KR20230147634A - 화학적 조성에 근거한 선별 - Google Patents
화학적 조성에 근거한 선별 Download PDFInfo
- Publication number
- KR20230147634A KR20230147634A KR1020237029043A KR20237029043A KR20230147634A KR 20230147634 A KR20230147634 A KR 20230147634A KR 1020237029043 A KR1020237029043 A KR 1020237029043A KR 20237029043 A KR20237029043 A KR 20237029043A KR 20230147634 A KR20230147634 A KR 20230147634A
- Authority
- KR
- South Korea
- Prior art keywords
- pieces
- piece
- chemical composition
- different
- classification
- Prior art date
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 154
- 239000000126 substance Substances 0.000 title claims abstract description 123
- 239000000463 material Substances 0.000 claims abstract description 583
- 238000000034 method Methods 0.000 claims abstract description 135
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims description 86
- 229910000838 Al alloy Inorganic materials 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 30
- 229910052729 chemical element Inorganic materials 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 229910001092 metal group alloy Inorganic materials 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 239000000356 contaminant Substances 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 239000004033 plastic Substances 0.000 description 24
- 229920003023 plastic Polymers 0.000 description 24
- 238000005259 measurement Methods 0.000 description 23
- 230000003595 spectral effect Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 239000000956 alloy Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 229910052782 aluminium Inorganic materials 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 229920000642 polymer Polymers 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000000701 chemical imaging Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 229920001684 low density polyethylene Polymers 0.000 description 3
- 239000004702 low-density polyethylene Substances 0.000 description 3
- 150000002739 metals Chemical class 0.000 description 3
- 229920006254 polymer film Polymers 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000011701 zinc Substances 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000035 biogenic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229920001903 high density polyethylene Polymers 0.000 description 2
- 239000004700 high-density polyethylene Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 229920002521 macromolecule Polymers 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 229910001369 Brass Inorganic materials 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 101100114697 Danio rerio cpeb1 gene Proteins 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- -1 Packaging Substances 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000009334 Singa Species 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 239000004699 Ultra-high molecular weight polyethylene Substances 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 238000007563 acoustic spectroscopy Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000007233 catalytic pyrolysis Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010787 construction and demolition waste Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000010793 electronic waste Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 150000002605 large molecules Chemical class 0.000 description 1
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002906 medical waste Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002094 microwave spectroscopy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229920005615 natural polymer Polymers 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010120 permanent mold casting Methods 0.000 description 1
- 239000010908 plant waste Substances 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004663 powder metallurgy Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- HUAUNKAZQWMVFY-UHFFFAOYSA-M sodium;oxocalcium;hydroxide Chemical compound [OH-].[Na+].[Ca]=O HUAUNKAZQWMVFY-UHFFFAOYSA-M 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229920001059 synthetic polymer Polymers 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
- 229920000785 ultra high molecular weight polyethylene Polymers 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
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
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- 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
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Sorting Of Articles (AREA)
Abstract
본 방법은, 전체적으로 특정한 화학적 조성으로 구성된 재료들의 집합체를 생산하기 위해 재료들을 분류하고 선별하기 위한 시스템들 및 방법들에 관한 것이다. 본 시스템은 비젼 시스템 및 하나 이상의 센서 시스템을 이용할 수 있고, 이는 재료들 각각을 식별하거나 분류하기 위해 기계 학습 시스템을 구현할 수 있다. 그런 다음에 분류에 따라 선별이 수행된다.
Description
본 출원은 미국 가특허 출원 일련 제63/249,069호 및 미국 가특허 출원 제63/285,964호에 대한 우선권을 주장한다. 본 출원은 미국 특허 출원 일련 제17/667,397호의 일부 계속 출원이며, 이는 미국 가특허 출원 일련 제63/146,892호 및 미국 가특허 출원 일련 제63/173,301호에 대한 우선권을 주장하며, 또한 미국 특허 출원 일련 제17/495,291호의 계속 출원이고, 이는 미국 특허 출원 일련 제17/380,928호의 계속이며, 이는 미국 특허 출원 일련 제17/227,245호의 일부 계속 출원이며, 이는 미국 특허 출원 일련 제16/939,011호의 일부 계속 출원이고, 이는 미국 특허 출원 일련 제16/375,675호(미국 특허 제10,722,922호로서 허여됨)의 계속 출원이고, 이는 미국 특허 출원 일련 제15/963,755호(미국 특허 제10,710,119호로서 허여됨)의 일부 계속 출원이며, 이는 미국 가특허 출원 일련 제62/490,219호에 대한 우선권을 주장하며 또한 미국 특허 출원 일련 제15/213,129호)(미국 특허 제10,207,296호로서 허여됨)의 일부 계속 출원이며, 이는 미국 가특허 출원 일련 제62/193,332호에 대한 우선권을 주장하며, 이것들은 모두 여기에 참조로 포함된다. 미국 특허 출원 일련 제17/495,291호는 또한 미국 특허 출원 일련 제17/491,415호(미국 특허 제11,278,937호로서 허여됨)의 일부 계속 출원이며, 이는 미국 특허 출원 일련 제16/852,514호(미국 특허 제11,260,426호로서 허여됨)의 일부 계속 출원이고, 이는 미국 특허 출원 일련 제16/358,374호(미국 특허 제10,625,304호로서 허여됨)의 분할 출원이며, 이는 미국 특허 출원 일련 제15/963,755호(미국 특허 제10,710,119호로서 허여됨)의 일부 계속 출원이고, 이것들은 모두 본원에 참조로 포함된다.
정부 라이센스 권리
본 개시는 미국 에너지부가 수여한 교부금 번호 DE-AR0000422에 따라 미국 정부 지원으로 이루어졌다. 미국 정부는 본 개시에 대해 특정 권리들을 가질 수 있다.
본 개시는 일반적으로 재료들의 선별(sorting), 특히, 선별된 재료들 내의 화학 원소들의 특정 조성을 달성하기 위한 재료들의 선별에 관한 것이다.
재활용은, 그렇지 않으면 쓰레기로 버려질 재료들을 수집하고 처리하여 새로운 제품들로 만드는 과정이다. 재활용은, 매립지와 소각장으로 보내지는 폐기물의 양을 줄이고, 천연 자원을 보존하고, 국내 자원을 이용하여 경제적 안정성을 높이고, 새로운 원자재를 수집할 필요성을 줄여 오염을 방지하고 또한 에너지를 절약하기 때문에 지역 사회와 환경에 이익이 된다. 수집 후에, 재활용품들은 일반적으로 재료 회수 시설에 보내져 선별되고, 청결화되며 또한 처리되어, 제조에 사용될 수 있는 재료들로 된다.
도 1은 본 개시의 실시예들에 따라 구성된 선별 시스템의 개략도를 도시한다.
도 2는 일반적인 알루미늄 합금들에 대한 화학적 조성들을 열거한 표를 도시한다.
도 3은 본 개시의 실시예들에 따라 제조될 예시적인 알루미늄 합금에 대한 화학적 조성을 열거한 표를 도시한다.
도 4는 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 5는 본 개시의 실시예들에 따라 재료 조각들의 크기들을 결정하도록 구성된 흐름도를 도시한다.
도 6은 주조 알루미늄으로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 7은 알루미늄 압출물로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 8은 단련(wrought) 알루미늄으로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 9는 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 10은 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 11은 본 개시의 실시예들에 따라 구성된 데이터 처리 시스템의 블록도를 도시한다.
도 2는 일반적인 알루미늄 합금들에 대한 화학적 조성들을 열거한 표를 도시한다.
도 3은 본 개시의 실시예들에 따라 제조될 예시적인 알루미늄 합금에 대한 화학적 조성을 열거한 표를 도시한다.
도 4는 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 5는 본 개시의 실시예들에 따라 재료 조각들의 크기들을 결정하도록 구성된 흐름도를 도시한다.
도 6은 주조 알루미늄으로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 7은 알루미늄 압출물로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 8은 단련(wrought) 알루미늄으로부터의 예시적인 재료 조각들의 시각적 이미지들을 나타낸다.
도 9는 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 10은 본 개시의 실시예들에 따라 구성된 흐름도를 도시한다.
도 11은 본 개시의 실시예들에 따라 구성된 데이터 처리 시스템의 블록도를 도시한다.
본 개시의 다양한 상세한 실시예들이 여기에 개시된다. 그러나, 개시된 실시예들은 본 개시의 예시일 뿐이며, 이는 다양하고 대안적인 형태들로 구현될 수 있음을 이해해야 한다. 도들은 반드시 축척에 따를 필요는 없고, 일부 특징들은 특정 구성 요소들의 세부 사항들을 나타내기 위해 과장되거나 최소화될 수 있다. 따라서, 여기서 개시된 특정 구조적 및 기능적 세부 사항들은 제한적인 것으로 해석되어서는 안 되며, 단지 당업자가 본 개시의 다양한 실시예들을 사용하도록 교시하기 위한 대표적인 근거로 해석되어야 한다.
여기서 사용되는 바와 같이, "화학적 원소(chemical element)"는, 본 출원의 출원일 이후에 발견될 수 있는 화학적 원소들을 포함하여, 화학적 원소의 주기율표에 있는 화학적 원소를 의미한다. 여기서 사용되는 바와 같이, "재료(material)"는 하나 이상의 화학적 원소들의 화합물 또는 혼합물로 구성된 고체를 포함할 수 있으며, 여기서 화합물 또는 혼합물의 복잡성은 단순한 것에서부터 복잡한 것까지의 범위일 수 있다(이들 모두는 또한 여기서 특정한 "화학적 조성(chemical composition)"을 갖는 재료로 지칭될 수 있음).
여기서 사용되는 바와 같이, "총 화학적 조성(aggregate chemical composition)"은, 개별적인고 별개인 재료 조각들의 집합체 또는 그룹 내에 있는 화학적 원소들의 조성 및 그의 상대적인 중량 기준 백분율(wt%)을 의미한다(중량 기준 백분율(또는 중량 백분율)은 질량 분율이라고도 하고, 이 질량 분율은 재료 또는 물질의 총 질량에 대한 어떤 재료 또는 물질 내의 특정한 화학적 원소의 질량의 백분율이라는 점에 유의한다). 예컨대, 금속 합금들의 개별 조각들 집합체가 함께 용융되면, 결과적인 "용융물(melt)"은 총 화학적 조성과 동등한 화학적 조성을 갖게 될 것이다. 여기서 언급된 바와 같이, "용융물"은 선택된 재료 조각들이 함께 용융될 때이고, 용융물 내에 존재하는 다양한 화학적 원소들의 백분율(예컨대, 중량 백분율)을 결정하기 위해, 함께 용융된 재료 조각들에 대해 조성 분석이 수행된다.
재료의 부류들은 금속들(철 및 비철), 금속 합금들, 플라스틱(PCB, HDPE, UHMWPE 및 다양한 유색 플라스틱을 포함하지만 이에 제한되지 않음), 고무, 발포체(foam), 유리(붕규산염 또는 소다석회 유리 및 다양한 유색 유리를 포함하지만 이에 제한되지 않음), 세라믹, 종이, 판지, 테플론, PE, 묶음 전선, 절연 피복 전선, 희토류 원소들, 잎, 나무, 식물, 식물의 일부, 섬유, 바이오 폐기물, 포장물, 전자 폐기물, 배터리, 축전지, 수명이 다한 차량의 스크랩 조각, 광업, 건설 및 철거 폐기물, 농작물 폐기물, 산림 잔류물, 특수 재배 잔디, 목질 에너지 작물, 미세조류(microalgae), 도시 음식물 쓰레기, 음식물 쓰레기, 유해 화학 및 생의학적 폐기물, 건설 잔해물, 농장 폐기물, 생물 발생 물품, 비생물 발생 물품, 특정의 탄소 함량을 갖는 물체, 도시 고형 폐기물 내에서 발견될 수 있는 기타 물체 및 여기에 개시된 기타 물체, 물품 또는 재료를 포함할 수 있고, 이는 하나 이상의 센서 시스템들을 포함하는(그러나, 이에 제한되지 않음) 것에 의해 서로 구별될 수 있는 추가 유형들 또는 부류들의 임의의 전술한 것을 포함하며, 그 센서 시스템은 여기서 개시된 센서 기술들 중 임의의 센서 기술을 포함하지만 이에 제한되지 않는다. 본 개시 내에서, "스크랩", "스크랩 조각들", "재료들", "재료 조각들" 및 "조각들"이라는 용어는 상호 교환적으로 사용될 수 있다. 여기서 사용되는 바와 같이, 금속 합금 조성을 갖는 것으로 지칭되는 재료 조각 또는 스크랩 조각은, 다른 금속 합금들과 구별되게 하는 특정한 화학적 조성을 갖는 금속 합금이다.
당업계에서 잘 알려진 바와 같이, "폴리머"는 많은 반복적인 서브유닛으로 구성된 매우 큰 분자들 또는 거대분자들로 구성된 물질 또는 재료이다. 폴리머는 자연에서 발견되는 천연 폴리머 또는 합성 폴리머일 수 있다.
"다층 폴리머 필름"은 2 개 이상의 서로 다른 조성물로 구성되며, 최대 약 7.5-8 × 10-4 m의 두께를 가질 수 있다. 층들은 적어도 부분적으로 인접하고 바람직하게는, 그러나 선택적으로 동연적(coextensive)이다.
여기서 사용되는 바와 같이, "플라스틱", "플라스틱 조각" 및 "플라스틱 재료 조각"(모두 상호 교환적으로 사용될 수 있음)이라는 용어는, 하나 이상의 폴리머 및/또는 다층 폴리머 필름들의 폴리머 조성물을 포함하거나 그것으로 구성되는 물체를 지칭한다.
여기서 사용되는 바와 같이, "화학적 시그니처"라는 용어는, 하나 이상의 분석 기기들에 의해 생성되는 고유한 패턴(예컨대, 지문 스펙트럼)을 말하며, 이는 샘플에서 하나 이상의 특정한 원소들 또는 분자들(폴리머들을 포함함)의 존재를 나타낸다. 원소들 또는 분자들은 유기 및/또는 무기일 수 있다. 그러한 분석 기기들은 여기서 개시된 임의의 센서 시스템을 포함한다. 본 개시의 실시예들에 따르면, 여기서 개시된 하나 이상의 센서 시스템들은 재료 조각(예컨대, 플라스틱 조각)의 화학적 시그니처를 생성하도록 구성될 수 있다.
여기서 사용되는 바와 같이, "분획물"은 유기 및/또는 무기 원소들 또는 분자들, 폴리머 유형들, 플라스틱 유형들, 폴리머 조성물들, 플라스틱의 화학적 시그너처, 플라스틱 조각들의 물리적 특성들(예컨대, 색상, 투명도, 강도, 융점, 밀도, 형상, 크기, 제조 유형, 균일성, 자극에 대한 반응 등) 등의 임의의 특정된 조합을 말하며, 이는 여기서 개시된 모든 다양한 분류 및 유형의 플라스틱 중 임의의 플라스틱 그리고 전부를 포함한다. 분획물의 비제한적 예들은, 다음을 포함하는 하나 이상의 상이한 유형의 플라스틱 조각들이다: LDPE + 상대적으로 높은 비율의 알루미늄; LDPE 및 PP + 상대적으로 낮은 비율의 철; PP + 아연; PE, PET 및 HDPE의 조합; 임의의 유형의 적색 LDPE 플라스틱 조각들; PVC를 제외한 플라스틱 조각들의 임의의 조합; 흑색 플라스틱 조각들; 유기 및 무기 분자들의 특정된 조합을 포함하는 #3-#7 유형 플라스틱의 조합; 하나 이상의 상이한 유형의 다층 폴리머 필름들의 조합; 특정된 오염 물질이나 첨가제를 함유하지 않는 특정된 플라스틱의 조합; 특정된 임계값보다 큰 융점을 갖는 임의의 유형의 플라스틱; 복수의 특정된 유형의 임의의 열경화성 플라스틱; 염소를 함유하지 않는 특정된 플라스틱; 밀도가 유사한 플라스틱의 조합; 극성이 유사한 플라스틱의 조합; 캡이 부착되지 않은 플라스틱 병 또는 그 반대의 것.
"촉매 열분해"는, 산소가 없고 촉매가 있는 상태에서 폴리머 재료들을 가열하여 그 폴리머 재료들을 분해하는 것을 포함한다.
"미리 결정된"이라는 용어는, 사전에 설정되거나 결정된 것을 말한다.
"스펙트럼 이미징"은, 전자기 스펙트럼에 걸쳐 다수의 대역들을 사용하는 이미징이다. 통상의 카메라는 가시 스펙트럼에 있는 3 개의 파장 대역들(적색, 녹색 및 청색("RGB"))에 걸쳐 빛을 캡처하지만, 스펙트럼 이미징은, RGB를 포함하지만 그 이상을 넘어서는 다양한 기술들을 포함한다. 스펙트럼 이미징은 적외선, 가시광선, 자외선 및/또는 x-선 스펙트럼 또는 위의 일부 조합을 사용할 수 있다. 스펙트럼 데이터 또는 스펙트럼 이미지 데이터는 스펙트럼 이미지의 디지털 데이터 표현이다. 스펙트럼 이미징은, 가시 대역과 비가시 대역에서 동시에 스펙트럼 데이터의 획득, 가시 범위 외부로부터의 조명 또는 특정 스펙트럼 범위를 캡처하기 위한 광학 필터들의 사용을 포함할 수 있다. 스펙트럼 이미지에서 각 픽셀에 대해 수백 개의 파장 대역들을 캡처하는 것도 가능하다.
여기서 사용되는 바와 같이, "이미지 데이터 패킷"이라는 용어는, 개별 재료 조각의 캡처된 스펙트럼 이미지에 관한 디지털 데이터 패킷을 말한다.
여기서 사용되는 바와 같이, "분류하다", "식별하다", "선택하다", "인식하다"라는 용어와 "분류", "식별", "선택", "인식"이라는 용어 및 전술한 용어의 파생어들은 상호 교환적으로 사용될 수 있다. 여기서 사용되는 바와 같이, 재료 조각을 "분류한다"는 것은, 재료 조각이 속하는(또는 적어도 그 재료 조각의 감지된 특성들에 따라 속해야 하는) 재료의 유형 또는 부류를 결정(즉, 식별)하는 것이다. 예컨대, 본 개시의 특정 실시예들에 따르면, 센서 시스템(여기서 더 설명되는 바와 같은)은 재료를 분류하기 위한 임의의 유형의 정보를 수집하고 분석하도록 구성될 수 있으며, 이 분류는 일 세트의 하나 이상의 감지된 물리적 및/또는 화학적 특성들(예컨대, 사용자에 의해 정의될 수 있음)에 따라 재료 조각들을 선택적으로 선별 하기 위해 선별 시스템 내에서 이용될 수 있으며, 그 물리적 및/또는 화학적 특성들은, 재료 조각들의 색상, 질감, 색조, 형상, 밝기, 중량, 밀도, 조성, 크기, 균일성, 제조 유형, 화학적 시그너처, 미리 결정된 분획, 방사성 시그너처, 빛, 소리 또는 기타 신호에 대한 투과율, 방출 및/또는 반사된 전자기 방사선("EM")을 포함한 다양한 필드들과 같은 자극에 대한 반응을 포함하지만 이에 제한되지 않는다. 여기서 사용되는 바와 같이, "제조 유형"은, 단련 공정으로 형성된, 주조된(팽창 가능한 몰드 주조, 영구 몰드 주조 및 분말 야금을 포함하지만 이에 제한되지 않음), 단조된, 재료 제거 공정 등으로 형성된 금속 부품과 같은 재료 조각이 제조된 제조 공정의 유형을 말한다.
