기 위한 모식도이다.
도 3은 거리 정보를 설명하기 위한 도면이다.
도 4는 물품 이미지를 설명하기 위한 도면이다.
도 5는 본 발명에 따른 시스템에서 성분이 유사한 재활용품을 분류하는 것을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 시스템이 구현될 수 있는 장치를 설명하기 위한 도면이다.1 is a view for showing the wavelength and reflectance analyzed by the recyclable product in the near-infrared spectroscopic determiner.
2 is a schematic diagram for explaining a system according to the present invention.
3 is a diagram for describing distance information.
4 is a diagram for explaining an article image.
5 is a view for explaining the classification of recyclables having similar components in the system according to the present invention.
6 is a view for explaining an apparatus in which a system according to the present invention can be implemented.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some cases, well-known structures and devices may be omitted or shown in block diagram form focusing on core functions of each structure and device in order to avoid obscuring the concept of the present invention.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, in describing the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

본 발명에 따른 방법은 근적외선 분광 판결기(100), 위치 모듈(200), 촬영 모듈(300), 제어 모듈(400) 및 학습 모듈(500)을 이용하여 수행된다.The method according to the present invention is performed using the near-infrared spectroscopic determiner 100 , the location module 200 , the imaging module 300 , the control module 400 , and the learning module 500 .

도 2 내지 도 6을 참조하여, 본 발명에 따른 방법에 사용되는 구성요소를 개략적으로 설명한다.2 to 6, the components used in the method according to the present invention will be schematically described.

근적외선 분광 판결기(100)로 다수의 재활용품이 유입된다.A large number of recyclables are introduced into the near-infrared spectroscopic determiner 100 .

근적외선 분광 판결기(100)는 재활용품 등 물질의 성분을 분류하기 위한 장치이다. 근적외선 분광 판결기(100)는 이미 공지된 기술인 바 이에 대한 자세한 설명은 생략하기로 한다.The near-infrared spectroscopic determiner 100 is a device for classifying components of materials such as recyclables. Since the near-infrared spectroscopic determination unit 100 is a known technology, a detailed description thereof will be omitted.

근적외선 분광 판결기(100)로 유입된 재활용품은 재활용품의 파장과 반사율 이 측정된다. The wavelength and reflectance of the recycled product introduced into the near-infrared spectroscopic determination unit 100 are measured.

위치 모듈(200)은 근적외선 분광 판결기(100)에 인접하도록 위치된다.The positioning module 200 is positioned adjacent to the near-infrared spectroscopic determiner 100 .

이 때, 위치 모듈(200)은 근적외선 분광 판결기(100)에 부착되도록 위치될 수 있으나, 이에 제한되는 것은 아니다.In this case, the positioning module 200 may be positioned to be attached to the near-infrared spectroscopic determiner 100 , but is not limited thereto.

위치 모듈(200)은 재활용품의 위치를 확인하고, 확인된 재활용품의 위치 정보를 제어 모듈(400)로 전송한다.The location module 200 checks the location of the recyclables, and transmits the checked location information of the recyclables to the control module 400 .

촬영 모듈(300)은 근적외선 분광 판결기(100)의 후방으로 위치된다.The imaging module 300 is located behind the near-infrared spectroscopic determiner 100 .

촬영 모듈(300)은 제어 모듈(400)에 따라 동작된다.The photographing module 300 operates according to the control module 400 .

촬영 모듈(300)이 제어 모듈(400)에 따라 동작된다는 것은 제어 모듈(400)의 제어가 있어야 촬영 모듈(300)이 물체를 촬영한다는 것을 의미한다. 이에 대한 자세한 설명은 후술한다.That the photographing module 300 operates according to the control module 400 means that the photographing module 300 photographs an object only under the control of the control module 400 . A detailed description thereof will be given later.

촬영 모듈(300)은 동작되면 재활용품을 촬영하여 이미지를 생성한다.When the photographing module 300 is operated, it creates an image by photographing the recyclables.

이 때, 생성된 이미지는 후술하는 학습 모듈(500)에서 학습된다. 이에 대한 자세한 설명은 후술한다.At this time, the generated image is learned in a learning module 500 to be described later. A detailed description thereof will be given later.