재료들의 유형 또는 부류(즉, 분류)는 사용자에 의해 정의될 수 있으며 재료의 알려진 분류에 제한되지 않는다. 유형 또는 부류의 세분성은 매우 거친 것에서부터 매우 미세한 것까지 이를 수 있다. 예컨대, 유형 또는 부류는 플라스틱, 세라믹, 유리, 금속 및 기타 재료를 포함할 수 있으며, 이러한 유형 또는 부류의 세분성은 비교적 거칠고, 예컨대, 아연, 구리, 황동, 크롬 플레이트 및 알루미늄과 같은 상이한 금속들 및 금속 합금들(여기서 그러한 유형 또는 부류의 세분성은 더 미세함); 또는 금속 합금들의 특정 하위 부류들 사이에 있음(여기서 그러한 유형 또는 부류의 세분성은 상대적으로 미세함). 따라서 유형 또는 부류는 예컨대 플라스틱 및 금속 합금들과 같이 상당히 상이한 조성들의 재료들을 구별하거나 예컨대 금속 합금들의 상이한 하위 부류들과 같은 실질적으로 유사한 또는 거의 동일한 화학적 조성을 갖는 재료들을 구별하도록 구성될 수 있다. 여기서 논의된 방법들 및 시스템들은, 화학적 조성이 분류되기 전에 완전히 알려져 있지 않은 재료 조각들을 식별/분류하기 위해 적용될 수 있음을 이해해야 한다.
여기서 언급된 바와 같이, "컨베이어 시스템"은 재료들을 한 위치에서 다른 위치로 이동시키는 임의의 공지된 기계적 취급 장비일 수 있으며, 이러한 취급 장비는 공기-기계식 컨베이어, 자동차 컨베이어, 벨트 컨베이어, 벨트 구동식 라이브 롤러 컨베이어, 버킷 컨베이어, 체인 컨베이어, 체인 구동식 라이브 롤러 컨베이어, 드래그 컨베이어, 방진(dust-proof) 컨베이어, 전기 트랙 차량 시스템, 플렉시블 컨베이어, 중력 컨베이어, 중력 스케이트휠 컨베이어, 라인샤프트 롤러 컨베이어, 전동 구동 롤러 컨베이어, 오버헤드 I-빔 컨베이어, 오버랜드 컨베이어, 제약 컨베이어, 플라스틱 벨트 컨베이어, 공압 컨베이어, 스크류 또는 오거(auger) 컨베이어, 나선형 컨베이어, 관형 갤러리 컨베이어, 수직 컨베이어, 진동 컨베이어 및 철망 컨베이어를 포함하지만 이에 제한되지 않는다.
본 개시의 특정 실시예들에 따른 여기서 설명되는 시스템들 및 방법들은 복수의 재료 조각들의 혼합물을 받으며, 이 혼합물 내의 적어도 하나의 재료 조각은하나 이상의 다른 재료 조각들과 상이한 화학적 조성(예컨대, 금속 합금 조성, 화학적 시그너처)을 포함하며 그리고/또는 이 혼합물 내의 적어도 하나의 재료 조각은 하나 이상의 다른 재료들과 다르게 제조되었으며 그리고/또는 이 혼합물 내의 적어도 하나의 재료 조각은 다른 재료 조각으로부터 구별 가능하며(예컨대, 시각적으로 분간 가능한 특성들 또는 특징들, 상이한 화학적 시그너처들 등), 그리고 시스템들 및 방법들은 그에 따라 이 재료 조각을 식별/분류/선별하도록 구성된다. 본 개시의 실시예들은 여기서 정의되는 바와 같이, 임의의 유형 또는 부류의 재료들 또는 분획물들을 선별 위해 이용될 수 있다.
선별될 재료 조각들은 불규칙한 크기들과 형상들을 가질 수 있다는 것을 유의해야 한다(예컨대, 도 6-8 참조). 예컨대, 재료들(예컨대, Zorba 및/또는 Twitch)은, 재료를 그러한 불규칙한 형상과 크기의 조각들로 자르는(스크랩 조각들을 생성함) 일부 종류의 파쇄 기구를 이전에 통과했을 수 있으며, 그런 다음에 그 조각들은 컨베이어 시스템 상으로 이송되거나 배치될 수 있다.
여기서 본 개시의 실시예들은, 사용자에 의해 정의된 그룹핑들 또는 집합체들(예컨대, 미리 결정된 특정한 총 화학적 조성, 특정한 재료 유형 분류 또는 분획)에 따라 재료 조각들을 개별적인 리셉터클 또는 리셉터클들 안으로 또는 다른 컨베이어 시스템 상으로 물리적으로 배치(예컨대, 방향 전환 또는 방출)함으로써 재료 조각들을 그러한 개별적인 그룹들 또는 집합체들로 분류하는 것으로 설명될 것이다. 예를 들어, 본 개시의 특정 실시들 내에서, 선별된 재료 조각들의 집합체 또는 그룹 내의 미리 결정된 특정한 총 화학적 조성을 생성하기 위해 재료 조각들은 특정한 화학적 조성 또는 조성들로 구성된 재료 조각들을 상이한 특정한 화학적 조성으로 구성된 다른 재료 조각들로부터 분리하기 위해 개별적인 리셉터클 또는 리셉터클들 안으로 선별될 수 있다. 비제한적인 예에서, 다양한 알루미늄 합금들(예컨대, 다양한 상이한 단련 및/또는 주조 알루미늄 합금들)을 포함하는 Twitch의 집합체는, 원하는 화학적 조성을 갖는 알루미늄 합금(공지된 알루미늄 합금들과는 상이한 고유한 화학적 조성을 갖는 알루미늄 합금을 포함할 수 있음)을 생성하기 위해 본 개시의 실시예들에 따라 선별될 수 있다.
도 1은 본 개시의 다양한 실시예들에 따라 구성된 시스템(100)의 일 예를 도시한다. 컨베이어 시스템(103)은, 시스템(100)을 통해 개별 재료 조각들(101)의 하나 이상의 스트림들(조직화된 또는 무작위)을 운반하도록 구현될 수 있으며, 그래서 개별 재료 조각들(101) 각각이 추적될 수 있고, 분류될 수 있으며 그리고 미리 결정된 원하는 그룹들 또는 집합체들(예컨대, 하나 이상의 미리 결정된 특정한 총 화학적 조성물들)로 선별될 수 있다. 이러한 컨베이어 시스템(103)은, 재료 조각들(101)이 전형적으로 미리 결정된 일정한 속도로 이동하는 하나 이상의 컨베이어 벨트들로 구현될 수 있다. 그러나, 본 개시의 특정 실시예들은, 재료 조각들이 시스템(100)의 선택된 구성 요소들(또는 임의의 다른 유형의 수직 선별기)를 지나 자유 낙하하는 시스템 또는 진동 컨베이어 시스템을 포함하는 다른 유형의 컨베이어 시스템들(여기에 개시된 바와 같은)로 구현될 수 있다. 이하, 적용 가능한 경우, 컨베이어 시스템(103)은 컨베이어 벨트(103)라고도 지칭될 수 있다. 하나 이상의 실시예들에서, 운반, 추적, 자극 주기, 검출, 분류, 및 선별의 행위들 중의 일부 또는 전부는 자동적으로, 즉 인간의 개입 없이 수행될 수 있다. 예컨대, 시스템(100)에서, 하나 이상의 자극원, 하나 이상의 방출 검출기, 분류 모듈, 선별 장치 및/또는 다른 시스템 구성 요소들이 이들 및 다른 작업들을 자동으로 수행하도록 구성될 수 있다.
또한, 도 1의 단순화된 도시는 컨베이어 벨트(103) 상에서의 재료 조각들(101)의 단일 스트림을 나타내지만, 재료 조각들의 복수의 그러한 스트림들이 서로 병렬적으로 시스템(100)의 다양한 구성 요소들을 지나고 있는 본 개시의 실시예들이 구현될 수 있다. 예를 들어, 미국 특허 제10,207,296호에 추가로 설명된 바와 같이, 재료 조각들은 단일 컨베이어 벨트 또는 일 세트의 병렬 컨베이어 벨트들 상에서 이동하는 2 개 이상의 병렬적인 개별 스트림들 안으로 분배될 수 있다. 본 개시의 특정 실시예들에 따르면, 개별화기(singulator)의 통합 또는 사용이 요구되지 않는다. 그 대신에, 컨베이어 시스템(예를 들어, 컨베이어 시스템(103))은 임의의 방식으로 컨베이어 시스템(103) 상에 배치된(또는 컨베이어 시스템(103) 상에 대량으로 배치되고 그런 다음에 예컨대 진동 기구에 의해 분리되는) 대량의 재료 조각들을 단순히 운반할 수 있다. 이와 같이, 본 개시의 특정 실시예들은 복수의 그러한 운반되는 재료 조각들을 동시에 추적하고, 분류하며 그리고/또는 선별할 수 있다.
본 개시의 특정 실시예들에 따르면, 재료 조각들(101)을 컨베이어 시스템(103) 상으로 공급하기 위해 어떤 종류의 적절한 공급 기구(예를 들어, 다른 컨베이어 시스템 또는 호퍼(102))가 이용될 수 있고, 이에 의해 컨베이어 시스템(103)은 재료 조각들(101)을 시스템(100) 내의 다양한 구성 요소들을 지나 운반한다. 재료 조각들(101)이 컨베이어 시스템(103)에 의해 수용된 후, 선택적인 텀블러/진동기/개별화기(106)가 이용되어, 결합된 재료 조각 덩어리로부터 개별적인 재료 조각들을 분리할 수 있다. 본 개시의 특정 실시예들 내에서, 컨베이어 시스템(103)은 컨베이어 시스템 모터(104)에 의해 미리 결정된 속도로 이동하도록 작동된다. 이 미리 결정된 속도는 잘 알려져 있는 방식으로 작업자에 의해 프로그래밍 및/또는 조절될 수 있다. 컨베이어 시스템(103)의 미리 결정된 속도의 모니터링은 대안적으로 위치 검출기(105)로 수행될 수 있다. 본 개시의 특정 실시예들 내에서, 컨베이어 시스템 모터(104) 및/또는 위치 검출기(105)의 제어는 자동화 제어 시스템(108)에 의해 수행될 수 있다. 이러한 자동화 제어 시스템(108)은 컴퓨터 시스템(107)의 제어 하에 작동될 수 있으며 그리고/또는 자동화 제어를 수행하기 위한 기능들은 컴퓨터 시스템(107) 내의 소프트웨어로 구현될 수 있다.
따라서, 본 개시에서 추가로 설명되는 바와 같이, 컨베이어 벨트 구동 모터(104) 및/또는 자동화 제어 시스템(108)(및 대안적으로 위치 검출기(105)를 포함)에 대한 제어들의 이용을 통해, 컨베이어 벨트(103) 상에서 이동하는 각각의 재료 조각들(101) 각각이 식별됨에 따라, 그 재료 조각들은 (시스템(100)의 다양한 구성 요소들에 대한) 위치 및 시간으로 추적될 수 있으며, 그래서 시스템(100)의 다양한 구성 요소들은 각각의 재료 조각(101)이 그의 근처를 지날 때 활성화/비활성화될 수 있다. 그 결과, 자동화 제어 시스템(108)은 재료 조각들이 컨베이어 벨트(103)를 따라 이동하는 동안 재료 조각들(101) 각각의 위치를 추적할 수 있다.
본 개시의 특정 실시예들에 따르면, 재료 조각들(101)이 컨베이어 벨트(103)에 의해 수용된 후, 텀블러 및/또는 진동기가 이용되어 재료 조각들의 덩어리(예를 들어, 물리적 더미)로부터 개별적인 재료 조각들을 분리할 수 있다. 본 개시의 대안적인 실시예들에 따르면, 재료 조각들은, 능동 또는 수동 개별화기(106)에 의해 수행될 수 있는 하나 이상의 개별화된(즉, 단일 파일) 스트림들 안으로 위치될 수 있다. 수동 개별화기의 일 예가 미국 특허 번호 10,207,296에 더 설명되어 있다. 앞에서 논의한 바와 같이, 개별화기의 통합 또는 사용이 필요 없다. 대신에, 컨베이어 시스템(예를 들어, 컨베이어 벨트(103))은, 임의의 방식으로 컨베이어 벨트(103) 상에 배치된 재료 조각들의 집합체를 단순히 운반할 수 있다.
다시 도 1을 참조하면, 본 개시의 특정 실시예들은 비젼 또는 광학 인식 시스템(110) 및/또는 재료 추적 및 측정 장치(111)를 이용하여, 재료 조각들이 컨베이어 벨트(103) 상에서 이동할 때 그 재료 조각들(101) 각각을 추적할 수 있다. 비젼 시스템(110)은 움직이는 컨베이어 벨트(103) 상의 재료 조각들(101) 각각의 위치(즉, 위치 및 타이밍)를 기록하기 위해 하나 이상의 스틸(still) 또는 라이브 액션 카메라(109)를 이용할 수 있다.
비젼 시스템(110)은, 여기서 더 설명되는 바와 같이, 재료 조각들(101)의 전부 또는 일부의 특정 유형의 식별(예를 들어, 분류)을 수행하도록 추가로 또는 대안적으로 구성될 수 있다. 예를 들어, 이러한 비젼 시스템(110)은 재료 조각들(101) 각각에 대한 정보를 캡처하거나 획득하는 데에 이용될 수 있다. 예컨대, 여기서 설명되는 바와 같이, 비젼 시스템(110)은 일 세트의 하나 이상의 특성들(예컨대, 물리적 및/또는 화학적 및/또는 방사성 등)에 따라 재료 조각들(101)을 분류 및/또는 선택적으로 선별하기 위해 시스템(100) 내에서 이용될 수 있는 재료 조각들로부터 임의의 유형의 정보를 캡처하거나 수집하도록 구성될 수 있다(예컨대, 기계 학습 시스템으로). 본 개시의 특정 실시예들에 따르면, 비젼 시스템(110)은, 예컨대, 전형적인 디지털 카메라들 및 비디오 장비에 사용되는. 광학 센서를 사용하여 재료 조각들(101) 각각의 시각적 이미지들(1차원, 2차원, 3차원 또는 홀로그래픽 이미징을 포함하여)을 캡처할 수 있다. 광학 센서에 의해 캡처된 그러한 시각적 이미지들은 그런 다음에 이미지 데이터(예컨대, 이미지 데이터 패킷으로서 포맷됨)로서 메모리 장치에 저장된다. 본 개시의 특정 실시예들에 따르면, 이러한 이미지 데이터는 빛의 광학적 파장(즉, 전형적인 사람의 눈으로 관찰할 수 있는 빛의 파장) 내에서 캡처된 이미지들을 나타낼 수 있다. 그러나, 본 개시의 대안적인 실시예들은 육안의 가시 파장 외부의 파장을 갖는 빛으로 구성된 재료의 이미지를 캡처하도록 구성된 센서 시스템들을 이용할 수 있다. 이러한 모든 이미지들을 본 명세서에서 스펙트럼 이미지라고 할 수 있다.
본 개시의 특정 실시예들에 따르면, 시스템(100)은, 재료 조각들(101)을 분류/식별하기 위해 단독으로 또는 비젼 시스템(110)과 조합하여 이용될 수 있는 하나 이상의 센서 시스템들(120)로 구현될 수 있다. 센서 시스템(120)은, 조사되는(irradiated) 또는 반사되는 전자기 방사선을 이용하는(예컨대, 적외선("IR"), 푸리에 변환 IR("FTIR"), 전향적 적외선("FLIR"), 매우 근접한 적외선("VNIR"), 근적외선("NIR"), 단파장 적외선("SWIR"), 장파장 적외선("LWIR"), 중파장 적외선("MWIR" 또는 "MIR"), X선 전송("XRT"), 감마선, 자외선("UV"), X-선 형광("XRF"), 레이저 유도 분해 분광법("LIBS"), 라만 분광법, 반스톡스 라만 분광법, 감마 분광법, 하이퍼스펙트럼 분광법(예컨대, 가시 파장을 넘어서는 임의의 범위), 음향 분광법, NMR 분광법, 마이크로파 분광법, 테라헤르쯔 분광법을 이용하고 앞에서 언급한 것들 중 임의의 것과의 1차원, 2차원, 3차원 또는 홀로그래픽 이미징을 포함하는) 센서 시스템을 포함하여 임의의 유형의 센서 기술로 또는 화학적 또는 방사성 센서 기술을 포함하는(그러나, 이에 제한되지 않음) 임의의 다른 유형의 센서 기술로 구성될 수 있다. 예시적인 XRF 시스템(예컨대, 여기서 센서 시스템(120)으로서 사용되기 위한)의 구현이 미국 특허 제10,207,296호에 더 설명되어 있다.
도 1은 비젼 시스템(110)과 하나 이상의 센서 시스템들(120)의 조합으로 도시되어 있지만, 본 개시의 실시예들은 여기서 개시된 센서 기술들 중 임의의 센서 기술 또는 현재 이용 가능한 또는 미래에 개발될 임의의 다른 센서 기술들을 이용하는 센서 시스템들의 임의의 조합으로 구현될 수 있다. 도 1은 하나 이상의 센서 시스템들(120)을 포함하는 것으로 도시되어 있지만, 그러한 센서 시스템(들)의 구현은 본 개시의 특정 실시들예 내에서 선택적인 것이다. 본 개시의 특정 실시예들 내에서, 비젼 시스템(110)과 하나 이상의 센서 시스템들(120) 모두의 조합은 재료 조각들(101)을 분류하기 위해 사용될 수 있다. 본 개시의 특정 실시예들 내에서, 여기서 개시된 상이한 센서 기술들 중 하나 이상의 임의의 조합을 사용하여, 비젼 시스템(110)의 이용 없이 재료 조각들(101)을 분류할 수 있다. 또한, 본 개시의 실시예들은 하나 이상의 센서 시스템들 및/또는 비젼 시스템들의 임의의 조합을 포함할 수 있으며, 여기서, 이러한 센서들 및/또는 비젼 시스템들의 출력들은, 재료들의 혼합물로부터 재료들 분류/식별하기 위해 기계 학습 시스템(여기서 추가로 개시되어 있는 바와 같은) 내에서 처리되며, 그 재료들은 이후 서로로부터 선별될 수 있다. 선별 시스템(예컨대, 시스템(100))이 오로지 그러한 비젼 시스템(들)(110)과 함께 작동하도록 구성되는 경우, 센서 시스템(들)(120)은 시스템(100)에서 생략될 수 있다(또는 단순히 비활성화될 수 있음).
본 개시의 특정 실시예들에 따르면, 그리고 도 4와 관련하여 여기서 추가로 설명하는 바와 같이, 비젼 시스템(110) 및/또는 센서 시스템(들)은, 재료 조각들(101) 중 어느 것이 특정 총 화학적 조성물(예컨대, 특정 오염 물질 또는 화학적 원소를 포함하는 재료 조각들)을 생성하기 위한 집합체 내에 포함되기 위해 시스템(100)에 의해 선별될 종류가 아닌지 식별하고 또한 그러한 재료 조각들을 다른 선별된 재료 조각들과 함께 방향 전환시키지 않도록 하는 신호를 보내도록 구성될 수 있다.
본 개시의 특정 실시예들 내에서, 재료 추적 및 측정 장치(111) 및 수반하는 제어 시스템(112)은, 재료 조각들이 재료 추적 및 측정 시스템(111)의 근처 내를 통과하고 있을 때 그 재료 조각들(101) 각각의 크기들 및/또는 형상들을 측정하도록 이용되고 구성될 수 있으며, 그 크기들과 형상들은 움직이는 컨베이어 시스템(103) 상의 재료 조각들(101) 각각의 포지션(즉, 위치 및 타이밍)와 함께 재료 조각들 각각의 대략적인 질량들을 결정하기 위해 시스템(100)에 의해 이용될 수 있다. 대안적으로, 비젼 시스템(110)은, 재료 조각들이 컨베이어 시스템(103)에 의해 운반될 때 그 재료 조각들(101) 각각의 포지션(즉, 위치 및 타이밍)를 추적하기 위해 이용될 수 있다.
그러한 재료 추적 및 측정 장치(111) 및 제어 시스템(112)의 비제한적이고 예시적인 작동을 여기서 도 5와 관련하여 설명한다. 이러한 재료 추적 및 측정 장치(111)는, 레이저 광이 다시 레이저 광 시스템의 검출기 안으로 반사되기 전에 그 레이저 광이 이동하는 거리를 연속적으로 측정하는 잘 알려진 레이저 광 시스템으로 구현될 수 있다. 이와 같이, 재료 조각들(101) 각각이 장치(111)의 근처 내를 통과할 때, 그 장치는 그러한 거리 측정치들을 나타내는 신호를 제어 시스템(112)에 출력한다. 따라서, 그러한 신호는 실질적으로 간헐적인 펄스 열들을 나타낼 수 있으며, 이에 의해 신호의 기준은, 재료 조각이 장치(111)의 근처에 있지 않을 때의 순간 동안에 장치(111)와 컨베이어 벨트(103) 사이의 거리의 측정의 결과로 생성되며, 각 펄스는 장치(111)와 컨베이어 벨트(103) 상에서 지나가는 재료 조각(101) 사이의 거리의 측정치를 제공한다. 재료 조각(101)은 불규칙한 형상들을 가질 수 있기 때문에, 이러한 펄스 신호도 때때로 불규칙한 높이를 가질 수 있다. 그럼에도 불구하고, 장치(111)에 의해 생성된 각 펄스 신호는, 재료 조각들이 컨베이어 벨트(103) 상에서 지나갈 때 그 재료 조각들(101) 각각의 부분들의 높이를 제공할 수 있다. 그러한 펄스들 각각의 길이는 또한 컨베이어 벨트(103)의 이동 방향에 실질적으로 평행한 선을 따라 측정되는 재료 조각들(101) 각각의 길이의 측정치를 제공한다. 각각의 재료 조각(101)의 질량을 결정하거나 적어도 그 질량을 근사화하기 위해 본 개시의 실시예들 내에서 이용될 수 있는 것은 이 길이 측정치(도 5의 공정 블록(506)의 타임 스탬프에 대응함)(및 대안적으로 높이 측정치들)이며, 이는, 여기서 더 설명하는 바와 같이, 재료 조각들의 선별에 도움을 주기 위해 이용될 수 있다.
다음 도 5를 참조하면, 각각의 재료 조각의 대략적인 크기, 형상 및/또는 질량을 결정하기 위한 예시적인 시스템 및 공정(500)의 흐름도가 도시되어 있다. 이러한 시스템 및 공정(500)은, 도 1에 도시된 재료 추적 및 측정 장치(111) 및 제어 시스템(112)과 같은, 여기서 설명되는 비젼/광학 인식 시스템 및/또는 재료 추적 및 측정 장치 중 임의의 것 내에서 구현될 수 있다. 공정 블록(501)에서, 재료 추적 및 측정 장치는 n=0 에서 초기화될 수 있으며, 여기서 n 은, 컨베이어 시스템을 따라 운반될 제1 재료 조각은 아직 측정되어야 하는 조건을 나타낸다. 전술한 바와 같이, 이러한 재료 추적 및 측정 장치는 재료 추적 및 측정 장치와 그 위에 운반되는 대상물(즉, 재료 조각)이 존재하지 않는 컨베이어 벨트 사이의 거리를 나타내는 기준 신호를 설정할 수 있다. 공정 블록(502)에서, 재료 추적 및 측정 장치는 연속적인 또는 실질적으로 연속적인 거리 측정을 생성한다. 공정 블록(503)은, 검출된 거리가 미리 결정된 임계량으로부터 변하였는지의 여부를 재료 추적 및 측정 장치 내에서 결정하는 것을 나타낸다. 일단 시스템(100)이 개시되면, 어떤 시점에서, 재료 조각(101)은, 거리들을 측정하는 사용되는 기구에 의해 검출될 수 있도록 재료 추적 및 측정 장치에 충분히 근접하여 컨베이어 시스템을 따라 이동할 것임을 상기한다. 본 개시의 실시예들에서, 이는 이동하는 재료 조각(101)이 거리 측정에 이용되는 레이저 광의 라인 내를 통과할 때 일어날 수 있다. 재료 조각(101)과 같은 대상물이 재료 추적 및 측정 장치(예컨대, 레이저 광)에 의해 검출되기 시작하면, 그 재료 추적 및 측정 장치에 의해 측정된 거리는 기준 값으로부터 변할 것이다. 재료 추적 및 측정 장치는, 재료 조각(101)의 임의의 부분의 높이가 미리 결정된 임계 거리 값보다 크면 그 장치의 근처 내를 통과하는 재료 조각(101)의 존재만을 검출하도록 미리 결정될 수 있다. 도 5는 그러한 임계 값이 0.15(예컨대, 0.15 mm를 나타냄)인 예를 나타내지만, 본 개시의 실시예들은 임의의 특정 값에 제한되지 않아야 한다.
본 시스템 및 공정(500)은, 이 임계 거리 값에 도달하지 않는 한 현재 거리를 계속 측정할 것이다(즉, 공정 블록들(502-503)을 반복함). 임계 값보다 큰 측정 높이가 검출되면 공정은 공정 블록(504)으로 진행하여, 재료 추적 및 측정 장치의 근처 내를 통과하는 재료 조각(101)이 컨베이어 시스템에서 검출되었음을 기록한다. 그 후, 공정 블록(505)에서, 변수(n)는, 다른 재료 조각(101)이 컨베이어 시스템에서 검출되었음을 시스템(100)에 알려 주기 위해 증가될 수 있다. 이 변수(n)는 재료 조각들(101) 각각의 추적에 도움을 주는 데에 이용될 수 있다. 공정 블록(506)에서, 검출된 재료 조각(101)에 대해 타임 스탬프가 기록되며, 이는 검출된 재료 조각이 컨베이어 시스템 상에서 이동할 때 그 검출된 재료 조각(101)의 특정 위치 및 타이밍을 추적하기 위해 시스템(100)에 의해 이용될 수 있고, 또한 검출된 재료 조각(101)의 길이를 나타낸다. 선택적인 공정 블록(507)에서, 그런 다음에, 이 기록된 타임 스탬프는 타임 스탬프와 관련된 센서 개시 측정 신호(예컨대, 재료 조각(101)으로부터의 x-선 형광 스펙트럼)의 획득을 언제 활성화(시작)하고 비활성화(정지)할 지를 결정하는 데에 이용될 수 있다. 타임 스탬프의 시작 및 정지 시간은 재료 추적 및 측정 장치에 의해 생성된 위에서 언급된 펄스 신호에 대응할 수 있다. 공정 블록(508)에서, 재료 조각(101)의 기록된 높이와 함께 이 타임 스탬프는, 재료 조각들(101) 각각 및 그의 결과적인 분류를 추적하기 위해 시스템(100)에 의해 이용되는 테이블 내에 기록될 수 있다.
그 후, 선택적인 공정 블록(509)에서, 재료 추적 및 측정 장치에 의해 결정되는 재료 조각(101)의 길이에 대응하는 시작 및 정지 시간을 포함할 수 있는, 재료 조각(101)으로부터의 센서 개시 측정 신호의 획득을 활성화/비활성화하는 시간 주기를 나타내는 신호가 센서 시스템에 보내질 수 있다. 본 개시의 실시예들은, 재료 조각(101)의 선두 가장자리가 조사(irradiating) 소스를 언제 지나갈 지를 그리고 그 후에 재료 조각(101)의 후미 가장자리가 그 조사 소스를 언제 지나갈 지를 나타내는 재료 추적 및 측정 장치로부터 수신된 컨베이어 시스템의 알려진 미리 결정된 속도 및 타임 스탬프로 인해 그러한 작업을 달성할 수 있다.
컨베이어 시스템을 따라 이동하는 재료 조각들(101) 각각의 거리 측정을 위한 시스템 및 공정(500)은 각각의 통과하는 재료 조각(101)에 대해 반복될 수 있다.
하나 이상의 센서 시스템들(120)을 구현하는 본 개시의 특정 실시예들 내에서, 하나 이상의 센서 시스템들(120)은, 재료 조각들이 하나 이상의 센서 시스템들(120)의 근처 내를 통과할 때 비젼 시스템(110)이 그 재료 조각들(101) 각각의 화학적 조성, 상대적 화학적 조성 및/또는 제조 유형을 식별하는 것을 돕도록 구성될 수 있다. 하나 이상의 센서 시스템들(120)은 재료 조각들(101) 각각으로부터의 응답을 자극하기 위해 에너지 방출 소스(121)를 포함할 수 있으며, 이는 예컨대 전력 공급부(122)에 의해 전력 공급을 받을 수 있다.
XRF 시스템을 센서 시스템(120)으로서 구현하는 본 개시의 특정 실시예들에 따르면, 소스(121)는 미국 특허 제 10,207,296 호에 추가로 설명되어 있는 바와 같은 인라인 x-선 형광("IL-XRF") 튜브를 포함할 수 있다. 이러한 IL-XRF 튜브는 운반된 재료 조각들의 하나 이상의 스트림들(예컨대, 개별화됨)에 대해 각각 전용되는 별도의 x-선 소스를 포함할 수 있다. 이러한 경우에, 하나 이상의 검출기(124)는 각각의 개별화된 스트림들 내의 재료 조각들(101)로부터 형광 x-선들을 검출하기 위해 XRF 검출기로서 구현될 수 있다.
본 개시의 특정 실시예들 내에서, 각각의 재료 조각(101)이 방출 소스(121)의 근처 내를 통과할 때, 센서 시스템(120)은 재료 조각(101) 쪽으로 적절한 감지 신호를 방출할 수 있다. 이용되는 센서 기술의 유형에 적합한 형태로 하나 이상의 검출기들(124)이 재료 조각(101)으로부터 하나 이상의 특성들을 감지/검출하도록 위치되고 구성될 수 있다. 하나 이상의 검출기들(124) 및 연관된 검출기 전자 장치(125)는 이들 수신된 감지된 특성들을 캡처하여 그에 대한 신호 처리를 수행하고 또한 감지된 특성들을 나타내는 디지털화된 정보(예컨대, 스펙트럼 데이터)를 생성하며, 그 정보는 이후 본 개시의 특정 실시 형태들에 따라 분석되며, 이는 재료 조각들(101) 각각을 분류하기 위해 사용될 수 있다(단독으로 또는 비젼 시스템(110)과 함께). 그런 다음, 컴퓨터 시스템(107) 내에서 수행될 수 있는 이 분류는, 결정된 분류들에 따라 재료 조각들(101)을 하나 이상의 N(N≥1) 개의 선별 리셉터클들(136...139) 안으로 선별(예컨대, 방향 전환/방출)하기 위한 선별 장치의 N(N≥1) 개의 선별 장치들(126...129) 중의 하나를 활성화시키기 위해 자동화 제어 시스템(108)에 의해 이용될 수 있다. 4 개의 선별 장치들(126...129) 및 이 선별 장치들과 관련된 4 개의 선별 리셉터클들(136...139)이 단지 비제한적인 예로서 도 1에 도시되어 있다.
선별 장치는, 재료 조각들(101)을 컨베이어 벨트 시스템으로부터 복수의 선별 리셉터클들 안으로 방향 전환시키는 것(그러나, 이에 제한되지 않음)을 포함하여, 선택된 재료 조각들(101)을 원하는 위치 쪽으로 다시 향하게 하기 위한 임의의 잘 알려진 기구들을 포함할 수 있다. 예컨대, 선별 장치는 공기 젯트들을 이용할 수 있으며, 각각의 공기 젯트들은 분류들 중의 하나 이상에 할당된다. 공기 젯트들 중의 하나(예컨대, 127)가 자동화 제어 시스템(108)으로부터 신호를 수신하면, 그 공기 젯트는, 재료 조각(101)이 컨베이어 시스템(103)으로부터 그 공기 젯트에 대응하는 선별 상자(예컨대, 137) 안으로 방향 전환/방출되게 하는 공기 스트림을 방출한다.
다른 기구를 사용하여 재료 조각들을 방향 전환/방출시킬 수 있는데, 예컨대, 컨베이어 벨트로부터 재료 조각들을 로봇식으로 제거하고 컨베이어 벨트로부터 재료 조각들을 밀어내고(예컨대, 페인트 브러시형 플런저들을 사용하여), 재료 조각이 떨어질 수 있는 컨베이어 시스템(103)에 개구(예컨대, 트랩 도어)를 내거나, 또는 재료 조각들이 컨베이어 벨트의 가장자리로부터 떨어질 때 공기 젯트들을 사용하여 그 재료 조각들을 개별적인 리셉터클들 안으로 방향 전환시킬 수 있다. 여기서 사용되는 용어인 푸시어 장치는, 공압식, 기계식 또는 다른 수단(예컨대, 임의의 적절한 유형의 기계식 푸싱 기구(예컨대, ACME 스크루 드라이브), 공압식 푸싱 기구, 또는 공기 젯트 푸싱 기구)를 사용하여 대상물을 컨베이어 시스템/장치 상으로 또는 그로부터 동적으로 변위시키기 위해 활성화될 수 있는 임의의 형태의 장치를 지칭할 수 있다. 일부 실시예들은 상이한 위치들에 위치되는 그리고/또는 컨베이어 시스템의 경로를 따라 상이한 방향 전환 경로 배향들을 갖는 다수의 푸시어 장치들을 포함할 수 있다. 다양한 상이한 구현예들에서, 여기서 설명되는 이들 선별 시스템들은, 기계 학습 시스템에 의해 수행되는 재료 조각들의 분류에 따라 어느 푸시어 장치(있는 경우)를 활성화시킬지를 결정할 수 있다. 더욱이, 어느 푸시어 장치를 활성화시킬지를 결정하는 것은, 타겟 물품(예컨대, 분류된 재료 조각)과 동시에 푸시어 장치의 방향 전환 경로 내에 또한 있을 수 있는 다른 물체들의 검출된 존재 및/또는 특성들에 근거할 수 있다. 또한, 컨베이어 시스템을 따르는 개별화가 완벽하지 않은 설비에 대해서도, 개시된 선별 시스템은 다수의 대상물들이 잘 개별화되지 않는 때를 인식할 수 있고, 가까이 있는 대상물들을 잠재적으로 분리하기 위해 최선의 방향 전환 경로를 어느 푸시어 장치가 제공할지에 근거하여 활성화되어야 하는 복수의 푸시어 장치들로부터 동적으로 선택할 수 있다. 일부 실시예들에서, 타겟 대상물로서 식별된 대상물들은 컨베이어 시스템에서 방향 전환되어야 하는 재료를 나타낼 수 있다. 다른 실시예들에서, 타겟 대상물로서 식별된 대상물들은 컨베이어 시스템 상에 남아 있도록 허용되어야 하는 재료를 나타내며, 그래서 비타겟 재료들이 대신에 방향 전환된다.
재료 조각들(101)이 방향 전환/방출되는 N 개의 선별 리셉터클들(136...139)에 추가로, 시스템(100)은, 컨베이어 시스템(103)으로부터 위에서 언급된 선별 리셉터클들(136...139) 중 임의의 리셉터클 안으로 방향 전환/방출되지 않는 재료 조각들(101)을 수용하는 리셉터클(140)을 또한 포함할 수 있다. 예컨대, 재료 조각(101)의 분류가 결정되지 않은 경우(또는 단순히 선별 장치가 조각을 적절하게 방향 전환/방출하지 못했기 때문에), 재료 조각(101)이 비젼 시스템(110) 및/또는 센서 시스템(120)에 의해 검출된 오염 물질을 포함하는 경우, 또는 재료 조각(101)이 특정한 총 화학적 조성을 생성할 필요가 없기 때문에, 재료 조각(101)은 컨베이어 시스템(103)으로부터 N 개의 선별 리셉터클들(136...139) 중 하나의 안으로 방향 전환/방출되지 않을 수 있다. 대안적으로, 리셉터클(140)은, N 개의 선별 리셉터클들(136...139) 중 임의의 리셉터클에 고의로 할당되지 않은 재료 조각들의 하나 이상의 분류들을 수용하기 위해 사용될 수 있다. 그런 다음에, 이들 그러한 재료 조각들은 다른 특성들에 따라 그리고/또는 다른 선별 시스템에 의해 추가로 선별될 수 있다.
미리 결정된 특정 총 화학적 조성의 특정 요건들에 따라, 다수의 분류들이 단일 선별 장치 및 관련 리셉터클에 맵핑될 수 있다. 다시 말해, 분류와 리셉터클 사이에 일대일 상관 관계가 있을 필요가 없다. 예를 들어, 특정 총 화학적 조성을 얻기 위해 사용자는 특정 분류의 재료들을 동일한 리셉터클 안으로 선별할 필요가 있을 수 있다. 이러한 선별을 달성하기 위해, 재료 조각(101)이 특정 총 화학적 조성을 달성하기 위한 하나 이상의 요건들을 충족하는 것으로 분류되면, 동일한 선별 장치가 활성화되어 이들을 동일한 리셉터클 안으로 선별할 수 있다. 이러한 조합 선별은 선별된 재료 조각들의 임의의 원하는 조합(예를 들어, 하나 이상의 특정한 총 화학적 조성)을 생성하기 위해 적용될 수 있다. 분류들의 맵핑은 그러한 원하는 조합들을 생성하기 위해 사용자에 의해 프로그래밍될 수 있다(예를 들어, 컴퓨터 시스템(107)에 의해 작동되는 선별 알고리즘(예를 들어, 도 4 참조)을 사용하여). 추가로, 재료 조각들의 분류들은 사용자에 의해 정의될 수 있으며, 재료 조각들의 특정한 알려진 분류들에 제한되지 않는다.
본 개시의 특정 실시예들 내에서, 컨베이어 시스템(103)은 예를 들어 2 개의 벨트와 같이 직렬로 구성된 다수의 벨트들로 분할될 수 있으며, 여기서 제1 벨트는 비젼 시스템(110) 및/또는 구현된 센서 시스템(들)(120)을 지나 재료 조각들을 운반하고, 제2 벨트는 후속 선별을 위해 구현된 센서 시스템(120)을 지나 특정한 선별된 재료 조각들을 운반한다. 더욱이, 그러한 제2 컨베이어 벨트는 제1 컨베이어 벨트보다 더 낮은 높이에 있을 수 있으며, 그래서 재료 조각들이 제1 벨트로부터 제2 벨트 상으로 떨어진다.
센서 시스템(120)을 구현하는 본 개시의 특정 실시예들 내에서, 방출 소스(121)는 검출 영역 위쪽에(즉, 컨베이어 시스템(103) 위쪽에) 위치될 수 있는데, 하지만, 본 개시의 특정 실시예들은, 허용 가능한 감지/검출된 물리적 특성들을 여전히 생성하는 다른 위치들에 방출 소스(121) 및/또는 검출기들(124)을 위치시킬 수 있다.
여기서 설명되는 시스템들 및 방법들은 주로 고체 상태의 재료 조각들을 분류하는 것과 관련하여 설명되지만, 본 개시는 그에 제한되지 않는다는 것을 이해해야 한다. 여기서 설명되는 시스템들 및 방법들은, 액체 상태, 용융 상태, 기체 상태 또는 분말 고체 상태, 다른 상태 및 이것들의 임의의 적절한 조합을 포함하는(그러나, 이에 제한되지 않음) 일정 범위의 물리적 상태들 중 임의의 물리적 상태를 갖는 재료를 분류하는 데에 적용될 수 있다.