제어 모듈(400)은 위치 모듈(200)로부터 재활용품의 위치 정보를 전송 받아 촬영 모듈(300)이 동작하도록 제어한다.The control module 400 receives the location information of the recyclables from the location module 200 and controls the photographing module 300 to operate.

구체적으로, 제어 모듈(400)은 위치 정보를 전송받으면, 이송라인의 속도 정보와 위치 모듈(200)와 촬영 모듈(300)로부터 기설정된 위치 사이의 거리인 거리 정보를 확인한다.Specifically, when receiving the location information, the control module 400 checks the speed information of the transfer line and distance information that is the distance between the location module 200 and the location preset by the photographing module 300 .

이 때, 제어 모듈(400)은 속도 정보와 거리 정보가 미리 입력될 수 있으나 이에 제한되는 것은 아니다. In this case, speed information and distance information may be input in advance to the control module 400 , but the present invention is not limited thereto.

이 때, 제어 모듈(400)은 이송라인의 속도를 제어할 수 있다. 본 발명에서 이송라인의 속도는 등속일 수 있으나, 이에 제한되는 것은 아니고 제어 모듈(400)은 변하는 속도를 모두 고려하여 도착 시간을 연산할 수도 있다.At this time, the control module 400 may control the speed of the transfer line. In the present invention, the speed of the transfer line may be a constant speed, but is not limited thereto, and the control module 400 may calculate the arrival time in consideration of all the changing speeds.

이하, 재활용품을 분리하는 딥러닝 모델을 학습하는 방법을 설명한다.Hereinafter, a method for learning a deep learning model to separate recyclables will be described.

재활용품이 이송라인 상에 유입되고, 상기 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정된다.Recyclables are introduced on the transfer line, and the recyclables are passed through the near-infrared spectroscopy device 100 to measure the reflectance and wavelength of the recyclables.

제어 모듈(400)은 재활용품이 근적외선 분광 판결기(100)로부터 촬영 모듈(300)로부터 기설정된 위치까지 도착 시간을 연산한다.The control module 400 calculates the arrival time of the recyclables from the near-infrared spectroscopic determiner 100 to a preset location from the imaging module 300 .

이후, 제어 모듈(400)은 연산된 도착 시간에 따라 재활용품이 거리 정보에 도착하면, 촬영 모듈(300)을 동작하도록 제어한다. 촬영 모듈(300)은 재활용품을 촬영하여 이미지를 생성한다.Thereafter, the control module 400 controls the photographing module 300 to operate when the recyclables arrive at the distance information according to the calculated arrival time. The photographing module 300 creates an image by photographing the recyclables.

이 때, 도 3을 참조하면, 기설정된 위치는 이송라인 상으로 위치되되, 촬영 모듈(300)의 전방으로 위치될 된다. 다만, 기설정된 위치는 촬영 모듈(300)이 재활용품을 촬영하기 적합한 위치이면 족하고, 특정 위치에 제한되는 것은 아니다. At this time, referring to FIG. 3 , the preset position is located on the transfer line, and is located in front of the photographing module 300 . However, the preset position suffices as long as the photographing module 300 is a suitable position for photographing recyclables, and is not limited to a specific position.

이에 따라, 본 발명에서는 딥러닝 모델을 학습하는 과정에서 제어 모듈(400)이 도착 시간을 연산하여 촬영 모듈(300)이 동작하도록 제어함에 따라, 촬영 모듈(300)에서 촬영되는 이미지의 개수를 현저히 감소시킬 수 있다. 이에 학습 모듈(500)에서 학습되는 이미지의 양을 줄일 수 있고, 또는 생성된 이미지를 별도로 분류하는 작업을 포함하지 않는 바 딥러닝 모델의 학습속도를 증대시키고, 학습의 양을 감소시킬 수 있다.Accordingly, in the present invention, in the process of learning the deep learning model, as the control module 400 calculates the arrival time and controls the photographing module 300 to operate, the number of images photographed by the photographing module 300 is significantly increased. can be reduced Accordingly, the amount of images learned by the learning module 500 can be reduced, or the learning speed of the deep learning model can be increased and the amount of learning can be reduced by not including the task of separately classifying the generated images.