재료 조각들의 캡처된 감지된 특성/정보의 유형(들)에 관계없이, 재료 조각들 각각을 식별 및/또는 분류하기 위해 정보는 기계 학습 시스템에 의해 처리되도록 컴퓨터 시스템(예컨대, 컴퓨터 시스템(107))에 보내질 수 있다. 이러한 기계 학습 시스템은, 신경망(예컨대, 인공 신경망, 심층 신경망, 콘벌루션 신경망, 순환 신경망, 오토인코더, 강화 학습 등), 감독(supervised) 학습, 비감독 학습, 준감독 학습, 강화 학습, 자가 학습, 특징 학습, 희소 사전 학습, 이상 감지, 로봇 학습, 연관 규칙 학습, 퍼지 논리, 인공 지능("AI"), 딥 러닝 알고리즘, 딥 구조 러닝 계층적 학습 알고리즘, 지원 벡터 머신("SVM")(예컨대, 선형 SVM, 비선형 SVM, SVM 회귀 등), 결정 트리 학습(예컨대, 분류 및 회귀 트리("CART")), 앙상블 방법(예컨대, 앙상블 학습, 랜덤 포레스트, 배깅(bagging) 및 붙여넣기(pasting), 패치 및 하위 공간, 부스팅, 스태킹 등), 차원 감소(예컨대, 프로젝션, 매니폴드 학습, 주 성분 분석 등) 및/또는 심층 기계 학습 알고리즘, 예컨대, 여기서 참조로 포함되는 deeplearning.net 웹사이트(이 웹사이트 내에서 참조되는 모든 소프트웨어, 간행물 및 이용 가능한 소프트웨어에 대한 하이퍼링크를 포함하는)에 설명되어 있고 공개적으로 이용 가능한 것들을 구현하는 것을 포함하여, 임의의 잘 알려진 기계 학습 시스템을 구현할 수 있다. 본 개시의 실시예들 내에서 이용될 수 있는 공개적으로 이용 가능한 기계 학습 소프트웨어 및 라이브러리의 비제한적인 예들은, Python, OpenCV, Inception, Theano, Torch, PyTorch, Pylearn2, Numpy, Blocks, TensorFlow, MXNet, Caffe, Lasagne, Keras, Chainer, Matlab Deep Learning, CNTK, MatConvNet(컴퓨터 비젼 어플리케이션을 위한 콘볼루션 신경망을 구현하는 MATLAB 툴박스), DeepLearnToolbox(딥 러닝을 위한 Matlab 툴박스(Rasmus Berg Palm로부터 제공됨), BigDL, Cuda-Convnet(콘볼루션(또는 더 일반적으로는, 피드포워드) 신경망의 신속 C++/CUDA 구현), Deep Belief Networks, RNNLM, RNNLIB-RNNLIB, matrbm, deeplearning4j, Eblearn.lsh, deepmat, MShadow, Matplotlib, SciPy, CXXNET, Nengo-Nengo, Eblearn, cudamat, Gnumpy, 3-way factored RBM 및 mcRBM, mPoT(자연적인 이미지들의 모델들을 훈련하기 위해 CUDAMat 및 Gnumpy를 사용하는 Python 코드), ConvNet, Elektronn, OpenNN, NeuralDesigner, Theano Generalized Hebbian Learning, Apache Singa, Lightnet 및 SimpleDNN를 포함한다.
본 개시의 특정 실시예들에 따르면, 기계 학습은 두 단계들로 수행될 수 있다. 예컨대, 먼저 훈련이 일어나며, 시스템(100)은 재료 조각들의 실제 분류/선별을 수행하기 위해 이용되지 않는다는 점에서 그 훈련은 오프라인으로 수행될 수 있다. 재료 조각들의 동종 세트들(여기서 대조(control) 샘플들이라고도 함)(즉, 동일한 유형 또는 부류의 재료들을 갖거나 동일한 미리 결정된 분획물에 속하는)이 시스템(100)을 통과하고(예컨대, 컨베이어 시스템(103)에 의해), 그리고 모든 그러나 재료 조각들은 선별되지 않을 수 있고 공통의 리셉터클(예컨대, 리셉터클(140))에 수집될 수 있다는 점에서 시스템(100)은 기계 학습 시스템을 훈련하기 위해 이용될 수 있다. 대안적으로, 훈련은 재료 조각들의 대조 세트들의 감지된 정보(특성)를 수집하기 위한 일부 다른 기구를 사용하는 것을 포함하여, 시스템(100)으로부터 떨어진 다른 위치에서 수행될 수 있다. 이 훈련 단계 동안에, 기계 학습 시스템 내의 알고리즘은 캡처된 정보로부터 특징들을 추출한다(예를 들어, 당업계에 잘 알려진 이미지 처리 기술들을 사용하여). 훈련 알고리즘의 비제한적 예는 선형 회귀, 경사 하강법, 피드 포워드, 다항식 회귀, 학습 곡선, 정규화된 학습 모델 및 로지스틱 회귀를 포함하지만 이에 제한되지 않는다. 이 훈련 단계 동안에 기계 학습 시스템 내의 알고리즘은 재료들과 그의 특징들/특성들(예컨대, 비젼 시스템 및/또는 센서 시스템(들)에 의해 캡처된) 간의 관계들을 학습하여, 시스템(100)에 의해 수용되는 재료 조각들의 혼합물의 추후 분류를 위한 지식 기반을 생성하게 된다. 이러한 지식 기반은 하나 이상의 라이브러리들을 포함할 수 있으며, 각각의 라이브러리는 재료 조각들을 분류함에 있어 기계 학습 시스템에 의해 이용되기 위한 파라미터들(예컨대, 신경망 파라미터들)을 포함한다. 예컨대, 하나의 특정 라이브러리는, 특정한 유형 또는 부류의 재료 또는 미리 결정된 분획으로 떨어지는 하나 이상의 재료들을 인식하고 분류하기 위해 훈련 단계에 의해 구성되는 파라미터들을 포함할 수 있다. 본 개시의 특정 실시예들에 따르면, 이러한 라이브러리들은 기계 학습 시스템에 입력될 수 있고 그런 다음 시스템(100)의 사용자는 시스템(100)의 작동을 조절하기 위해 파라미터들 중의 특정 파라미터를 조절할 수 있다(예컨대, 기계 학습 시스템이 재료들의 혼합물로부터 특정 재료 조각을 얼마나 잘 인식하는지에 대한 임계값 유효성을 조절함).
추가로, 재료 조각들(예컨대, 금속 합금)에 특정 재료들(예컨대, 화학적 원소들 또는 화합물들)의 포함 또는 특정 화학 원소들 또는 화합물들의 조합으로 인해, 재료들에서 식별 가능한 물리적 특징들(예컨대, 시각적으로 분간 가능한 특성들)이 생길 수 있다. 결과적으로, 그러한 특정 조성을 포함하는 복수의 재료 조각들이 위에서 언급된 훈련 단계를 통과할 때, 기계 학습 시스템은 그러한 재료 조각들을 다른 재료 조각들로부터 어떻게 구별하는지를 배울 수 있다. 결과적으로, 본 개시의 특정 실시예들에 따라 구성된 기계 학습 시스템은 재료 조각들의 개개의 화학적 조성들에 따라 그 재료 조각들을 선별하도록 구성될 수 있다. 예컨대, 이러한 기계 학습 시스템은, 알루미늄 합금들 내에 들어 있는 특정된 합금 재료의 백분율에 따라 상이한 알루미늄 합금들이 선별될 수 있도록 구성될 수 있다.
예컨대, 도 6은, 앞에서 언급된 훈련 단계 동안에 사용될 수 있는 주조 알루미늄 합금들의 예시적인 재료 조각들의 캡처된 또는 획득된 이미지들을 보여준다. 도 7은 앞에서 언급된 훈련 단계 동안에 사용될 수 있는 압출 알루미늄 합금들의 예시적인 재료 조각들의 캡처된 또는 획득된 이미지들을 보여준다. 도 8은 앞에서 언급된 훈련 단계 동안에 사용될 수 있는 단련(wrought) 알루미늄 합금들의 예시적인 재료 조각들의 캡처된 또는 획득된 이미지들을 보여준다. 훈련 단계 동안에, 대조 샘플들인 재료의 특정(동종) 분류(유형)의 복수의 재료 조각들이 비젼 시스템 및/또는 하나 이상의 센서 시스템(들)을 지나 전달될 수 있고(예컨대, 컨베이어 시스템에 의해), 그래서 기계 학습 시스템 내의 알고리즘이 어떤 특징들(예컨대, 시각적으로 분간 가능한 특성들)이 그러한 유형 또는 부류의 재료를 나타내는지를 검출, 추출 및 학습한다. 다시 말해, 도 6에 나타나 있는 것과 같은 주조 알루미늄 합금 재료 조각들의 이미지들이 그러한 훈련 단계를 통과할 수 있고, 그래서 기계 학습 시스템 내의 알고리즘이 주조 알루미늄 합금들로 구성된 재료 조각들을 어떻게 검출, 인식 및 분류하는지를 "학습"한다(훈련됨). 비젼 시스템(예컨대, 비젼 시스템(110))을 훈련하는 경우, 재료 조각들 사이를 시각적으로 분간하도록 훈련된다. 이로써, 주조 알루미늄 합금 재료 조각들에 특정적인 파라미터들의 라이브러리가 생성된다. 그러면, 도 7에 나타나 있는 것과 같은 압출 알루미늄 합금 재료 조각들의 이미지들에 대해서도 동일한 공정이 수행될 수 있고, 압출 알루미늄 합금 재료 조각들에 특정한 파라미터들의 라이브러리가 생성된다. 그리고, 도 8에 나타나 있는 것과 같은 단련 알루미늄 합금 재료 조각들의 이미지에 대해 동일한 공정이 수행될 수 있어 단련 알루미늄 합금 재료 조각들에 특정한 파라미터들의 라이브러리가 생성할 수 있다. 도 6에 나타나 있는 주조 알루미늄 합금들의 예시적인 이미지들로 볼 수 있는 바와 같이, 그러한 주조 알루미늄 합금 재료들은 뚜렷한 정의된 각도들과 같은 시각적으로 분간 가능한 특징들을 갖는다. 도 7에 나타나 있는 압출 알루미늄 합금들의 예시적인 이미지들로 알 수 있는 바와 같이. 그러한 압출 알루미늄 합금 재료들은 라운딩된 코너들 및 해머 질감과 같은 시각적으로 분간 가능한 특징들을 갖는다. 도 8에 나타나 있는 단련 알루미늄 합금들의 예시적인 이미지들로 알 수 있는 바와 같이. 그러한 단련 알루미늄 합금 재료들은 재료의 접힘 및 주조 및 압출의 경우에 존재하는 것 보다 더 매끄러운 질감과 같은 시각적으로 분간 가능한 특징들을 갖는다.
본 개시의 실시예들은 도 6∼8에 도시되어 있는 재료들에 제한되지 않는다. 비젼 시스템에 의해 분류될 각각의 유형의 재료에 대해, 그 유형의 재료의 임의의 수의 예시적인 재료 조각들이 비젼 시스템을 통과할 수 있다. 캡처된 감지 정보가 입력 데이터로서 주어지면, 기계 학습 시스템 내의 알고리즘은 N 개의 분류자(classifier)를 사용할 수 있으며, 분류자들 각각은 N 개의 상이한 재료 유형들, 부류들 또는 분획물들 중의 하나에 대해 시험을 한다. 기계 학습 시스템은 MSW 내에서 발견되는 유형들, 부류들 또는 분획물들의 재료들 중 임의의 재료를 포함하여, 임의의 유형, 부류 또는 분획물의 재료, 또는 그의 화학적 조성이 시각적으로 분간 가능한 특징들을 야기하는 임의의 다른 재료를 검출하도록 "가르침"(훈련)을 받을 수 있다는 점에 유의한다.
알고리즘 내의 파라미터들이 설정되고 기계 학습 시스템이 재료 분류에 대한 차이(예컨대, 시각적으로 분간 가능한 차이)를 충분히 학습한(훈련 받은) 후(예컨대, 사용자 정의된 통계적 신뢰 수준 내에서), 상이한 재료 분류들에 대한 라이브러리들은, 재료 조각들의 혼합물로부터 재료 조각들을 식별 및/또는 분류하고 그런 다음에 선별이 수행되려고(예컨대, 특정 총 화학적 조성을 생성하려고) 하면 그러한 분류된 재료 조각들을 선별하기 위해 사용될 재료 분류 및/또는 선별 시스템(예컨대, 시스템(100))으로 구현된다.
기계 학습 시스템을 구축, 최적화 및 이용하는 기술은 관련 문헌에서 찾아 볼 수 있는 바와 같이 당업자에게 알려져 있다. 그러한 문헌의 예들은 Krizhevsky et al., "ImageNet Classification with Deep Convolutional Networks," Proceedings of the 25th International Conference on Neural Information Processing Systems, Dec. 3-6, 2012, Lake Tahoe, Nev.; 및 LeCun et al.," Gradient-Based Learning Applied to Document Recognition ", Proceedings of the IEEE, Institute of Electrical and Electronic Engineers(IEEE), 1998년 11월을 포함하고, 두 문헌 모두 전체 내용이 여기에 참조로 포함된다.
예시적인 기술에서, 특정 재료 조각들에 대해 센서 및/또는 비젼 시스템에 의해 캡처된 데이터는 데이터 처리 시스템(예를 들어, 기계 학습 시스템을 구현하는(그로 구성되는) 도 11의 데이터 처리 시스템(3400)) 내에서 데이터 값들의 어레이로서 처리될 수 있다. 예컨대, 데이터는 특정 재료 조각에 대해 디지털 카메라 또는 다른 유형의 센서 시스템에 의해 캡처되고 데이터 값들의 어레이(예컨대, 이미지 데이터 패킷)로서 처리되는 스펙트럼 데이터일 수 있다. 각 데이터 값은 단일 숫자로 표시되거나 값들을 나타내는 일련의 숫자로 표시될 수 있다. 이러한 값들은 뉴런 가중치 파라미터(예컨대, 신경망을 갖는)로 곱해질 수 있으며 가능하게는 바이어스가 더해질 수 있다. 이는 뉴런 비선형성에 공급될 수 있다. 뉴런에 의해 출력되는 결과적인 숫자는 그 값들 만큼 처리될 수 있으며, 이 출력은 후속 뉴런 가중치 값들이 곱해질 수 있고 바이어스가 선택적으로 더해지며, 그리고 다시 한번 뉴런 비선형성에 공급된다. 그 공정의 각각의 그러한 반복은 신경망의 "층"으로 알려져 있다. 최종 층의 최종 출력들은, 재료 조각과 관련된 캡처된 데이터에 재료가 존재하거나 부재하는 확률로서 해석될 수 있다. 이러한 공정의 예들은 이전에 언급된 참조 문헌 "ImageNet Classification with Deep Convolutional Networks" 및 "Gradient-Based Learning Applied to Document Recognition" 모두에 자세히 설명되어 있다.
신경망이 구현되는 본 개시의 특정 실시예들에 따르면, 최종 층("분류 층")으로서, 뉴런의 출력의 최종 세트는, 재료 조각이 캡처된 것과 연관될 가능성을 나타내도록 훈련된다. 작동 동안에, 재료 조각이 캡처된 데이터와 연관될 가능성이 사용자 특정된 임계값을 초과하면, 재료 조각이 실제로 캡처된 데이터와 연관되어 있는 것으로 결정된다. 이러한 기술들은 특정한 캡처된 데이터와 관련된 일 유형의 재료의 존재뿐만 아니라 특정한 캡처된 데이터의 하위 영역들이 한 유형의 재료 또는 다른 유형의 재료에 속하는지 여부를 결정하도록 확장될 수 있다. 이 공정은 분할(segmentation)로 알려져 있으며, "완전 콘볼루션" 신경망 또는 완전히 콘볼루션이 아닌 경우 콘볼루션 부분을 포함하는(즉, 부분적으로 콘볼루션인) 네트워크와 같은 신경망을 사용하는 기술이 문헌에 존재한다. 이를 통해 재료 위치와 크기를 결정할 수 있다.
본 개시는 기계 학습 기술에만 한정되지 않는다는 것을 이해해야 한다. 재료 분류/식별을 위한 다른 일반적인 기술들도 사용될 수 있다. 예를 들어, 센서 시스템은, 재료의 스펙트럼 방출(즉, 스펙트럼 이미징)을 검사하여 재료의 유형, 부류 또는 분획물의 존재 또는 부재를 나타낼 수 있는 신호를 제공하기 위해 멀티 또는 하이퍼 스펙트럼 카메라들을 사용하는 광학 스펙트럼 측정 기술들을 이용할 수 있다. 재료 조각의 스펙트럼 이미지들은 또한 템플릿-매칭 알고리즘에서도 사용될 수 있으며, 여기서 스펙트럼 이미지들의 데이터베이스는 그 데이터베이스로부터 특정 유형의 재료들의 존재 또는 부재를 찾기 위해 획득된 스펙트럼 이미지와 비교된다. 캡처된 스펙트럼 이미지의 히스토그램이 또한 히스토그램들의 데이터베이스와 비교될 수 있다. 유사하게, 캡처된 스펙트럼 이미지와 데이터베이스 내의 스펙트럼 이미지 사이의 추출된 특징들을 비교하기 위해 스케일 불변량 피쳐 변환("SIFT")과 같은 피쳐 추출 기술과 함께 워드(word) 백(bag) 모델이 사용될 수 있다.
따라서, 여기서 개시된 바와 같이, 본 개시의 특정 실시예들은, (예컨대, 하나 이상의 미리 결정된 특정 총 화학적 조성에 따라) 규정된 그룹들에서 어느 재료 조각들이 컨베이어 시스템으로부터 방향 전환(즉, 선별)되어야 할지를 결정하기 위해 하나 이상의 다른 유형, 부류 또는 분획물의 재료들의 식별/분류를 제공한다. 특정 실시예들에 따르면, 기계 학습 기술들은, 다양한 하나 이상의 상이한 유형, 부류 또는 분획물의 재료들을 식별하기 위해 신경망을 훈련(즉, 구성)하기 위해 이용된다. 스펙트럼 이미지들 또는 다른 유형의 감지된 정보는 재료(예컨대, 컨베이어 시스템에서 이동하는)에서 캡처되고, 이러한 재료의 식별/분류에 근거하여, 여기서 설명되는 시스템들은 어떤 재료 조각이 컨베이어 시스템에 남아 있도록 허용되어야 하는지 또한 어느 재료 조각이 컨베이어 시스템으로부터 (예컨대, 수집 리셉터클 안으로 또는 다른 컨베이어 시스템 상으로 방향 전환됨) 방향 전환/제거되어야 하는지를 결정할 수 있다.
본 개시의 특정 실시예들에 따르면, 기존 설비(예를 들어, 시스템(100))를 위한 기계 학습 시스템은, 현재 세트의 신경망 파라미터들을 새로운 세트의 신경망 파라미터들로 대체함으로써 새로운 유형, 부류 또는 분획물의 재료들의 특성들을 식별/분류하도록 동적으로 재구성될 수 있다.
여기에서 언급할 점은, 본 개시의 특정 실시예들에 따르면, 재료 조각들의 검출/캡처된 특징들/특성들(예를 들어, 스펙트럼 이미지들)이 반드시 단순히 특별히 식별 가능하거나 분간 가능한 물리적 특성들일 필요는 없다는 것인데, 그것들은, 수학적으로만 표현될 수 있거나 수학적으로 전혀 표현될 수 없는 추상적인 공식일 수 있으며, 그럼에도 불구하고, 기계 학습 시스템은, 훈련 단계 동안에 대조 샘플들이 분류될 수 있게 해주는 패턴들을 찾기 위해 스펙트럼 데이터를 분석하도록 구성될 수 있다. 또한, 기계 학습 시스템은 재료 조각의 캡처된 정보(예컨대, 스펙트럼 이미지들)의 하위 섹션들을 취할 수 있고 미리 정의된 분류들 간의 상관 관계를 찾으려고 시도할 수 있다.
본 개시의 특정 실시예들에 따르면, 재료 조각의 대조 샘플들이 비젼 시스템 및/또는 센서 시스템(들)을 통과하는 훈련 단계를 이용하는 대신에, 기계 학습 시스템의 훈련은, 재료 조각들의 데이터/정보가 비젼/센서 시스템에 의해 캡처됨에 따라, 사용자가 각각의 재료 조각을 식별하는 라벨 또는 주석(annotation)을 입력하는 라벨링/주석 기술을 이용하여 수행될 수 있고, 그 라벨 또는 주석은, 재료 조각들의 혼합물 내에서 재료 조각들을 분류할 때 기계 학습 시스템에 의해 사용자를 위한 라이브러리를 생성하기 위해 사용된다.