또한, 본 발명은 딥러닝 모델을 학습한 후, 본 발명은 도착시간을 연산하여 촬영모듈의 촬영시간을 최소화할 수 있으며, 이에 따라. 촬영모듈에서는 실시간으로 해당 영역만 촬영하여 신속하게 재활용품을 분류할 수 있다. 이에 대한 자세한 설명은 후술한다.In addition, the present invention after learning the deep learning model, the present invention can calculate the arrival time to minimize the shooting time of the shooting module, accordingly. The shooting module can quickly sort recyclables by shooting only the relevant area in real time. A detailed description thereof will be given later.

이에 따라, 본 발명에 따른 딥러닝 모델은 반도체칩(FPGA)기반으로 저가의 소형화 장비에도 적용될 수 있다. Accordingly, the deep learning model according to the present invention can be applied to low-cost miniaturized equipment based on a semiconductor chip (FPGA).

제어 모듈(400)은 촬영 모듈(300)이 생성한 이미지에서 기설정된 형상들 중 어느 하나의 형상으로 선택한다.The control module 400 selects any one shape from among the preset shapes from the image generated by the imaging module 300 .

이 때, 기설정된 형상은 깡통형, 박스형등을 포함할 수 있다.In this case, the preset shape may include a can-type, a box-type, and the like.

이 때, 제어 모듈(400)은 미리 촬영 모듈(300)이 생성한 이미지를 이미지 기반으로 학습하여, 제어 모듈(400)에 입력된 이미지를 기설정된 형상들 중 어느 하나의 형상으로 선택할 수 있으나, 이에 제한되는 것은 아니다.At this time, the control module 400 may learn the image generated by the imaging module 300 in advance based on the image, and select the image input to the control module 400 as any one of the preset shapes, However, the present invention is not limited thereto.

학습 모듈(500)은 생성된 이미지에서 선택된 형상과 측정된 반사율과 파장을 이용하여 딥러닝 모델을 학습한다.The learning module 500 learns the deep learning model by using the shape selected from the generated image and the measured reflectance and wavelength.

예를 들어, 학습 모듈(500)은 생성된 이미지에서 선택된 형상인 깡통형과 근적외선 분광 판결기(100)에서 측정된 반사율인 0.1과 파장 1000nm을 이용하여 딥러닝 모델을 학습할 수 있다.For example, the learning module 500 may learn the deep learning model using a can-shaped shape selected from the generated image and a reflectance of 0.1 measured by the near-infrared spectroscopic determiner 100 and a wavelength of 1000 nm.

학습된 딥러닝 모델에 형상과 측정된 반사율과 파장이 인가됨으로써 재활용품의 성분이 확인될 수 있다.By applying the shape, the measured reflectance, and the wavelength to the learned deep learning model, the components of recyclables can be identified.

본 발명에서는 딥러닝 모델이 측정된 반사율과 파장만을 이용하여 재활용품의 성분을 학습하는 것이 아니라, 이미지에서 선택된 형상을 더 이용함으로서, 재활용품의 성분을 보다 정확하게 확인할 수 있다. In the present invention, the deep learning model does not learn the components of recyclables using only the measured reflectance and wavelength, but more accurately identifies the components of recyclables by further using the shape selected from the image.

이에 따라, 본 발명에 따른 딥러닝 모델에서는 성분이 유사하거나, 성분이 동일하더라도 형상이 다른 재활용품을 정확하게 분류할 수 있다.Accordingly, in the deep learning model according to the present invention, recyclables having different shapes can be accurately classified even if the components are similar or the components are the same.

또한, 미리 저장된 이미지 데이터 베이스를 이용하여 딥러닝 모델을 학습시키는 방법을 설명한다.In addition, a method for training a deep learning model using a pre-stored image database will be described.

이미지 데이터 베이스에 물품 이미지, 물품 이미지에 대한 형상, 근적외선 분광 판결기(100)에 의해 확인되는 반사율과 파장, 실제 성분이 데이터 세트로 미리 입력된다.In the image database, an article image, a shape for the article image, reflectance and wavelength checked by the near-infrared spectroscopic determiner 100, and an actual component are input in advance as a data set.

이 때, 미리 포함되는 물품 이미지는 특정 물품에 제한되는 것은 아니다.In this case, the previously included article image is not limited to a specific article.

이미지 데이터 베이스에 미리 포함되는 물품 이미지는 재활용품에 대한 이미지뿐만 아니라, 새상품에 대한 이미지도 포함할 수 있다.The product image included in the image database in advance may include an image of a new product as well as an image of a recycled product.

예를 들어, 도 4을 참조하면, 매장에서 판매되는 페트병에 대한 물품 이미지가 도시되나, 이러한 종류의 이미지에 제한되는 것은 아니다.For example, referring to FIG. 4 , an image of an article for a PET bottle sold in a store is shown, but the image is not limited to this type of image.

또한, 촬영 모듈(300)에서 촬영된 이미지, 선택된 형상 및 확인된 성분이 데이터 세트로서 이미지 데이터 베이스에 저장된다.In addition, the image photographed by the photographing module 300, the selected shape, and the identified component are stored in the image database as a data set.

학습 모듈(500)은 데이터 세트를 이용하여 딥러닝 모델을 학습할 수 있다.The learning module 500 may learn a deep learning model using the data set.

이 때, 학습 모듈(500)은 CNN을 이용하여 데이터 세트를 학습할 수 있으나, 이에 제한되는 것은 아니다.At this time, the learning module 500 may learn the data set using CNN, but is not limited thereto.

이후, 학습된 딥러닝 모델을 이용하여 재활용품을 분류하는 방법을 설명한다.Then, a method of classifying recyclables using the learned deep learning model will be described.

재활용품이 이송라인 상에 유입되고, 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정된다.The recyclables are introduced on the transfer line, and the recyclables are passed through the near-infrared spectroscopic determiner 100 to measure the reflectance and wavelength of the recyclables.

제어 모듈(400)이, 이송라인의 속도 정보 및, 위치 모듈(200)과 기설정된 위치 사이의 거리 정보를 확인하고, 제어 모듈(400)은 위치 모듈(200)로부터 재활용품의 위치 정보를 전송받으면, 속도 정보, 거리 정보 및 위치 정보를 이용하여 재활용품이 기설정된 위치까지 도착하는 도착 시간을 연산한다.When the control module 400 checks the speed information of the transfer line and the distance information between the location module 200 and the preset location, the control module 400 receives the location information of the recyclables from the location module 200 , calculates the arrival time for the recyclables to arrive at a preset location using the speed information, distance information, and location information.

제어 모듈(400)은 연산된 도착 시간을 이용하여, 재활용품이 기설정된 위치에 도착한 시점에 촬영 모듈(300)을 동작하도록 제어한다.The control module 400 controls the photographing module 300 to operate when the recyclables arrive at a preset location using the calculated arrival time.

학습된 딥러닝 모델에 촬영 모듈(300)에서 촬영된 이미지가 입력되고, 근적외선 분광 판결기(100)에서 측정된 반사율과 파장이 입력되어, 재활용품의 성분과 형상을 확인한다.The image captured by the imaging module 300 is input to the learned deep learning model, and the reflectance and wavelength measured by the near-infrared spectroscopic determiner 100 are input to check the components and shapes of the recyclables.

이에 따라, 전술한 바와 같이 촬영모듈의 촬영시간을 최소화할 수 있으며, 이에 따라. 촬영모듈에서는 실시간으로 해당 영역만 촬영할 수 있으며, 촬영모듈에서 촬영된 이미지는 학습된 딥러닝 모델에 입력되어, 실시간으로 재활용품의 성분 및 형상을 확인할 수 있다.Accordingly, as described above, it is possible to minimize the photographing time of the photographing module, and accordingly. Only the relevant area can be photographed in real time in the photographing module, and the images photographed in the photographing module are input to the learned deep learning model, and the components and shapes of recyclables can be checked in real time.

이후, 이송라인 선택 액튜에이터가 재활용품을 다수의 이송라인 중 어느 하나로 이송시켜 재활용품을 분류하는 것을 설명한다.이송라인 선택 액튜에이터가, 확인된 성분을 이용하여, 동일한 성분의 재활용품을 동일한 이송라인으로 이송되도록 작동한다.Thereafter, the transfer line selection actuator transfers the recyclables to any one of a plurality of transfer lines to classify the recyclables. The transfer line selection actuator uses the identified components to transfer the recyclables of the same component to the same transfer line. It works.