본 개시의 특정 실시예들에 따르면, 여기서 개시된 임의의 센서 시스템들(120) 중 임의의 센서 시스템에 의해 출력된 임의의 감지된 특성들은 재료들을 분류 및/또는 선별하기 위해 기계 학습 시스템에 입력될 수 있다. 예컨대, 감독되는 학습을 구현하는 기계 학습 시스템에서, 특정 유형 또는 조성의 재료(예컨대, 특정 금속 합금)를 고유하게 특성화하는 센서 시스템(120) 출력들이 기계 학습 시스템을 훈련하기 위해 사용될 수 있다.
도 9는 본 개시의 특정 실시예들에 따라 비젼 시스템(110) 및/또는 하나 이상의 센서 시스템들(120)을 이용하여 재료 조각들을 분류/선별하는 공정(3500)의 예시적인 실시예들을 나타내는 흐름도를 도시한다. 이 공정(3500)은 재료 조각들의 혼합물을, 미리 결정된 특정한 총 화학적 조성을 생성하는 것을 포함하여, 미리 결정된 유형, 부류 및/또는 분획물의 임의의 조합으로 분류하기 위해 수행될 수 있다. 공정(3500)은 도 1의 시스템(100)을 포함하여, 여기서 설명되는 본 개시의 실시예들 중 임의의 실시예 내에서 작동하도록 구성될 수 있다. 추가로 설명되는 바와 같이, 공정(3500)은 도 4의 시스템 및 공정(400) 내에서 이용될 수 있다. 공정(3500)의 작동은 시스템(예컨대, 도 1의 컴퓨터 시스템(107), 비젼 시스템(110) 및/또는 센서 시스템(들)(120))을 제어하는 컴퓨터 시스템(예컨대, 도 11의 컴퓨터 시스템(3400)) 내에서를 포함하여, 하드웨어 및/또는 소프트웨어로 수행될 수 있다.
공정 블록(3501)에서, 재료 조각(101)은 컨베이어 시스템(103) 상에 배치될 수 있다. 공정 블록(3502)에서, 각각의 재료 조각(101)의 컨베이어 시스템(103) 상에서의 위치는, 각각의 재료 조각이 시스템(100)을 통과할 때 각각의 재료 조각(101)의 추적을 위해 검출된다. 이는 비젼 시스템(110)에 의해 수행될 수 있다(예컨대, 컨베이어 시스템 위치 검출기(예컨대, 위치 검출기(105))와 통신하는 동안 밑에 있는 컨베이어 시스템 재료로부터 재료 조각(101)을 구별함으로써). 대안적으로, 재료 추적 장치(111)를 사용하여 재료 조각들(101)을 추적할 수 있다. 또는, 광원(가시광선, UV 및 IR을 포함하지만 이에 제한되지 않음)을 생성할 수 있고 대응하는 검출기를 갖는 임의의 시스템을 사용하여 재료 조각들(101)을 추적할 수 있다. 공정 블록(3503)에서, 재료 조각(101)이 비젼 시스템(110) 및/또는 센서 시스템(들)(120) 중의 하나 이상에 근접하여 이동할 때, 그 재료 조각(101)의 감지되는 정보/특성들이 캡처/획득된다. 공정 블록(3504)에서, 앞에서 개시된 바와 같은 비젼 시스템(예컨대, 컴퓨터 시스템(107) 내에서 구현됨)은 캡처된 정보의 예비 처리를 수행할 수 있으며, 이는 (예컨대, 배경(예컨대, 컨베이어 벨트(103))으로부터) 재료 조각들(101) 각각의 정보를 검출(추출)하기 위해 이용될 수 있는데, 다시 말해, 예비 처리는 재료 조각(101)과 배경 사이의 차이를 식별하기 위해 이용될 수 있다. 팽창(dilation), 임계치화(thresholding) 및 윤곽화(contouring)와 같은 잘 알려진 이미지 처리 기술들을 이용하여, 재료 조각(101)을 배경과 구별되는 것으로 식별할 수 있다. 공정 블록(3505)에서, 분할이 수행될 수 있다. 예컨대, 캡처된 정보는 하나 이상의 재료 조각들(101)에 관한 정보를 포함할 수 있다. 추가로, 특정 재료 조각(101)은, 그의 이미지가 캡처될 때 컨베이어 벨트(103)의 이음매(seam) 상에 위치될 수 있다. 따라서, 그러한 경우에, 개별 재료 조각(101)의 이미지를 그 이미지의 배경으로부터 분리하는 것이 바람직할 수 있다. 공정 블록(3505)에 대한 예시적인 기술에서, 제1 단계는 고대비의 이미지를 적용하는 것이며, 이러한 방식으로, 배경 픽셀들이 실질적으로 모두 검은색 픽셀들로 환원되고, 재료 조각(101)에 관한 픽셀들 중의 적어도 일부는 실질적으로 모두 흰색 픽셀들로 밝아진다. 흰색인 재료 조각(101)의 이미지 픽셀들은 그런 다음에 재료 조각(101)의 전체 크기를 덮도록 팽창된다. 이 단계 후에, 재료 조각(101)의 위치는 검은색 배경에 있는 모든 흰색 픽셀들의 고대비 이미지이다. 그런 다음, 윤곽화 알고리즘을 이용하여 재료 조각(101)의 경계들을 검출할 수 있다. 경계 정보는 저장되고, 그런 다음에 경계 위치들이 원래의 이미지에 전달된다. 그런 다음 분할이 이전에 정의된 경계보다 큰 영역에서 원래의 이미지에 대해 수행된다. 이러한 방식으로, 재료 조각(101)이 식별되고 배경으로부터 분리된다.
선택적인 공정 블록(3506)에서, 재료 조각(101)은 이 재료 조각(101)의 크기 및/또는 형상을 결정하기 위해 재료 추적 및 측정 장치(111) 및/또는 센서 시스템(120)의 근처 내에서 컨베이어 시스템(103)을 따라 운반될 수 있다. 이러한 재료 추적 및 측정 장치(111)는, 시스템이 각 재료 조각의 대략적인 질량을 계산(결정)할 수 있도록 각각의 재료 조각의 하나 이상의 치수들을 측정하도록 구성될 수 있다. 공정 블록(3507)에서, 후처리가 수행될 수 있다. 후처리는 기계 학습 시스템에서의 사용을 위해 캡처된 정보/데이터의 크기를 조정하는 것을 포함할 수 있다. 이는 또한 기계 학습 시스템이 재료 조각들(101)을 분류하는 능력을 향상시키는 방식으로 특정 특성들을 수정하는(예컨대, 이미지 대비를 향상시키거나, 이미지 배경 변경하거나 또는 필터들을 적용하는) 것을 포함할 수 있다. 공정 블록(3509)에서, 데이터 크기가 조정될 수 있다. 신경망과 같은 특정 기계 학습 시스템에 대한 데이터 입력 요건들에 부합하기 위해 특정 상황들에서 데이터의 크기 조정이 요망될 수 있다. 예컨대, 신경망들은 전형적인 디지털 카메라들에 의해 캡처된 이미지들의 크기들보다 훨씬 더 작은 이미지 데이터 크기들(예컨대, 225 x 255 픽셀 또는 299 x 299 픽셀)을 필요로 할 수 있다. 더욱이, 입력 데이터 크기가 작을수록 분류를 수행하는 데에 필요한 처리 시간이 더 줄어든다. 따라서, 더 작은 데이터 크기는 시스템(100)의 처리량을 증가시키고 그의 값을 증가시킬 수 있다.
공정 블록(3510 및 3511)에서, 각각의 재료 조각(101)은 감지된/검출된 특징들에 근거하여 식별/분류된다. 예컨대, 공정 블록(3510)은 하나 이상의 기계 학습 알고리즘을 사용하는 신경망으로 구성될 수 있고, 그 기계 학습 알고리즘은 추출된 특징들을 이전에 생성된 지식 베이스(예를 들어, 훈련 단계 동안에 생성됨)에 저장된 특징들과 비교하고, 이러한 비교에 근거하여, 최고의 부합을 갖는 분류를 재료 조각들(101) 각각에 할당한다. 기계 학습 시스템의 알고리즘은 자동으로 훈련된 필터들을 사용하여 캡처된 정보/데이터를 계층적인 방식으로 처리할 수 있다. 그런 다음에 필터 응답들은, 최종 단계에서 확률이 얻어질 때까지 다음 레벨의 알고리즘들에서 성공적으로 조합된다. 공정 블록(3511)에서, 이들 확률들은, 개개의 재료 조각들(101)이 N 개의 선별 리셉터클들 중의 어느 리셉터클 안으로 선별되어야 하는지를 결정하기 위해 N 개의 분류들 각각에 대해 사용될 수 있다. N 개의 분류들 각각은 N 개의 상이한 미리 결정된 특정 총 화학적 조성들에 관련될 수 있다. 예컨대 N 개의 분류들 각각은 하나의 선별 리셉터클에 할당될 수 있고, 고려 중인 재료 조각(101)은, 미리 정의된 임계값보다 더 큰 최고의 확률을 반환하는 분류에 대응하는 리셉터클 안으로 선별된다. 본 개시의 실시예들 내에서, 그러한 미리 정의된 임계값들은 사용자에 의해 미리 설정될 수 있다. 확률들 중의 어느 것도 미리 결정된 임계값보다 크지 않은 경우, 특정 재료 조각(101)이 아웃라이어(outlier) 리셉터클(예컨대, 선별 리셉터클(140)) 안으로 선별될 수 있다.
다음으로, 공정 블록(3512)에서, 재료 조각(101)의 분류 또는 분류들에 대응하는 선별 장치(126...129)가 활성화된다. 재료 조각(101)의 이미지가 캡처된 시간과 선별 장치(126...129)가 활성화되는 시간 사이에 재료 조각(101)은 비젼 시스템(110) 및/또는 센서 시스템(들)(120)의 근처로부터 컨베이어 시스템(103) 상의 하류 위치로 이동되었다(예컨대, 컨베이어 시스템의 운반 속도로). 본 개시의 실시예들에서, 선별 장치(126...129)의 활성화는, 재료 조각(101)이 그 재료 조각(101)의 분류에 맵핑된 선별 장치(126...129)를 통과함에 따라 선별 장치(126...129)가 활성화되고 또한 재료 조각(101)이 컨베이어 시스템(103)으로부터 그의 관련된 선별 리셉터클(136...139) 안으로 방향 전환/방출되도록, 시간이 정해진다. 본 개시의 실시예들 내에서, 선별 장치(126...129)의 활성화는, 재료 조각(101)이 선별 장치(126...129) 앞을 통과할 때를 검출하고 또한 선별 장치(126...129)의 활성화를 가능하게 하는 신호를 보내는 개개의 위치 검출기에 의해 시간이 정해질 수 있다. 공정 블록(3513)에서, 활성화된 선별 장치(126...129)에 대응하는 선별 리셉터클(136...139)은 방향 전환된/방출된 재료 조각(101)을 수용한다.
도 10은 본 개시의 특정 실시예들에 따라 재료 조각들(101)을 분류/선별하기 위한 공정(1000)의 예시적인 실시예들을 나타내는 흐름도를 도시한다. 공정(1000)은, 도 1의 시스템(100)을 포함하여, 여기서 설명되는 본 개시의 실시예들 중 임의의 실시예 내에서 작동하도록 구성될 수 있다. 추가로 설명되는 바와 같이, 공정(1000)은 도 4의 시스템 및 공정(400) 내에서 이용될 수 있다.
공정(1000)은 공정(3500)과 함께 작동하도록 구성될 수 있다. 예컨대, 본 개시의 특정 실시예들에 따르면, 기계 학습 시스템과 함께 구현되는 비젼 시스템(110)의 노력을, 도 4의 시스템 및 방법(400)에 따르는 것을 포함하여, 재료 조각(101)을 분류하고 그리고/또는 선별하기 위해 기계 학습 시스템과 함께 구현되지 않는 센서 시스템(예컨대, 센서 시스템(120))과 조합하기 위해 공정 블록(1003 및 1004)은 공정(3500)에 통합될 수 있다(예컨대, 공정 블록(3503∼3510)과 직렬로 또는 병렬로 작동함).
공정(1000)의 작동은 시스템(100)(예컨대, 도 1의 컴퓨터 시스템(107))의 다양한 양태들을 제어하는 컴퓨터 시스템(예컨대, 도 11의 컴퓨터 시스템(3400)) 내를 포함하여, 하드웨어 및/또는 소프트웨어에 의해 수행될 수 있다. 공정 블록(1001)에서, 재료 조각(101)은 컨베이어 시스템(103) 상에 배치될 수 있다. 다음으로, 선택적인 공정 블록(1002)에서, 각 재료 조각을 추적하고 그리고/또는 재료 조각들(101)의 크기 및/또는 형상을 결정하기 위해 재료 조각들(101)은 재료 추적 및 측정 장치(111) 및/또는 광학적 이미징 시스템의 근처 내에서 컨베이어 시스템(103)을 따라 운반될 수 있다. 이러한 재료 추적 및 측정 장치(111)는 각각의 재료 조각의 하나 이상의 치수들을 측정하도록 구성될 수 있고, 그래서 시스템은 각각의 재료 조각의 대략적인 질량을 계산(결정)할 수 있다. 공정 블록(1003)에서, 재료 조각(101)이 센서 시스템(120) 근처를 이동했을 때, 재료 조각(101)은 센서 시스템(120)에 의해 이용되는 특정 유형의 센서 기술에 적합한 EM 에너지(파동) 또는 일부 다른 유형의 자극(stimulus)으로 질의되거나 자극 받을 수 있다. 공정 블록(1004)에서, 재료 조각(101)의 물리적 특성들이 센서 시스템(120)에 의해 감지/검출되고 캡처된다. 공정 블록(1005)에서, 재료 조각들(101)의 적어도 일부에 대해, 재료의 유형은 (적어도 부분적으로) 캡처된 특성들에 근거하여 식별/분류되며, 이는 비젼 시스템(110)과 함께 기계 학습 시스템에 의한 분류와 조합될 수 있다(예컨대, 공정(3500)과 조합되어 수행될 때).
다음으로, 재료 조각들(101)의 선별이 수행되어야 하는 경우, 공정 블록(1006)에서, 재료 조각(101)의 분류 또는 분류들에 대응하는 선별 장치(126...129)가 활성화된다. 재료 조각이 감지된 시간과 선별 장치(126...129)가 활성화되는 시간 사이에, 재료 조각(101)은 컨베이어 시스템의 운반 속도로 센서 시스템(120)의 근처로부터 컨베이어 시스템(103) 상의 하류 위치로 이동했다. 본 개시의 특정 실시예들에서, 선별 장치(126...129)의 활성화는, 재료 조각(101)이 그 재료 조각(101)의 분류에 맵핑된 선별 장치(126...129)를 통과함에 따라 선별 장치(126...129)가 활성화되고 또한 재료 조각(101)이 컨베이어 시스템(103)으로부터 그의 관련된 선별 리셉터클(136...139) 안으로 방향 전환/방출되도록, 시간이 정해진다. 본 개시의 특정 실시들예 내에서, 선별 장치(126...129)의 활성화는, 재료 조각(101)이 선별 장치(126...129) 앞을 통과할 때를 검출하고 또한 선별 장치(126...129)의 활성화를 가능하게 하는 신호를 보내는 개개의 위치 검출기에 의해 시간이 정해질 수 있다. 공정 블록(1007)에서, 활성화된 선별 장치(126...129)에 대응하는 선별 리셉터클(136...139)은 방향 전환된/방출된 재료 조각(101)을 수용한다.
본 개시의 다양한 실시예들에 따르면, 상이한 유형 또는 부류의 재료들은 각각 기계 학습 시스템과 함께 사용하기 위한 상이한 유형의 센서들에 의해 분류될 수 있고, 스크랩 또는 폐기물의 스트림에 있는 재료 조각들을 분류하기 위해 조합될 수 있다.
본 개시의 다양한 실시예들에 따르면, 2 개 이상의 센서들로부터의 데이터(예컨대, 스펙트럼 데이터)는 재료 조각들의 분류를 수행하기 위해 단일 또는 다수의 기계 학습 시스템들을 사용하여 조합될 수 있다.
본 개시의 다양한 실시예들에 따르면, 다수의 센서 시스템들이 단일 컨베이어 시스템 상에 장착될 수 있으며, 각각의 센서 시스템은 상이한 기계 학습 시스템을 이용한다. 본 개시의 다양한 실시예들에 따르면, 다수의 센서 시스템들이 상이한 컨베이어 시스템들 상에 장착될 수 있으며, 각각의 센서 시스템은 상이한 기계 학습 시스템을 이용한다.
본 개시의 실시예들에 따르면, 시스템(100)은, 전체적으로 특정한 화학적 조성(즉, 미리 결정된 특정 총 화학적 조성)을 갖는 선별된 재료들의 집합체를 출력하도록 구성될 수 있다(예컨대, 도 4의 시스템 및 방법(400)에 따라). 다시 말해서, 이러한 선별된 재료들의 집합체가 단일의 물체 또는 덩어리로 조합되거나 적어도 이론적으로 조합될 수 있으면(예컨대, 용액으로 되게 함께 녹거나 혼합됨), 그러한 단일 물체 또는 덩어리는 특정한 화학적 조성을 가질 것이다. 더욱이, 본 개시의 실시예들은, 시스템(100)에 공급되는 임의의 개별 재료 조각 내에 존재하지 않는 특정한 화학적 조성을 갖는 재료들의 집합체를 출력하도록 구성될 수 있다.
비제한적인 일 예는 알루미늄, 규소, 마그네슘, 철, 망간, 구리 및 아연의 특정한 중량 백분율(wt.%)의 미리 결정된(예컨대, 시스템(100)의 사용자에 의해 설계된) 조합에 따른 화학적 조성을 갖는 알루미늄 합금의 생산일 것이다. 시스템(100)에 공급될 수 있는 알루미늄 합금들의 스크랩 조각들은 도 2의 표에 열거된 것일 수 있다. 그리고, 그러한 이용 가능한 알루미늄 합금 스크랩 조각들의 선별기로부터, 도 3의 표에 열거된 것과 실질적으로 동등한 화학적 조성을 갖는 알루미늄 합금을 생산하는 것이 바람직할 수 있다. 그러나, 시스템(100)이 도 2의 표에 열거된 알루미늄 합금들 각각의 사이를 구별하도록 구성될 수 있더라도(즉, 공정(1000 및 3500) 중의 어느 하나 또는 둘 다에 따라 각각의 알루미늄 합금 조각들(101) 각각의 분류에 의해), 이들 알루미늄 합금들 중 어느 것도 도 3의 표에 열거된 화학적 조성과 동등한 화학적 조성을 갖지 않는다. 따라서, 도 2의 표에 열거된 알루미늄 합금들 중 어느 하나로 구성된 스크랩 조각들을 선별하는 것에 의해, 전체적으로 도 3의 표에 열거된 화학적 조성과 동등한 화학적 조성을 갖는 알루미늄 합금 스크랩 조각들의 집합체가 얻어지지 않을 것이다.
그러나, 본 개시의 실시예들은 도 3의 표에 열거된 화학적 조성과 동등하거나 적어도 실질적으로 등동한 총 화학적 조성을 갖는 알루미늄 합금 스크랩 조각들의 집합체를 생성하도록 구성될 수 있다. 이는 총 화학적 조성(또한 여기서 미리 결정된 특정 총 화학적 조성이라고도 함)이 얻어지게 하는 비로 도 2의 알루미늄 합금들의 복수의 스크랩 조각들의 조합을 출력하기 위해 분류, 선택 및 선별하기 위해 비젼 시스템(110) 및/또는 센서 시스템(들)(120) 중의 하나 이상을 이용함으로써 달성된다.