또는 이송라인 선택 액튜에이터가, 확인된 형상을 이용하여, 동일한 형상의 재활용품을 동일한 이송라인으로 이송되도록 작동한다. Alternatively, the transfer line selection actuator operates to transfer recyclables of the same shape to the same transfer line using the identified shape.

또는 이송라인 선택 액튜에이터가, 확인된 성분과 확인된 형상을 모두 이용하여, 성분 및 형상이 모두 동일한 재활용품을 동일한 이송라인으로 이송되도록 작동한다.Alternatively, the transfer line selection actuator operates to transfer recyclables of the same composition and shape to the same transfer line using both the identified component and the identified shape.

도 5는 본 발명에 따라 학습된 딥러닝 모델에서 재활용품의 성분과 형상을 모두 분류하는 것을 도시한다.5 shows the classification of both components and shapes of recyclables in the deep learning model trained according to the present invention.

도 5에서는 PET-Glass와 PETG(PET-Box)가 분류되는 것을 도시한다.5 shows that PET-Glass and PETG (PET-Box) are classified.

도 6을 참조하여 본 발명에 따른 상기 방법이 적용되는 시스템을 설명한다.A system to which the method according to the present invention is applied will be described with reference to FIG. 6 .

도 6을 참조하면, 재활용품이 이송라인에 유입되어 근적외선 분광 판결기(100)를 통과하고, 촬영 모듈(300)을 통과한 후, 각각 분류되어 다른 이송라인으로 이송되는 것을 도시한다.Referring to FIG. 6 , it is shown that recyclables are introduced into a transfer line, pass through the near-infrared spectrometer 100 , pass through the photographing module 300 , and then are sorted and transferred to another transfer line.

도 6에서 근적외선 분광 판결기(100)는 다수개로 위치되어, 재활용품이 이송라인의 어느 위치로 유입되더라도 해당 재활용품의 위치를 판단할 수 있다.In FIG. 6 , a plurality of near-infrared spectroscopic judgment devices 100 are located, so that the recyclables can determine the location of the recyclables no matter where they flow into the transfer line.

이 때, 도 6에는 도시되지는 않으나, 근적외선 분광 판결기(100)의 일측으로 위치 모듈(200)이 각각 부착되어 위치될 수 있다.At this time, although not shown in FIG. 6 , the positioning module 200 may be respectively attached and positioned on one side of the near-infrared spectroscopic judgment device 100 .

이 때, 도 6에서는 동일한 이송라인에 근적외선 분광 판결기(100)와 촬영 모듈(300)이 각각 이송라인의 일측에 위치하는 시스템을 도시하나, 이에 제한되는 것은 아니다.At this time, FIG. 6 shows a system in which the near-infrared spectroscopic judgment device 100 and the imaging module 300 are located on one side of the transfer line, respectively, on the same transfer line, but the present invention is not limited thereto.

또한, 본 발명에 따른 시스템은 모니터링 시스템과 연결될 수 있다. 본 발명에 따른 위치 모듈(200)에서 확인한 재활용품의 위치 정보와 딥러닝 모델에서 확인된 재활용품의 형상 및 성분 중 어느 하나 이상을 가시할 수 있다.In addition, the system according to the invention can be connected to a monitoring system. Any one or more of the location information of the recyclables identified by the location module 200 according to the present invention and the shape and components of the recyclables identified in the deep learning model can be viewed.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art may make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

100: 근적외선 분광 판결기
200: 위치 모듈
300: 촬영 모듈
400: 제어 모듈
500: 학습 모듈100: near-infrared spectroscopic determiner
200: position module
300: shooting module
400: control module
500: learning module

Claims (7)