개별적인 알루미늄 합금 스크랩 조각들은 상이한 크기들 및 따라서 상이한 질량들을 가질 수 있기 때문에, 재료 추적 및 측정 장치(111)는 각각의 알루미늄 합금 스크랩 조각에 대한 질량을 추정하는 데에 이용될 수 있다. 예컨대, 재료 추적 및 측정 장치(111)에 의해 측정된 스크랩 조각들 각각의 크기들은 각각의 스크랩 조각에 대한 질량 또는 적어도 대략적인 질량을 결정(계산)하기 위해 시스템(100)에 의해 이용될 수 있다. 시스템(100)은 도 2의 표에 열거된 복수의 알루미늄 합금들 중의 하나에 속하는 것으로 각각의 스크랩 조각을 인식하고 분류하도록 구성되었기 때문에, 또한 상이한 알루미늄 합금들 각각에 대한 특정한 화학적 조성들이 알려져 있기 때문에, 시스템(100)은 각각의 스크랩 조각에 대한 결정된 크기와 함께 이 정보를 사용하여, 각각의 알루미늄 합금 스크랩 조각 내에 포함된 상이한 화학적 원소들 각각의 질량 또는 적어도 대략적인 질량을 결정(계산)할 수 있다.
총 화학적 조성을 갖는 알루미늄 합금 스크랩 조각들의 집합체를 생성하기 위해, 시스템(100)은, 조합될 때, 선별된 알루미늄 합금 스크랩 조각들의 조합된 질량에 대한 총 화학적 조성을 얻는 시스템(100) 안으로 공급되는 알루미늄 합금 스크랩 조각들을 선별하기 위해 분류 및 선택하도록 구성된다. 다시 말해, 시스템(100)에 의해 선별되고 출력되는 알루미늄 합금 스크랩 조각들의 이러한 집합체가 함께 용융된다면(그것들은 어떤 점에 있을 가능성이 있음), 결과적인 용융물은 총 화학적 조성을 가지거나, 원하는 정확도 임계값 내에서 총 화학적 조성에 적어도 실질적으로 가까울 것이다.
결과적으로, 시스템(100)은, 각각의 알루미늄 합금 스크랩 조각이 선별된 집합체에 추가됨에 따라 총 화학적 조성 내의 화학 원소들 각각의 개별 질량들에 대한 기여도를 실행 기준으로 계산하도록 구성될 수 있으며, 그래서, 그런 다음에 시스템(100)은 분류된 다음 알루미늄 합금 스크랩 조각이 집합체에 추가되어야(즉, 알루미늄 합금 스크랩 조각들의 혼합물로부터 선별되어야) 하는 지를 결정할 수 있다.
도 4는 미리 결정된 특정 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하기 위해 본 개시의 실시예들에 따라 구성된 시스템 및 공정(400)의 흐름도 블록도를 도시한다. 시스템 및 공정(400)은 는 시스템(100) 내에서 (예컨대, 컴퓨터 시스템(107)에 의해) 수행되는 컴퓨터 프로그램(또는 다른 유형의 알고리즘)으로 구현될 수 있다. 시스템 및 공정(400)은 도 9의 시스템 및 공정(3500) 및/또는 도 10의 시스템 및/또는 공정(1000)의 양태들과 함께 수행될 수 있다.
공정 블록(401)에서, 시스템(100)은 시스템(100) 내의 선별 장치(126...129) 중 하나의 출력부에서 생성되는 것이 바람직한 미리 결정된 특정 총 화학적 조성을 받거나 그로 입력된다. 공정 블록(402)에서, 각각의 재료 조각(101)이 재료 추적 및 측정 장치(111)를 지나 운반됨에 따라, 그 재료 추적 및 측정 장치(111)는 여기서 설명되는 바와 같이 재료 조각들(101) 각각의 크기 및/또는 형상을 결정할 것이다. 공정 블록(403)에서, 여기서 설명되는 비와 같은 방식으로(예컨대, 도 9 및 도 10 참조) 비젼 시스템(110) 및/또는 하나 이상의 센서 시스템(120)에 의해 재료 조각들(101) 각각에 분류가 할당된다. 공정 블록(404)에서, 시스템(100)은 분류된 재료 조각들(101) 각각의 화학적 조성을 결정할 것이다. 이는, 특정한 재료 조각 내의 다양한 화학 원소들의 중량 백분율을 측정하고 결정할 수 있는 하나 이상의 센서 시스템(120), 예컨대 XRF 또는 LIBS 시스템을 사용하여 직접 결정될 수 있다. 또는, 분류된 재료 조각들(101) 각각의 화학적 조성은, 재료 조각들(101)의 분류의 결과로 유추되는 바와 같이 간접적으로 결정될 수 있다. 예컨대, (도 2와 관련하여 이전에 설명된 바와 같이) 시스템(100) 안으로 공급되는 다양한 상이한 부류 또는 유형의 재료 조각들(101)이 알려져 있으면, 각각의 부류 또는 유형의 재료 조각들(101)에 대한 특정한 화학적 조성들이 시스템(100)에 입력될 수 있고(예컨대, 데이터베이스에 저장됨). 그런 다음에 특정 재료 조각(101)이 (예컨대, 비젼 시스템(110) 및/또는 하나 이상의 센서 시스템들(120)에 의해) 분류될 때, 그것의 특정한 화학적 조성이 그것의 결정된 분류에 부합될 것이다(일부 방식으로 연관됨). 추가적으로, 공정 블록(404)에서, 재료 조각들(101) 각각의 질량은 이전에 결정된 크기 및/또는 형상에 근거하여 대략적으로 계산될 수 있고, 결과적으로, 재료 조각 내의 각각의 화학 원소의 대략적인 질량들이 결정될 수 있다. 이는 다양한 공지된 유형 또는 부류의 재료 조각들의 화학 원소들의 상대 질량들이 알려질 것이고 또한 공지된 화학적 조성들과 유사한 방식으로 미리 시스템(100)에 입력될 수 있기 때문에 달성될 수 있다.
공정 블록(405)에서, 시스템(100)은, 미리 결정된 특정 총 화학적 조성을 달성하도록 결정된 화학적 조성 및 질량에 근거하여 재료 조각들(101) 각각을 선별할 것이다. 예컨대, 시스템(100)은 미리 결정된 선별 장치(예컨대, 선별 장치(126))에 의해 이들 재료 조각들(101) 각각을 미리 결정된 리셉터클(예컨대, 리셉터클(136)) 안으로 선별하도록(예컨대, 방향 전환시키도록) 구성될 수 있다. 재료 조각들(101)의 나머지는 리셉터클(140) 안으로 수집될 수 있거나, 시스템(100)은 재료 조각들(101) 중 특정한 재료 조각을 다른 용기(예를 들어, 용기(137)) 안으로 선별하여 제2의(예컨대, 상이한) 미리 결정된 특정 총 화학적 조성을 달성하도록 구성될 수 있다. 대안적으로, 시스템(100)은 나머지 재료 조각들(101)을 다른 유형의 원하는 분류(들)에 근거하여 선별하도록, 예컨대, 나머지 재료 조각들(101)을 2 개의 상이한 분류들(예컨대, 단련된, 압출된 그리고/또는 주조된 알루미늄)로 선별하도록 구성될 수 있다. 공정 블록(406)에서, 특정 총 화학적 조성을 달성하기 위한 선별된 재료 조각들(101)은 미리 결정된 리셉터클(예컨대, 리셉터클(136)) 안으로 수집된다.
공정 블록들(402∼406)은 특정 총 화학적 조성을 달성하기 위해, 특정된 정확도 임계치 내에서 특정 총 화학적 조성을 달성하기 위해, 또는 재료의 원하는(미리 결정된) 수집된 덩어리(리셉터클 안으로 방향 전환된 재료들의 수를 세어 결정될 수 있음)에 대한 특정 총 화학적 조성을 달성하기 위해 필요에 따라 반복될 수 있다. 예컨대, 각각의 재료 조각이 선별됨에 따라, 시스템은 수집된 재료 조각들의 총 화학적 조성을 계속해서 결정(즉, 업데이트)할 수 있으며, 업데이트된 총 화학적 조성이 미리 결정된 특정 총 화학적 조성의 임계 레벨 내에 있을 때까지 선별을 계속할 것이다. 각각의 재료 조각이 분류됨에 따라, 시스템은, 재료 조각이 이미 선별되고 수집된 재료 조각들 내의 특정 화학 원소의 총 중량 비율을 증가 또는 감소시키는지의 여부와 같이, 그 재료 조각을 집합체에 합류하도록 방향 전환시킬지의 여부를 결정할 것이다. 추가로, 특정 재료 조각들(예컨대, 볼트와 같은 철 함유 재료를 함유하는 단련 알루미늄 합금 조각)은 미리 결정된 특정 화학적 조성 내에 포함되는 것이 요망되지 않는 오염 물질을 포함하기 때문에, 시스템은 그 특정 재료 조각들을 집합체 안으로 방향 전환시키지 않도록 구성될 수 있다. 대안적으로, 특정 오염 물질을 함유하는 재료 조각들을 제거하기 위해 다른 시스템을 구현할 수 있다.
재료 추적 및 측정 장치(111)는 잘 알려진 1차원 또는 2차원 라인 스캐너일 수 있다. 그 장치가 1차원 라인 스캐너인 경우, 이동 방향을 따라 각각의 재료 조각의 길이를 측정할 것이다. 대부분의 재료 조각들이 길이와 폭이 대략 같다고 가정할 수 있으면, 그러한 길이 측정을 이용하여 각각의 재료 조각의 질량을 근사화할 수 있다. 2차원 라인 스캐너를 사용하면, 질량을 결정하는 데에 사용하기 위해 각각의 재료 조각의 길이와 폭을 모두 측정할 수 있다.
대안적으로, 각각의 재료 조각을 이미지화하고 각각의 재료 조각의 대략적인 치수들을 결정하기 위해 하나 이상의 카메라가 잘 알려진 방식으로 이용될 수 있다. 이러한 카메라(들)는 선별 장치 앞에서 컨베이어 벨트 근처에 위치될 수 있거나, 선별 장치의 하류에 위치될 수 있어, 선별된 재료 조각들만 이미지화되어 그의 대략적인 질량을 결정한다.
재료 조각들의 충분한 대부분이 모두 거의 동일한 크기와 질량이라고 가정할 수 있는 경우, 각각의 조각의 질량을 결정하기 위한 그러한 구현들은 생략될 수 있다.
대안적으로, 방향 전환된 재료 조각들을 수집하고 있는 리셉터클은, 각각의 재료 조각이 선별되고 리셉터클 내부에 수집될 때, 수집된 재료 조각들의 중량을 지속적으로 측정하여 각각의 재료 조각에 대한 대략적인 중량 및 결과적인 질량을 제공하는 중량 저울 상에 위치될 수 있다. 이들 질량들은 여기서 설명되는 바와 같은 시스템 및 공정(400)에서 이용될 수 있다.
본 개시의 특정 실시예들에 따르면, 시스템(100)의 복수의 적어도 일부는 선별된 다수의 반복 또는 층들을 수행하기 위해 연속적으로 함께 연결될 수 있다. 예를 들어, 2 개 이상의 시스템들(100)이 이러한 방식으로 연결될 때, 컨베이어 시스템은 단일 컨베이어 벨트 또는 다수의 컨베이어 벨트들로 구현되어, 재료들의 혼합물의 제1 세트의 재료 조각들을 선별기(예컨대, 제1 자동화 제어 시스템(108) 및 관련된 하나 이상의 선별 장치(126...129))에 의해 제1 세트의 하나 이상의 리셉터클들(예컨대, 선별 리셉터클들(136...139)) 안으로 선별하도록 구성된 제1 비젼 시스템(및 특정 실시예들에 따라 센서 시스템)을 지나 재료 조각들을 운반하고, 그런 다음에, 재료들의 혼합물의 제2 세트의 재료 조각들을 제2 선별기에 의해 제2 세트의 하나 이상의 리셉터클들 안으로 선별하도록 구성된 제2 비젼 시스템(및 특정 실시예들에 따라 다른 센서 시스템)을 지나 재료 조각들을 운반한다. 이러한 다단계 선별에 대한 추가 논의는 미국 공개 특허 출원 번호 2022/0016675에 있고, 이는 본 명세서에 참조로 포함된다.
이러한 연속적인 시스템들(100)은 그러한 방식으로 함께 연결된 임의의 수의 그러한 시스템을 포함할 수 있다. 본 개시의 특정 실시예들에 따르면, 각각의 연속적인 비젼 시스템 또는 센서 시스템은 이전의 비젼 시스템(들) 또는 센서 시스템(들)과는 상이한 재료를 선별하도록 구성될 수 있으며, 최종 결과는 미리 결정된 특정 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성한다.
이제 도 11을 참조하면, 본 개시의 실시예들의 양태들이 구현될 수 있는 데이터 처리("컴퓨터") 시스템(3400)을 도시하는 블록도가 나타나 있다. ("컴퓨터", "시스템", "컴퓨터 시스템" 및 "데이터 처리 시스템"이라는 용어는 여기서 상호 교환적으로 사용될 수 있음). 컴퓨터 시스템(107), 자동화 제어 시스템(108), 센서 시스템(들)(120)의 양태들, 및/또는 비젼 시스템(110)은 컴퓨터 시스템(3400)과 유사하게 구성될 수 있다. 특히 컴퓨터 시스템(3400)은 로컬 버스(3405)를 사용할 수 있다. 특히, 주변 요소 인터커넥트("PCT") 로컬 버스 아키텍쳐, 가속 그래픽 포트("AGP") 아키텍쳐 또는 산업 표준 아키텍쳐("ISA")와 같은 임의의 적절한 버스 아키텍쳐가 이용될 수 있다. 하나 이상의 프로세서(3415), 휘발성 메모리(3420) 및 비휘발성 메모리(3435)는 (예를 들어, PCI 브리지(나타나 있지 않음)를 통해) 로컬 버스(3405)에 연결될 수 있다. 통합 메모리 제어기 및 캐시(cache) 메모리가 하나 이상의 프로세서(3415)에 결합될 수 있다. 하나 이상의 프로세서(3415)는 하나 이상의 중앙 프로세서 유닛들 및/또는 하나 이상의 그래픽 프로세서 유닛들(3401) 및/또는 하나 이상의 텐서 처리 유닛들을 포함할 수 있다. 로컬 버스(3405)에 대한 추가 연결들은 직접적인 구성 요소 상호 연결 또는 증설용(add-in) 보드들을 통해 이루어질 수 있다. 나타나 있는 예에서, 통신(예컨대, 네트워크(LAN)) 어댑터(3425), I/O(예컨대, 소형 컴퓨터 시스템 인터페이스("SCSI") 호스트 버스) 어댑터(3430) 및 확장 버스 인터페이스(나타나 있지 않음)가 직접적인 구성 요소 연결에 의해 로컬 버스(3405)에 연결될 수 있다. 오디오 어댑터(나타나 있지 않음), 그래픽 어댑터(나타나 있지 않음) 및 디스플레이 어댑터(3416)(디스플레이(3440)에 결합됨)는 (예컨대, 확장 슬롯들 안으로 삽입되는 증설용 보드에 의해) 로컬 버스(3405)에 연결될 수 있다.
사용자 인터페이스 어댑터(3412)는 키보드(3413) 및 마우스(3414), 모뎀(나타나 있지 않음) 및 추가 메모리(나타나 있지 않음)에 대한 연결을 제공할 수 있다. I/O 어댑터(3430)는 하드 디스크 드라이브(3431), 솔리드 스테이트 드라이브(3432) 및 CD-ROM 드라이브(나타나 있지 않음)에 대한 연결을 제공할 수 있다.
운영 체제는 하나 이상의 프로세서들(3415)에서 실행될 수 있으며, 컴퓨터 시스템(3400) 내의 다양한 구성 요소들을 조정하고 제어하기 위해 사용될 수 있다. 도 11에서, 운영 체제는 상업적으로 이용 가능한 운영 체제일 수 있다. 객체 지향 프로그래밍 시스템(예컨대, Java, Python 등)이 운영 체제와 함께 실행될 수 있고, 시스템(3400)에서 실행되는 프로그램 또는 프로그램들(예컨대, Java, Python 등)로부터 운영 체제에 대한 호출을 제공할 수 있다. 운영 체제, 객체 지향 운영 체제 및 프로그램에 대한 명령들은, 하드 디스크 드라이브(3431) 또는 솔리드 스테이트 드라이브(3432)와 같은 비휘발성 메모리(3435) 저장 디바이스에 위치될 수 있으며, 프로세서(3415)에 의한 실행을 위해 휘발성 메모리(3420)에 로딩될 수 있다.
당업자는 도 11의 하드웨어는 구현에 따라 다를 수 있음을 이해할 것이다. 플래시 ROM(또는 동등한 비휘발성 메모리) 또는 광학 디스크 드라이브들 등과 같은 다른 내부 하드웨어 또는 주변 장치들이 도 11에 나타나 있는 하드웨어에 추가로 또는 그 대신에 사용될 수 있다. 또한, 본 개시의 공정들 중 임의의 공정은 멀티프로세서 컴퓨터 시스템에 적용될 수 있거나, 그러한 복수의 시스템들(3400)에 의해 수행될 수 있다. 예를 들어, 기계 학습 시스템의 훈련은 제1 컴퓨터 시스템(3400)에 의해 수행될 수 있고, 분류를 위한 시스템(100)의 작동은 제2 컴퓨터 시스템(3400)에 의해 수행될 수 있다.
다른 예로서, 컴퓨터 시스템(3400)은, 이 컴퓨터 시스템(3400)이 어떤 유형의 네트워크 통신 인터페이스를 포함하는지의 여부에 관계없이, 어떤 유형의 네트워크 통신 인터페이스에 의존하지 않고 부팅 가능하도록 구성된 독립형 시스템일 수 있다. 추가 예로서, 컴퓨터 시스템(3400)은 내장형 제어기일 수 있는데, 이러한 제어기는 운영 체제 파일들 또는 사용자 생성 데이터를 저장하는 비휘발성 메모리를 제공하는 ROM 및/또는 플래시 ROM으로 구성된다.
도 11에 나타나 있는 예 및 전술한 예들은 구조적 제한을 의미하지 않는다. 또한, 본 개시의 양태들의 컴퓨터 프로그램 형태는 컴퓨터 시스템에 의해 사용되는 임의의 컴퓨터 판독 가능한 저장 매체(즉, 플로피 디스크, 컴팩트 디스크, 하드 디스크, 테이프, ROM, RAM 등) 상에 상주할 수 있다.
여기서 설명되는 바와 같이, 본 개시의 실시예들은 재료 조각들을 식별, 추적, 분류 및/또는 선별하기 위해 설명된 다양한 기능들을 수행하도록 구현될 수 있다. 이러한 기능들은, 앞에서 언급된 컴퓨터 시스템(107), 비젼 시스템(110), 센서 시스템(들)(120)의 양태들 및/또는 자동화 제어 시스템(108)과 같은 하나 이상의 데이터 처리 시스템들(예컨대, 도 11의 데이터 처리 시스템(3400)) 내에서와 같이 하드웨어 및/또는 소프트웨어 내에서 구현될 수 있다. 그럼에도 불구하고, 여기서 설명되는 기능들은 임의의 특정 하드웨어/소프트웨어 플랫폼으로의 구현에 대해 제한되지 않는다.
당업자는 이해하는 바와 같이, 본 개시의 양태는 시스템, 공정, 방법 및/또는 컴퓨터 프로그램 제품으로서 구현될 수 있다. 따라서, 본 개시의 다양한 양태들은 전적으로 하드웨어 실시예, 전적으로 소프트웨어 실시예(펌웨어, 상주 소프트웨어, 마이크로-코드 등을 포함), 또는 일반적으로 여기서 회로", "전기회로", "모듈" 또는 "시스템"으로 지칭될 수 있는, 소프트웨어 양태와 하드웨어 양태를 조합한 실시예들의 형태를 취할 수 있다. 또한, 본 개시의 양태들은, 컴퓨터 판독 가능한 프로그램 코드가 구현된 하나 이상의 컴퓨터 판독 가능한 저장 매체(들)에 구현된 컴퓨터 프로그램 제품의 형태를 취할 수 있다. (그러나, 하나 이상의 컴퓨터 판독 가능한 매체(들)의 임의의 조합이 이용될 수 있고, 컴퓨터 판독 가능한 매체는 컴퓨터 판독 가능한 신호 매체 또는 컴퓨터 판독 가능한 저장 매체일 수 있음).