이송라인을 통해 다수의 재활용품이 이송되고, 재활용품을 분리하는 딥러닝 모델을 학습하는 방법으로서,
이송라인의 일측으로 위치되는 근적외선 분광 판결기(100);
상기 근적외선 분광 판결기(100)에 부착되는 위치 모듈(200);
상기 근적외선 분광 판결기(100)의 후방으로 위치되는 촬영 모듈(300); 및
상기 촬영 모듈(300)이 동작하도록 제어하는 제어 모듈(400);을 포함하고,
(a) 재활용품이 이송라인 상에 유입되고, 상기 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정되는 단계;
(b) 상기 제어 모듈(400)이, 상기 이송라인의 속도 정보 및, 상기 위치 모듈(200)과 기설정된 위치 사이의 거리 정보를 확인하고, 상기 제어 모듈(400)은 상기 위치 모듈(200)로부터 재활용품의 위치 정보를 전송받으면, 상기 속도 정보, 상기 거리 정보 및 상기 위치 정보를 이용하여 재활용품이 상기 기설정된 위치까지 도착하는 도착 시간을 연산하는 단계;
(c) 상기 제어 모듈(400)은 상기 연산된 도착 시간을 이용하여, 재활용품이 상기 기설정된 위치에 도착한 시점에 상기 촬영 모듈(300)을 동작하도록 제어하여 이미지를 생성하는 단계;
(d) 상기 제어 모듈(400)은 상기 촬영 모듈(300)이 생성한 상기 이미지에서기설정된 형상들 중 어느 하나의 형상을 선택하는 단계; 및
(e) 학습 모듈(500)은 형상과 반사율과 파장을 이용하여 딥러닝 모델을 학습하는 단계; 를 포함하고,
상기 학습된 딥러닝 모델에 상기 촬영 모듈(300)에서 촬영된 이미지가 입력되고 상기 근적외선 분광 판결기(100)에서 측정된 상기 반사율과 파장이 입력되면, 해당 촬영된 이미지가 포함하는 재활용품의 성분 및 형상이 출력되는,
방법.
As a method of learning a deep learning model that a large number of recyclables are transferred through a transfer line and the recyclables are separated,
Near-infrared spectroscopic determination unit 100 located on one side of the transfer line;
a positioning module 200 attached to the near-infrared spectroscopic determiner 100;
a photographing module 300 positioned at the rear of the near-infrared spectroscopic determination unit 100; and
Including; and a control module 400 for controlling the photographing module 300 to operate.
(a) the recyclables are introduced on the transfer line, and the recyclables are passed through the near-infrared spectroscopic determiner 100 to measure the reflectance and wavelength of the recyclables;
(b) the control module 400 checks the speed information of the transfer line and the distance information between the position module 200 and a preset position, and the control module 400 determines the position module 200 calculating an arrival time at which the recyclables arrive to the preset location by using the speed information, the distance information, and the location information when receiving the location information of the recyclables;
(c) generating an image by controlling the control module 400 to operate the photographing module 300 when the recyclable material arrives at the preset location using the calculated arrival time;
(d) selecting, by the control module 400, any one shape among preset shapes from the image generated by the photographing module 300; and
(e) the learning module 500 is configured to learn a deep learning model using a shape, reflectance, and wavelength; including,
When the image photographed by the photographing module 300 is input to the learned deep learning model and the reflectance and the wavelength measured by the near-infrared spectroscopic determiner 100 are input, the components of recyclables included in the photographed image and The shape is output,
Way.
 제1항에 있어서,
상기 (e)단계는,
(e1) 이미지 데이터 베이스에, 물품 이미지, 상기 물품 이미지에 대한 형상, 근적외선 분광 판결기(100)에 의해 확인되는 반사율과 파장 및 실제의 성분이 데이터 세트로서 미리 입력되고, 상기 학습 모듈(500)은 상기 데이터 세트를 이용하여 상기 딥러닝 모델을 학습하는 단계; 를 더 포함하는,
방법.
According to claim 1,
Step (e) is,
(e1) In the image database, an article image, a shape for the article image, a reflectance and a wavelength and an actual component identified by the near-infrared spectroscopic determiner 100 are previously input as a data set, and the learning module 500 learning the deep learning model using the data set; further comprising,
Way.
 제2항에 있어서,
상기 (e)단계 이후,
(f) 상기 (c)단계에서 생성된 이미지, 상기 (d)단계에서 선택된 형상 및 상기 (e)단계에서 확인된 성분이 데이터 세트로서 상기 이미지 데이터 베이스에 더 저장되는 단계;를 포함하는,
방법.3. The method of claim 2,
After step (e),
(f) further storing the image generated in step (c), the shape selected in step (d), and the component identified in step (e) as a data set in the image database;
Way. 제1항에 따라 학습된 딥러닝 모델을 이용하여 재활용품을 분류하는 방법으로서,
상기 (e)단계 이후,
(g) 재활용품이 이송라인 상에 유입되고, 상기 근적외선 분광 판결기(100)로 재활용품이 통과되어 재활용품의 반사율과 파장이 측정되는 단계;
(h) 상기 제어 모듈(400)이, 상기 이송라인의 속도 정보 및, 상기 위치 모듈(200)과 상기 기설정된 위치 사이의 거리 정보를 확인하고, 상기 제어 모듈(400)은 상기 위치 모듈(200)로부터 재활용품의 위치 정보를 전송받으면, 상기 속도 정보, 상기 거리 정보 및 상기 위치 정보를 이용하여 재활용품이 상기 기설정된 위치까지 도착하는 도착 시간을 연산하는 단계; 및