컴퓨터 판독 가능한 저장 매체는, 예를 들어, 전자, 자기, 광학, 전자기, 적외선, 생물, 원자 또는 반도체 시스템, 장치, 제어기 또는 디바이스 또는 이들의 임의의 적절한 조합일 수 있지만, 이에 제한되지는 않으며, 여기서 컴퓨터 판독 가능한 저장 매체는 그 자체로 일시적인 신호는 아니다. 컴퓨터 판독 가능한 저장 매체의 보다 구체적인 예들(비포괄적인 목록)은 다음을 포함할 수 있다: 하나 이상의 와이어들을 갖는 전기적 연결부, 휴대용 컴퓨터 디스켓, 하드 디스크, 솔리드 스테이트 메모리, 랜덤 액세스 메모리("RAM")(예컨대, 도 11의 RAM(3420)), 읽기 전용 메모리("ROM")(예컨대, 도 11의 ROM(3435)), 삭제 가능한 프로그램 가능 읽기 전용 메모리("EPROM" 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 읽기 전용 메모리("CD-ROM"), 광학 저장 디바이스, 자기 저장 디바이스(예컨대, 도 11의 하드 드라이브(3431)) 또는 이들의 임의의 적절한 조합. 본 문서의 맥락에서, 컴퓨터 판독 가능한 저장 매체는, 명령 실행 시스템, 장치, 컨트롤러 또는 디바이스에 의해 또는 이와 관련하여 사용하기 위한 프로그램을 포함하거나 저장할 수 있는 임의의 유형적(tangible) 매체일 수 있다. 컴퓨터 판독 가능한 신호 매체에 구현된 프로그램 코드는 무선, 유선, 광섬유 케이블, RF 등 또는 이들의 임의의 적절한 조합을 포함하지만 이에 제한되지 않는 임의의 적절한 매체를 사용하여 전송될 수 있다.
컴퓨터 판독 가능 신호 매체는, 예컨대, 기저대역에서 또는 반송파의 일부로서 내부에 컴퓨터 판독 가능한 프로그램 코드가 구현된 전파되는 데이터 신호를 포함할 수 있다. 이러한 전파되는 데이터 신호는, 전자기, 광학 또는 이들의 임의의 적절한 조합을 포함하지만 이에 제한되지 않는 다양한 형태들 중 임의의 형태를 취할 수 있다. 컴퓨터 판독 가능한 신호 매체는, 컴퓨터 판독 가능한 저장 매체가 아니며 명령 실행 시스템, 장치, 제어기 또는 디바이스에 의해 또는 이와 관련하여 사용하기 위한 프로그램을 통신, 전파 또는 전송할 수 있는 임의의 컴퓨터 판독 가능한 매체일 수 있다.
도면에 있는 흐름도 및 블록도는 본 개시의 다양한 실시예들에 따른 시스템들, 방법들, 공정들 및 컴퓨터 프로그램 제품들의 가능한 구현들의 아키텍처, 기능 및 작동을 도시한다. 이와 관련하여, 흐름도 또는 블록도에 있는 각각의 블록은, 특정된 논리적 기능(들)을 구현하기 위한 하나 이상의 실행 가능한 프로그램 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부분을 나타낼 수 있다. 또한, 일부 구현들에서, 블록들에 표시된 기능들은 도면에 표시된 순서와 다르게 일어날 수 있음에 유의해야 한다. 예컨대, 연속적으로 나타나 있는 2 개의 블록들은, 사실, 실질적으로 동시에 실행될 수 있거나, 관련된 기능에 따라 블록들은 때때로 역순으로 실행될 수 있다.
여기서의 설명에서, 흐름도의 기술은 일련의 순차적 액션들로 설명될 수 있다. 액션들의 순서와 그 액션들을 수행하는 당사자는 교시의 범위를 벗어나지 않고 자유롭게 변경될 수 있다. 액션들은 여러 가지 방법들로 추가, 삭제 또는 변경될 수 있다. 유사하게, 액션들은 다시 정렬하거나 반복될 수 있다. 또한, 공정들, 방법들, 알고리즘들 등은 순차적인 순서로 설명될 수 있지만, 그러한 공정들, 방법들, 알고리즘들 또는 이들의 임의의 조합은 대안적인 순서로 수행되도록 작동 가능하다. 또한, 공정, 방법 또는 알고리즘 내의 일부 액션들은 적어도 일 시점 동안에 동시에 수행될 수 있으며(예컨대, 액션들이 병렬로 수행됨) 또한 전체적으로, 부분적으로 또는 이들의 임의의 조합으로 수행될 수도 있다.
다양한 유형의 프로세서(들)(예컨대, GPU 3401, CPU 3415)에 의한 실행을 위해 소프트웨어로 구현된 모듈들은, 예컨대, 객체, 절차 또는 기능으로 조직화될 수 있는 컴퓨터 명령들의 하나 이상의 물리적 또는 논리적 블록들을 포함할 수 있다. 그럼에도 불구하고, 식별된 모듈의 실행 파일들은 물리적으로 함께 위치될 필요는 없지만, 논리적으로 함께 결합될 때 모듈을 포함하고 그 모듈에 대해 언급된 목적을 달성하는 상이한 위치들에 저장된 이질적인 명령들을 포함할 수 있다. 실제로 실행 가능한 코드의 모듈은 단일 명령 또는 많은 명령들일 수 있으며, 여러 상이한 코드 세그먼트들에 걸쳐, 상이한 프로그램들 사이에 그리고 여러 메모리 디바이스들을 가로질러 분산될 수도 있다. 유사하게, 작동 데이터(예컨대, 여기서 설명되는 재료 분류 라이브러리들)는 여기서 모듈들 내에서 식별되고 도시될 수 있으며, 임의의 적절한 형태로 구현되고 임의의 적절한 유형의 데이터 구조 내에서 조직화될 수 있다. 작동 데이터는 단일 데이터 세트로서 수집될 수 있거나, 상이한 저장 디바이스들을 포함하여 상이한 위치들에 걸쳐 분산될 수 있다. 데이터는 시스템 또는 네트워크에서 전자 신호들을 제공할 수 있다.
이러한 프로그램 명령들은, 기계를 생산하기 위해 범용 컴퓨터, 특수 목적 컴퓨터 또는 기타 프로그래밍 가능한 데이터 처리 장치(예컨대, 제어기)의 하나 이상의 프로세서들 및/또는 제어기(들)에 제공될 수 있으며, 그래서, 컴퓨터 또는 기타 프로그래밍 가능한 데이터 처리 장치의 프로세서들(예컨대, GPU 3401, CPU 3415)를 통해 실행하는 명령들은 흐름도 및/또는 블록도의 블록 또는 블록들에 특정된 기능들/행위들을 실행하기 위한 회로 또는 수단을 생성한다. 특정 실시예에서, 컴퓨터 프로그램 명령들은, 미리 결정된 특정 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하도록 복수의 재료 조각들로부터 재료 조각들 중 특정 재료 조각들의 선별을 지시하기 위해 선별 장치에 선별 명령들을 보내도록 구성될 수 있다.
블록도들 및/또는 흐름도 도시들의 각 블록, 및 블록도들 및/또는 흐름도 도시들에 있는 블록들의 조합은, 특정된 기능들이나 행위들 또는 특수 목적 하드웨어와 컴퓨터 명령들의 조합을 수행하는 특수 목적의 하드웨어 기반 시스템들(예컨대, 하나 이상의 그래픽 처리 유닛들(예컨대, GPU 3401)을 포함할 수 있음)에 의해 실행될 수 있음을 또한 유의해야 할 것이다. 예컨대, 모듈은 맞춤형 VLSI 회로 또는 게이트 어레이들, 로직 칩들과 같은 기성품 반도체들, 트랜지스터들, 제어기들 또는 기타 개별 구성 요소들을 포함하는 하드웨어 회로로서 구현될 수 있다. 모듈은 또한 필드 프로그램 가능 게이트 어레이, 프로그램 가능 어레이 논리, 프로그램 가능 논리 디바이스 등과 같은 프로그램 가능 하드웨어 다바이스들에서 구현될 수 있다.
본 개시의 양태들에 대한 작동들을 수행하기 위한 컴퓨터 프로그램 코드, 즉, 명령들은, Java, Smalltalk, Python, C++ 등과 같은 객체 지향 프로그래밍 언어를 포함하는 하나 이상의 프로그래밍 언어, "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 종래의 절차적 프로그래밍 언어, 또는 여기서 개시된 임의의 기계 학습 소프트웨어의 임의의 조합으로 기록될 수 있다. 프로그램 코드는 전적으로 사용자의 컴퓨터 시스템에서, 부분적으로는 독립형 소프트웨어 패키지로서 사용자의 컴퓨터 시스템에서, 부분적으로는 사용자의 컴퓨터 시스템(예컨대, 선별에 사용되는 컴퓨터 시스템)에서, 또한 부분적으로는 원격 컴퓨터 시스템(예컨대, 센서 시스템을 훈련하기 위해 사용되는 컴퓨터 시스템) 또는 전적으로 원격 컴퓨터 시스템이나 서버에서 실행될 수 있다. 후자의 경우에, 원격 컴퓨터 시스템은, LAN(Local Area Network) 또는 WAN(Wide Area Network)을 포함한 임의의 유형의 네트워크를 통해 사용자의 컴퓨터 시스템에 연결될 수 있으며, 또는 외부 컴퓨터 시스템에 대한 연결이 이루어질 수 있다(예컨대, 인터넷 서비스 공급자를 사용하는 인터넷을 통해).
이러한 프로그램 명령들은 또한 컴퓨터 시스템, 다른 프로그램 가능한 데이터 처리 장치, 제어기 또는 다른 디바이스들이 특정 방식으로 기능하도록 지시할 수 있는 컴퓨터 판독 가능한 저장 매체에 저장될 수 있으며, 따라서 컴퓨터 판독 가능한 매체에 저장된 명령들은 흐름도 및/또는 블록도의 블록 또는 블록들에 특정된 기능/행위를 실행하는 명령들을 포함하는 제품을 생성한다.
다양한 구현들을 위한 데이터를 저장하고 그 데이터에 대한 접근을 제공하기 위해 하나 이상의 데이터베이스가 호스트에 포함될 수 있다. 당업자는 또한 보안상의 이유로, 본 개시의 임의의 데이터베이스, 시스템들 또는 구성 요소들은 단일 위치 또는 다수의 위치들에서 데이터베이스 또는 구성 요소들의 임의의 조합을 포함할 수 있음을 이해할 것이며, 여기서 각각의 데이터베이스 또는 시스템은 방화벽, 접근 코드, 암호화, 암호 해독 등과 같은 다양한 적절한 보안 특징들 중의 임의의 특징을 포함할 수 있다. 데이터베이스는 관계형, 계층형, 객체 지향 등과 같은 임의 유형의 데이터베이스일 수 있다. 데이터베이스를 구현하는 데에 사용할 수 있는 일반적인 데이터베이스 제품들은 IBM의 DB2, Oracle Corporation로부터 구입 가능한 임의의 데이터베이스 제품, Microsoft Corporation의 Microsoft Access 또는 임의의 다른 데이터베이스 제품을 포함한다. 데이터베이스는 데이터 테이블 또는 룩업 테이블을 포함하여 임의의 적절한 방식으로 조직화될 수 있다.
특정 데이터의 연관(예컨대, 분류된 재료 조각과 이의 알려진 화학적 조성 사이, 또는 분류된 재료 조각과 그의 계산된 대략적인 질량 사이의 연관)이, 당업계에 알려져 있고 실행되는 임의의 데이터 연관 기술을 통해 달성될 수 있다. 예컨대, 연관은 수동 또는 자동으로 수행될 수 있다. 자동 연관 기술은, 예컨대, 데이터베이스 검색, 데이터베이스 병합, GREP, AGREP, SQL 등을 포함할 수 있다. 연관 단계는, 예컨대, 제조업체 및 소매업체 데이터 테이블들 각각의 키 필드를 사용하여 데이터베이스 병합 기능에 의해 달성될 수 있다. 키 필드는 키 필드에 의해 정의된 대상물들의 상위 수준 부류에 따라 데이터베이스를 분할한다. 예컨대, 제1 데이터 테이블과 제2 데이터 테이블 모두에서 특정 부류가 키 필드로서 지정될 수 있고, 그런 다음 2 개의 데이터 테이블들은 키 필드의 클래스 데이터를 기반으로 병합될 수 있다. 이들 실시예들에서, 병합된 데이터 테이블 각각의 키 필드에 대응하는 데이터는 바람직하게는 동일하다. 그러나, 키 필드에서 동일하지는 않지만 유사한 데이터를 갖는 데이터 테이블들이 또한 예컨대 AGREP를 사용하여 병합될 수 있다.
본 개시의 양태들은 방법을 제공하며, 이 방법 복수의 재료 조각들 중 각각의 재료 조각의 대략적인 질량을 결정하는 단계 - 복수의 재료 조각들 중 적어도 하나의 재료 조각은 다른 재료 조각들과는 상이한 재료 분류를 가짐 -; 복수의 재료 조각들 중 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하는 단계; 및 결정된 대략적인 질량 및 복수의 재료 조각들 중 각각의 재료 조각의 분류에 따라 복수의 재료 조각들로부터 재료 조각들 중 특정 재료 조각들을 선별하는 단계를 포함하고, 선별은 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성한다. 선별은 재료 조각들 중 특정 재료 조각들을 리셉터클 안으로 방향 전환시키는 것을 포함할 수 있다. 선별은 방향 전환된 재료 조각들의 총 화학적 조성을 지속적으로 결정하는 것을 포함할 수 있다. 선별은 방향 전환된 재료 조각들의 총 화학적 조성의 특정한 화학적 원소의 중량 백분율을 증가시키기 위해 다음 재료 조각을 리셉터클 안으로 방향 전환시키는 것을 포함할 수 있다. 선별은 방향 전환된 재료 조각들의 총 화학적 조성의 특정한 화학적 원소의 중량 백분율을 감소시키기 위해 다음 재료 조각을 리셉터클 안으로 방향 전환시키지 않는 것을 포함할 수 있다. 다음 재료 조각이 미리 결정된 특정한 총 화학적 조성 내에 요망되지 않는 오염 물질을 포함하기 때문에, 선별은 다음 재료 조각을 리셉터클 안으로 방향 전환시키지 않는 것을 포함할 수 있다. 선별은, 미리 결정된 최소 수의 방향 전환된 재료 조각들의 총 화학적 조성이 미리 결정된 특정한 총 화학적 조성의 임계 레벨과 동일할 때까지 계속될 수 있다. 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체는, 그 집합체에 있는 다른 재료 조각들과는 상이한 재료 분류를 갖는 적어도 하나의 재료 조각을 포함할 수 있다. 복수의 재료 조각들은 상이한 금속 합금 조성들을 갖는 재료 조각들을 포함할 수 있다. 미리 결정된 특정한 총 화학적 조성은 복수의 재료 조각들 각각의 화학적 조성과 상이할 수 있다. 미리 결정된 특정한 총 화학적 조성은 복수의 재료 조각들 모두의 총 화학적 조성과 상이할 수 있다. 재료 조각들의 집합체는 상이한 재료 분류들을 갖는 재료 조각을 포함할 수 있다. 재료 조각들의 집합체는 다른 재료 조각들과는 상이한 재료 분류를 갖는 재료 조각들 중의 적어도 하나를 포함할 수 있다. 복수의 조각들은 단련 알루미늄 합금 조각들 및 주조 알루미늄 합금 조각들을 포함하고, 재료 조각들의 집합체는 적어도 하나의 단련 알루미늄 합금 조각 및 적어도 하나의 주조 알루미늄 합금 조각을 포함하며, 미리 결정된 특정한 총 화학적 조성은 단련 알루미늄 합금 조각들의 화학적 조성과 상이하고, 미리 결정된 특정한 총 화학적 조성은 주조 알루미늄 합금 조각들의 화학적 조성과 상이할 수 있다. 분류는 기계 학습 시스템을 통해 복수의 재료 조각들 각각으로부터 캡처된 이미지 데이터를 처리하는 것을 포함할 수 있다.
본 개시의 양태들은 시스템을 제공하며, 이 시스템은 재료 조각들의 혼합물 각각의 하나 이상의 특성들을 캡처하도록 구성된 센서 ― 재료 조각들의 혼합물은 상이한 재료 분류들을 갖는 재료 조각들을 포함함 ―; 재료 조각들의 혼합물의 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하도록 구성된 데이터 처리 시스템; 및 재료 조각들의 혼합물 중 각각의 재료 조각의 분류에 따라 재료 조각들의 혼합물로부터 재료 조각들 중 특정 재료 조각들을 선별하도록 구성된 선별 장치를 포함하고, 선별은 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성할 수 있다. 센서는 카메라일 수 있고, 하나 이상의 캡처된 특성들은, 재료 조각들이 카메라를 지나 운반될 때 그 재료 조각들의 혼합물 각각의 이미지들을 캡처하도록 구성된 카메라에 의해 캡처되고, 카메라는 이미지 데이터를 생성하기 위해 재료들의 혼합물 각각의 시각적 이미지들을 캡처하도록 구성되고, 특성들은 시각적으로 관찰된 특성들이다. 데이터 처리 시스템은, 캡처된 시각적으로 관찰된 특성들에 근거하여 재료 조각들의 혼합물 중 각각의 재료 조각을 복수의 상이한 재료 분류들의 중의 하나에 속하는 것으로 분류하도록 구성된 신경망을 구현하는 기계 학습 시스템을 포함할 수 있다. 시스템은 복수의 재료 조각들 중 각각의 재료 조각의 대략적인 질량을 결정하도록 구성된 장치를 더 포함할 수 있고, 선별은 각각의 재료 조각의 결정된 대략적인 질량 및 분류에 따라 수행된다. 장치는 각각의 재료 조각의 대략적인 크기를 측정하도록 구성된 라인 스캐너를 포함할 수 있다.
본 개시의 양태들은 컴퓨터 판독 가능한 저장 매체에 저장되는 컴퓨터 프로그램 제품을 제공하며, 이 컴퓨터 프로그램 제품은, 데이터 처리 시스템에 의해 실행되면, 복수의 재료 조각들 중 각각의 재료 조각의 대략적인 질량을 결정하는 것 ― 복수의 재료 조각들 중 적어도 하나의 재료 조각은 다른 재료 조각들과 상이한 재료 분류를 가짐 ―; 복수의 재료 조각들 중 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하는 것; 및 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하기 위해 복수의 재료 조각들로부터 재료 조각들 중 특정 재료 조각들을 선별하는 것을 지시하는 것을 포함하는 공정을 수행하며, 선별은 결정된 대략적인 질량 및 복수의 재료 조각들 중 각각의 재료 조각의 분류에 따라 수행되며, 재료 조각들의 집합체는 상이한 재료 분류들을 갖는 재료 조각들을 포함한다. 분류는 기계 학습 시스템을 통해 복수의 재료 조각들 각각으로부터 캡처된 이미지 데이터를 처리하는 것을 포함할 수 있다. 미리 결정된 특정한 총 화학적 조성은 복수의 재료 조각들 각각의 화학적 조성과 상이할 수 있다.
여기서, 장치를 "구성하는" 또는 어떤 기능을 수행하도록 "구성된" 장치를 언급한다. 이는 미리 정의된 논리 블록들을 선택하고 그 볼록들을 논리적으로 연관시키는 것을 포함할 수 있음을 이해해야 하며, 그래서 그 블록들은 모니터링 기능 또는 제어 기능을 포함하는 특정 논리 기능들을 제공한다. 또한, 제어 장치의 컴퓨터 소프트웨어 기반 논리를 프로그래밍하는 것, 개별 하드웨어 구성 요소들을 배선하는 것 또는 전술한 것 중 임의의 또는 모두의 조합을 포함할 수 있다.