(i) 상기 제어 모듈(400)은 상기 연산된 도착 시간을 이용하여, 재활용품이 상기 기설정된 위치에 도착한 시점에 상기 촬영 모듈(300)을 동작하도록 실시간 제어하는 단계; 를 더 포함하고,
상기 학습된 딥러닝 모델에 상기 촬영 모듈(300)에서 촬영된 이미지가 입력되고 상기 근적외선 분광 판결기(100)에서 측정된 상기 반사율과 파장이 입력되면, 해당 촬영된 이미지가 포함하는 재활용품의 성분 및 형상이 출력되는,
방법.
A method of classifying recyclables using a deep learning model learned according to claim 1,
After step (e),
(g) the recyclables are introduced on the transfer line, and the recyclables are passed through the near-infrared spectroscopic determiner 100 to measure the reflectance and wavelength of the recyclables;
(h) the control module 400 checks the speed information of the transfer line and the distance information between the position module 200 and the preset position, and the control module 400 determines the position module 200 ), upon receiving the location information of the recyclables, calculating an arrival time at which the recyclables arrive to the preset location using the speed information, the distance information, and the location information; and
(i) controlling the control module 400 in real time to operate the photographing module 300 when the recyclable material arrives at the preset location using the calculated arrival time; further comprising,
When the image photographed by the photographing module 300 is input to the learned deep learning model and the reflectance and the wavelength measured by the near-infrared spectroscopy determiner 100 are input, the components of recyclables included in the photographed image and The shape is output,
Way.
 제4항에 있어서,
상기 (i)단계 이후,
(j) 상기 학습된 딥러닝 모델에 상기 촬영 모듈(300)에서 촬영된 이미지가 입력되고, 상기 근적외선 분광 판결기(100)에서 측정된 상기 반사율과 파장이 입력되어, 재활용품의 성분 및 형상이 실시간으로 확인하는 단계; 를 포함하는,
방법,
5. The method of claim 4,
After step (i),
(j) The image photographed by the photographing module 300 is input to the learned deep learning model, and the reflectance and wavelength measured by the near-infrared spectroscopic determiner 100 are input, so that the components and shapes of recyclables are displayed in real time to confirm with; containing,
Way,
 제5항에 있어서,
상기 (j)단계 이후,
(k) 이송라인 선택 액튜에이터가 재활용품을 다수의 이송라인 중 어느 하나로 이송시키는 단계로서,
(k1) 상기 (j)단계에서 확인된 성분을 이용하여, 상기 이송라인 선택 액튜에이터가, 동일한 성분의 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계; 또는
(k2) 상기 (j)단계에서 확인된 형상을 이용하여, 상기 이송라인 선택 액튜에이터가, 동일한 형상의 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계; 또는
(k3) 상기 (j)단계에서 확인된 성분과 확인된 형상을 모두 이용하여, 상기 이송라인 선택 액튜에이터가, 성분 및 형상이 모두 동일한 재활용품을 동일한 이송라인으로 이송되도록 작동하는 단계;를 포함하는,
방법.
6. The method of claim 5,
After step (j),
(k) the transfer line selection actuator transfers the recyclables to any one of a plurality of transfer lines,
(k1) using the component identified in step (j), operating the transfer line selection actuator to transfer recyclables of the same component to the same transfer line; or
(k2) using the shape identified in step (j), operating the transfer line selection actuator to transfer recyclables of the same shape to the same transfer line; or
(k3) using both the component identified in step (j) and the identified shape, operating the transfer line selection actuator to transfer recyclables having the same component and shape to the same transfer line; including,
Way.
 제4항에 따른 상기 방법이 적용되는 시스템으로서,
상기 근적외선 분광 판결기(100);
상기 위치 모듈(200);
상기 촬영 모듈(300); 및
상기 제어모듈(400)을 포함하는,
시스템.
A system to which the method according to claim 4 is applied,
The near-infrared spectroscopic determiner 100;
the location module 200;
the photographing module 300; and
Including the control module 400,
system.
KR1020200166707A 2020-12-02 2020-12-02 Deep learning-based recyclables classification method KR102445891B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200166707A KR102445891B1 (en) 2020-12-02 2020-12-02 Deep learning-based recyclables classification method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200166707A KR102445891B1 (en) 2020-12-02 2020-12-02 Deep learning-based recyclables classification method