여기서의 설명에서, 프로그래밍, 소프트웨어 모듈들, 사용자 선택, 네트워크 트랜잭션, 데이터베이스 질문, 데이터베이스 구조들, 하드웨어 모듈들, 하드웨어 회로들, 하드웨어 칩들, 제어기들 등의 예와 같은 많은 특정 세부 사항들이 제공되어, 본 개시의 실시예들에 대한 철저한 이해를 제공한다. 그러나 관련 기술 분야의 숙련자는, 본 개시는 하나 이상의 특정 세부 사항 없이 또는 다른 방법들, 구성 요소들, 재료들 등으로 실시될 수 있음을 인식할 것이다. 다른 경우에, 잘 알려진 구조들, 재료들 또는 작동들은 본 개시의 양태들을 모호하게 하는 것을 피하기 위해 상세하게 나타내거나 설명하지 않을 수 있다.
당업자는 시스템(100)의 구성 요소들의 다양한 설정들 및 파라미터들(신경망 파라미터들을 포함)이 분류되고 선별되는 재료의 유형, 원하는 분류 및 선별 결과, 사용 중인 장비의 유형, 이전 분류로부터 얻어진 경험적인 결과, 이용 가능한 데이터 및 기타 요인들에 근거하여 시간이 지남에 따라 맞춤화되고, 최적화되며 또한 재구성될 수 있음을 이해할 것이다.
본 명세서 전반에 걸쳐 "일 실시예", "실시예들" 또는 유사한 언어에 대한 언급은, 실시예들과 관련하여 설명된 특정 특징, 구조 또는 특성이 본 개시의 적어도 하나의 실시예에 포함됨을 의미한다. 따라서, 본 명세서 전반에 걸쳐 "한 실시예에서", "일 실시예에서", "실시예들", "특정 실시예들", "다양한 실시예들" 및 유사한 언어의 출현은 모두 동일한 실시예를 지칭할 수 있는데, 하지만 반드시 그런 것은 아니다. 또한, 본 개시의 설명된 특징들, 구조들, 양태들 및/또는 특성들은 하나 이상의 실시예들에서 임의의 적절한 방식으로 조합될 수 있다. 대응적으로, 특징들이 처음에 특정 조합으로 작동하는 것으로 주장될 수 있더라도, 청구된 조합의 하나 이상의 특징들은 일부 경우에 그 조합에서 제외될 수 있으며, 청구된 조합은 하위 조합 또는 하위 조합의 변형으로 향할 수 있다.
이점들, 장점들 및 문제에 대한 해결책들이 특정 실시예들과 관련하여 여기서 설명되었다. 그러나, 그 이점들, 장점들, 문제에 대한 해결책들, 이점, 장점 또는 해결책을 발생시키거나 더 뚜렷하게 만들 수 있는 요소(들)는 임의의 또는 모든 청구항들의 중요하거나 필요하거나 필수적인 특징들 또는 요소들인 것으로 해석되지 않는다. 또한, 여기서 설명된 구성 요소는, 필수적이거나 중요한 것으로 명시적으로 설명되지 않는 한, 본 개시를 실행하는 데에 필요하지 않다.
본 명세서는 많은 세부 사항들을 포함하지만, 그 세부 사항들은 본 개시 내용의 범위 또는 청구될 수 있는 것에 대한 제한으로 해석되어서는 안 되며, 오히려 본 개시의 특정 구현들에 특정적인 특징들에 대한 설명으로 해석되어야 한다. 여기서 제목은 본 개시, 개시의 실시예들 또는 그 제목 하에 개시된 다른 사항을 제한하려는 의도가 아닐 수 있다.
여기서, "또는"이라는 용어는 포괄적인 것으로 의도될 수 있으며, "A 또는 B"는 A 또는 B를 포함하고 또한 A 및 B 모두를 포함한다. 여기서 사용되는 바와 같이, 실체들의 목록과 관련하여 사용될 때 "및/또는"이라는 용어는 그 실제들이 단독으로 또는 조합되어 존재하는 것을 말한다. 따라서, 예컨대,"A, B, C 및/또는 D"라는 문구는, A, B, C 및 D를 개별적으로 포함하지만, A, B, C 및 D의 임의의 그리고 모든 조합들 및 하위 조합들도 포함한다.
여기서 사용되는 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 여기서 사용되는 바와 같이, 단수형 표현은, 문맥상 명백하게 다르게 나타내지 않는 한, 복수형도 포함하는 것으로 의도될 수 있다
아래의 청구 범위에 있는 모든 수단 또는 단계 플러스 기능 요소들의 대응하는 구조들, 재료들, 행위들 및 등가물들은, 특별히 청구된 다른 청구된 요소들과 조합하여 기능을 수행하기 위한 임의의 구조, 재료 또는 행위를 포함하도록 의도될 수 있다.
여기서 사용되는 바와 같이, "제어기", "프로세서", "메모리", "신경망", "인터페이스", "선별기", "선별 장치", "선별 디바이스", "디바이스", "푸싱 기구", "푸시어 디바이스", "이미징 센서", "상자(bin)", "리셉터클", "시스템" 및 "회로"와 같은 용어들은 각각, 당업자에 의해 인식되고 이해될 것이며 35 U.S.C. 112(f)를 행사하기 위한 목적으로 임시 단어 또는 임시 용어로 여기서 사용되지 않는 비일반적 디바이스 요소들을 지칭한다.
식별된 특성 또는 상황과 관련하여 여기서 사용되는 바와 같이, "실질적으로"는, 그 식별된 특성 또는 상황으로부터 측정 가능하게 벗어나지 않도록 충분히 작은 편차 정도를 의미한다. 허용 가능한 정확한 편차 정도는 어떤 경우에는 특정 상황에 달려 있을 수 있다.
여기서 사용되는 바와 같이, 복수의 항목들, 구조적 요소들, 구성 요소들, 예시적 분획물 및/또는 재료들은 편의를 위해 공통 목록으로 제시될 수 있다. 그러나, 이러한 목록들은, 그 목록의 각 구성 요소가 개별적이고 고유한 구성 요소로서 개별적으로 식별되는 것처럼 해석되어야 한다. 따라서, 그러한 목록의 개별적인 구성 요소는, 반대되는 표시 없이 공통 그룹에서의 그의 제시에 근거해서만 동일한 목록의 임의의 다른 구성 요소와 사실상 동등한 것으로 해석되어서는 안 된다.
달리 정의되지 않는 한, 여기에서 사용되는 모든 기술적 및 과학적 용어(예컨대, 주기율표 내의 화학 원소에 사용된 두문자어)는, 현재 개시된 주제가 속하는 기술 분야의 통상의 기술자가 일반적으로 이해하는 것과 동일한 의미를 갖는다. 여기서 언급된 모든 간행물들, 특허 출원들, 특허들 및 기타 참고 문헌들은, 특정 구절이 인용되지 않는 한, 전체적으로 참조로 포함된다. 상충하는 경우, 정의들을 포함한 본 명세서가 우선할 것이다. 추가로, 재료들, 방법들 및 실시예들은 예시적인 것일 뿐이며, 제한하려는 의도는 없다.
여기서 설명되지 않은 범위 내에서, 특정 재료들, 처리 행위들 및 회로들에 관한 많은 세부 사항들은 통상적인 것이며, 컴퓨팅, 전자 기술 및 소프트웨어 분야의 교과서 및 기타 소스에서 찾을 수 있다.
달리 나타내지 않는 한, 명세서 및 청구 범위에 사용되는 성분들, 반응 조건들 등의 양들을 나타내는 모든 숫자들은 모든 경우에 "약"이라는 용어의 수식을 받는 것으로 이해되어야 한다. 따라서, 달리 나타내지 않는 한, 본 명세서 및 첨부된 청구범위에 기재된 수치적 파라미터들은, 현재 개시된 주제에 의해 얻고자 하는 원하는 특성들에 따라 달라질 수 있는 근사치들이다. 여기서 사용되는 바와 같이, "약"이라는 용어는, 질량, 중량, 시간, 부피, 농도 또는 백분율의 값 또는 양을 언급할 때, 일부 실시예들에서 특정된 양으로부터 ±20%, 일부 실시예들에서 ±10%, 일부 실시예들에서 ±5%, 일부 실시예들에서 ±1%, 일부 실시예들에서 ±0.5%, 그리고 일부 실시예들에서 ±0.1%의 변동을 포함하도록 되어 있는데, 이러한 변동은 개시된 방법을 수행하는 데에 적합하기 때문이다. 여기서 사용되는 바와 같이, "유사한"이라는 용어는, 서로의 특정 오프셋 또는 백분율(예컨대, 1%, 2%, 5%, 10% 등) 내에 있는 값들을 지칭할 수 있다.
Claims (23)
- 방법으로서,
복수의 재료 조각들의 각각의 재료 조각의 대략적인 질량을 결정하는 단계 ― 상기 복수의 재료 조각들 중 적어도 하나의 재료 조각은 다른 재료 조각들과는 상이한 재료 분류를 가짐 ―;
상기 복수의 재료 조각들 중 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하는 단계; 및
상기 결정된 대략적인 질량 및 상기 복수의 재료 조각들의 각각의 재료 조각의 분류에 따라 상기 복수의 재료 조각들로부터 재료 조각들 중 특정 재료 조각들을 선별하는 단계를 포함하고,
상기 선별은 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하는, 방법. - 제1 항에 있어서,
상기 선별은 상기 재료 조각들 중 특정 재료 조각들을 리셉터클 안으로 방향 전환시키는 것을 포함하는, 방법. - 제2 항에 있어서,
상기 선별은 상기 방향 전환된 재료 조각들의 총 화학적 조성을 지속적으로 결정하는 것을 포함하는, 방법. - 제3 항에 있어서,
상기 선별은 상기 방향 전환된 재료 조각들의 총 화학적 조성의 특정한 화학적 원소의 중량 백분율을 증가시키기 위해 다음 재료 조각을 상기 리셉터클 안으로 방향 전환시키는 것을 포함하는, 방법. - 제3 항에 있어서,
상기 선별은 상기 방향 전환된 재료 조각들의 총 화학적 조성의 특정한 화학적 원소의 중량 백분율을 감소시키기 위해 다음 재료 조각을 상기 리셉터클 안으로 방향 전환시키지 않는 것을 포함하는, 방법. - 제3 항에 있어서,
다음 재료 조각이 상기 미리 결정된 특정한 총 화학적 조성 내에 요망되지 않는 오염 물질을 포함하기 때문에 상기 선별은 상기 다음 재료 조각을 상기 리셉터클 안으로 방향 전환시키지 않는 것을 포함하는, 방법. - 제3 항에 있어서,
상기 선별은, 미리 결정된 최소 수의 방향 전환된 재료 조각들의 총 화학적 조성이 상기 미리 결정된 특정한 총 화학적 조성의 임계 레벨과 동일할 때까지 계속되는, 방법. - 제1 항에 있어서,
상기 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체는, 상기 집합체에 있는 다른 재료 조각들과는 상이한 재료 분류를 갖는 적어도 하나의 재료 조각을 포함하는, 방법. - 제1 항에 있어서,
상기 복수의 재료 조각들은 상이한 금속 합금 조성들을 갖는 재료 조각들을 포함하는, 방법. - 제1 항에 있어서,
상기 미리 결정된 특정한 총 화학적 조성은 상기 복수의 재료 조각들 각각의 화학적 조성과 상이한, 방법. - 제10 항에 있어서,
상기 미리 결정된 특정한 총 화학적 조성은 상기 복수의 재료 조각들 모두의 총 화학적 조성과 상이한, 방법. - 제1 항에 있어서,
상기 재료 조각들의 집합체는 상이한 재료 분류들을 갖는 재료 조각을 포함하는, 방법. - 제12 항에 있어서,
상기 재료 조각들의 집합체는 다른 재료 조각들과는 상이한 재료 분류를 갖는 재료 조각들 중 적어도 하나를 포함하는, 방법 - 제1 항에 있어서,
상기 복수의 조각들은 단련(wrought) 알루미늄 합금 조각들 및 주조 알루미늄 합금 조각들을 포함하고, 상기 재료 조각들의 집합체는 적어도 하나의 단련 알루미늄 합금 조각 및 적어도 하나의 주조 알루미늄 합금 조각을 포함하며, 상기 미리 결정된 특정한 총 화학적 조성은 상기 단련 알루미늄 합금 조각들의 화학적 조성과 상이하고, 상기 미리 결정된 특정한 총 화학적 조성은 상기 주조 알루미늄 합금 조각들의 화학적 조성과 상이한, 방법. - 제1 항에 있어서,
상기 분류는 기계 학습 시스템을 통해 상기 복수의 재료 조각들 각각으로부터 캡처된 이미지 데이터를 처리하는 것을 포함하는, 방법. - 시스템으로서,
재료 조각들의 혼합물 각각의 하나 이상의 특성들을 캡처하도록 구성된 센서 ― 상기 재료 조각들의 혼합물은 상이한 재료 분류들을 갖는 재료 조각들을 포함함 ―;
상기 재료 조각들의 혼합물의 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하도록 구성된 데이터 처리 시스템; 및
상기 재료 조각들의 혼합물의 각각의 재료 조각의 분류에 따라 상기 재료 조각들의 혼합물로부터 재료 조각들 중 특정 재료 조각들을 선별하도록 구성된 선별 장치를 포함하고,
상기 선별은 미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하는, 시스템. - 제16 항에 있어서,
상기 센서는 카메라이고, 상기 하나 이상의 캡처된 특성들은, 재료 조각들이 상기 카메라를 지나 운반될 때 상기 재료 조각들의 혼합물 각각의 이미지들을 캡처하도록 구성된 상기 카메라에 의해 캡처되고, 상기 카메라는 이미지 데이터를 생성하기 위해 재료들의 혼합물 각각의 시각적 이미지들을 캡처하도록 구성되어 있고, 상기 특성들은 시각적으로 관찰된 특성들인, 시스템. - 제17 항에 있어서,
상기 데이터 처리 시스템은, 캡처된 시각적으로 관찰된 특성들에 근거하여 상기 재료 조각들의 혼합물의 각각의 재료 조각을 복수의 상이한 재료 분류들의 중의 하나에 속하는 것으로 분류하도록 구성된 신경망을 구현하는 기계 학습 시스템을 포함하는, 시스템. - 제16 항에 있어서,
상기 시스템은 복수의 재료 조각들 중 각각의 재료 조각의 대략적인 질량을 결정하도록 구성된 장치를 더 포함하고, 상기 선별은 각각의 재료 조각의 결정된 대략적인 질량 및 분류에 따라 수행되는, 시스템. - 제19 항에 있어서,
상기 장치는 각각의 재료 조각의 대략적인 크기를 측정하도록 구성된 라인 스캐너를 포함하는, 시스템. - 컴퓨터 판독 가능한 저장 매체에 저장되는 컴퓨터 프로그램 제품으로서,
상기 컴퓨터 프로그램 제품은, 데이터 처리 시스템에 의해 실행되면,
복수의 재료 조각들의 각각의 재료 조각의 대략적인 질량을 결정하는 것 ― 상기 복수의 재료 조각들 중 적어도 하나의 재료 조각은 다른 재료 조각들과 상이한 재료 분류를 가짐 ―;
상기 복수의 재료 조각들의 각각의 재료 조각을 복수의 상이한 재료 분류들 중의 하나에 속하는 것으로 분류하는 것; 및
미리 결정된 특정한 총 화학적 조성을 갖는 재료 조각들의 집합체를 생성하기 위해 상기 복수의 재료 조각들로부터 재료 조각들 중 특정 재료 조각들을 선별하는 것을 지시하는 것을 포함하는 공정을 수행하며,
상기 선별은 상기 결정된 대략적인 질량 및 상기 복수의 재료 조각들의 각각의 재료 조각의 분류에 따라 수행되며, 상기 재료 조각들의 집합체는 상이한 재료 분류들을 갖는 재료 조각들을 포함하는, 컴퓨터 프로그램 제품. - 제21 항에 있어서,
상기 분류는 기계 학습 시스템을 통해 상기 복수의 재료 조각들 각각으로부터 캡처된 이미지 데이터를 처리하는 것을 포함하는, 컴퓨터 프로그램 제품. - 제21 항에 있어서,
상기 미리 결정된 특정한 총 화학적 조성은 상기 복수의 재료 조각들 각각의 화학적 조성과 상이한, 컴퓨터 프로그램 제품.
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163249069P | 2021-09-28 | 2021-09-28 | |
| US63/249,069 | 2021-09-28 | ||
| US202163285964P | 2021-12-03 | 2021-12-03 | |
| US63/285,964 | 2021-12-03 | ||
| US17/667,397 | 2022-02-08 | ||
| US17/667,397 US11969764B2 (en) | 2016-07-18 | 2022-02-08 | Sorting of plastics |
| PCT/US2022/020657 WO2023055425A1 (en) | 2021-09-28 | 2022-03-16 | Sorting based on chemical composition |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230147634A true KR20230147634A (ko) | 2023-10-23 |
Family
ID=85783401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237029043A KR20230147634A (ko) | 2021-09-28 | 2022-03-16 | 화학적 조성에 근거한 선별 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP4267318A1 (ko) |
| JP (1) | JP2024512994A (ko) |
| KR (1) | KR20230147634A (ko) |
| CA (1) | CA3209464A1 (ko) |
| MX (1) | MX2023009129A (ko) |
| WO (1) | WO2023055425A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6701001B1 (en) * | 2000-06-20 | 2004-03-02 | Dunkley International, Inc. | Automated part sorting system |
| DE102014013160B4 (de) * | 2014-09-11 | 2018-01-11 | ProASSORT GmbH | Verfahren und Vorrichtung zur Sortierung von wiederverwertbaren Rohstoffstücken |
| US10722922B2 (en) * | 2015-07-16 | 2020-07-28 | UHV Technologies, Inc. | Sorting cast and wrought aluminum |
-
2022
- 2022-03-16 EP EP22877061.6A patent/EP4267318A1/en active Pending
- 2022-03-16 KR KR1020237029043A patent/KR20230147634A/ko unknown
- 2022-03-16 CA CA3209464A patent/CA3209464A1/en active Pending
- 2022-03-16 JP JP2023559788A patent/JP2024512994A/ja active Pending
- 2022-03-16 WO PCT/US2022/020657 patent/WO2023055425A1/en active Application Filing
- 2022-03-16 MX MX2023009129A patent/MX2023009129A/es unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024512994A (ja) | 2024-03-21 |
| WO2023055425A1 (en) | 2023-04-06 |
| CA3209464A1 (en) | 2023-04-06 |
| EP4267318A1 (en) | 2023-11-01 |
| MX2023009129A (es) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210346916A1 (en) | Material handling using machine learning system | |
| US11975365B2 (en) | Computer program product for classifying materials | |
| US11964304B2 (en) | Sorting between metal alloys | |
| US11969764B2 (en) | Sorting of plastics | |
| KR20230159398A (ko) | 플라스틱들의 소팅 | |
| US20220355342A1 (en) | Sorting of contaminants | |
| TW202316316A (zh) | 多階分揀 | |
| WO2023076186A1 (en) | Metal separation in a scrap yard | |
| US12017255B2 (en) | Sorting based on chemical composition | |
| US20220203407A1 (en) | Sorting based on chemical composition | |
| TWI829131B (zh) | 用於淘選材料之方法和系統以及儲存在電腦可讀儲存媒體上的電腦程式產品 | |
| KR20230147634A (ko) | 화학적 조성에 근거한 선별 | |
| US20230053268A1 (en) | Classification and sorting with single-board computers | |
| US20220371057A1 (en) | Removing airbag modules from automotive scrap | |
| WO2023003669A9 (en) | Material classification system | |
| CN116917055A (zh) | 基于化学组合物的分拣 | |
| WO2023003670A1 (en) | Material handling system | |
| US20230173543A1 (en) | Mobile sorter | |
| KR20230150801A (ko) | 자동차 스크랩으로부터의 에어백 모듈들의 제거 | |
| US20240207899A1 (en) | Sorting between metal alloys | |
| KR20240090253A (ko) | 다단계 선별 | |
| US20240133830A1 (en) | Correction techniques for material classification | |
| US20230044783A1 (en) | Metal separation in a scrap yard | |
| WO2023137423A1 (en) | Scrap data analysis | |
| WO2022251373A1 (en) | Sorting of contaminants |