Publications (2)

Publication Number Publication Date
KR20220077987A KR20220077987A (en) 2022-06-10
KR102445891B1 true KR102445891B1 (en) 2022-09-23

Family

ID=81986747

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200166707A KR102445891B1 (en) 2020-12-02 2020-12-02 Deep learning-based recyclables classification method

Country Status (1)

Country Link
KR (1) KR102445891B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449374B1 (en) * 2022-07-01 2022-09-30 황금테크놀로지주식회사 Integral module system for pressing/cutting recycle material

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100612061B1 (en) * 2004-07-08 2006-08-14 이준창 Method for sorting of plastic
CN110743818A (en) * 2019-11-29 2020-02-04 苏州嘉诺环境工程有限公司 Garbage sorting system and garbage sorting method based on vision and deep learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100612061B1 (en) * 2004-07-08 2006-08-14 이준창 Method for sorting of plastic
CN110743818A (en) * 2019-11-29 2020-02-04 苏州嘉诺环境工程有限公司 Garbage sorting system and garbage sorting method based on vision and deep learning

Also Published As

Publication number Publication date
KR20220077987A (en) 2022-06-10

Similar Documents

Publication Publication Date Title
US9552524B2 (en) System and method for detecting seat belt violations from front view vehicle images
CN107552412B (en) Waste sorting system
US10275873B2 (en) Portable composable machine vision system for identifying projectiles
JP3484196B2 (en) Method and apparatus for sorting material parts
US11313869B2 (en) Methods and apparatus for determining label count during specimen characterization
US7449655B2 (en) Apparatus for, and method of, classifying objects in a waste stream
US20150012226A1 (en) Material classification using brdf slices
CN114600169A (en) Neural network for stockpile sorting
CN106251347B (en) Subway foreign matter detecting method, device, equipment and subway shield door system
US20160207071A1 (en) Sorting system
CN102592335A (en) Determining a total number of people in an ir image obtained via an ir imaging system
Kulcke et al. On-line classification of synthetic polymers using near infrared spectral imaging
JP2001523574A (en) Method and apparatus for identification and sorting of objects conveyed by a belt
KR102445891B1 (en) Deep learning-based recyclables classification method
Friedrich et al. Qualitative analysis of post-consumer and post-industrial waste via near-infrared, visual and induction identification with experimental sensor-based sorting setup
WO2022026924A1 (en) Identifying and grading system and related methods for collectable items
RU2731052C1 (en) Robot automatic system for sorting solid municipal waste based on neural networks
WO2021161779A1 (en) Waste plastic material determination device, material determination method, and material determination program
US9449255B2 (en) Method and apparatus for the determination of classification parameters for the classification of bank notes
KR102352310B1 (en) System and method for determining a material of an object
US20230206606A1 (en) Method and system for training a neural network-implemented sensor system to classify objects in a bulk flow
Sinkevicius et al. Amber gemstones sorting by colour
EP1533045A1 (en) Process and device for improved sorting of waste based on wood or wood fibre products
KR102602000B1 (en) Method of detecting the material of the target object
JP2005121587A (en) Sorter and sorting means of plastic

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right