KR20230164557A - 재활용품 자동 분류 장치, 방법 및 프로그램 - Google Patents

Abstract

본 개시는 재활용품 자동 분류 장치에 관한 것으로, 인공지능 모델을 이용하여 카메라에 의해 촬영된 재활용품의 이미지를 기반으로 투입된 재활용품의 종류를 인식하고, 투입된 재활용품이 복수의 분류 장치 중에서 인식된 결과에 상응하는 특정 분류 장치로 이송되도록 로봇을 제어하고, 특정 분류 장치로 이송된 재활용품이 특정 분류 장치에 할당된 복수의 분류함 중에서 인식된 결과에 상응하는 특정 분류함으로 분류되도록 특정 분류 장치를 제어할 수 있다.

Description

재활용품 자동 분류 장치, 방법 및 프로그램 {Apparatus, method and program for automatically sorting recyclables}

본 개시는 재활용품 자동 분류 장치에 관한 것이다.

최근 들어 가정, 회사, 거리 등에서 발생하는 쓰레기 양이 가파른 추세로 증가하고 있다.

2018년 기준으로 하루동안 전국에서 발생한 쓰레기는 43만t으로 사상 최대 규모다. 일평균 폐기물 발생량은 2015년 40만t을 돌파하는 등 매년 최고기록을 갈아 치우고 있다.

지금처럼 생활쓰레기를 버리면 2024년 수도권매립지는 문을 닫을 수밖에 없다. 현재와 같은 폐기물 수거와 재활용 방식은 한계에 이르렀다는 것이 전문가들의 지적이다.

따라서, 쓰레기를 성분 별로 분류하여 재생 가능한 물질을 생산공장에 보내서 원료로 재사용하도록 하는 것이 자원절약과 환경보전적 측면에서 바람직하며, 이를 위해서 혼합된 쓰레기로부터 필요한 물질만을 선별 분리하는 것이 더욱 더 중요해졌다.

재활용품의 분류 항목은 여러가지가 있으며, 이를 사람이 직접 분류하고자 하는 경우 많은 인력과 시간이 필요하다.

이에 델타로봇을 기반으로 하는 분류 장치를 적용하여 자동으로 재활용품을 분류하고자 하는 시도가 이어지고 있지만, 현재로서는 고가의 장비임에도 불구하고 정확도가 떨어지며 다양한 품목의 구분이 어려워 사람이 다시 추가적으로 선별을 해야 한다는 등의 이유로 매우 제한적으로만 활용되고 있다는 문제점이 있다.

대한민국 등록특허 제10-2105126호

본 개시에 개시된 실시예는 재활용품 자동 분류 장치를 제공하는데 그 목적이 있다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 재활용품 자동 분류 장치는, 투입된 재활용품을 이미지로 촬영하는 카메라; 상기 투입된 재활용품을 분류하는 로봇; 상기 로봇에 의해 선별된 재활용품이 해당하는 특정 분류함으로 이송되도록 하는 적어도 하나의 분류 장치; 및 상기 재활용품의 선별 및 분류와 관련된 동작을 제어하는 프로세서를 포함하며, 상기 프로세서는, 인공지능 모델을 이용하여 상기 카메라에 의해 촬영된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류를 인식하고, 상기 투입된 재활용품이 복수의 분류 장치 중에서 상기 인식된 결과에 상응하는 특정 분류 장치로 이송되도록 상기 로봇을 제어하고, 상기 특정 분류 장치로 이송된 재활용품이 상기 특정 분류 장치에 할당된 복수의 분류함 중에서 상기 인식된 결과에 상응하는 상기 특정 분류함으로 분류되도록 상기 특정 분류 장치를 제어할 수 있다.

또한, 상기 프로세서는, 상기 인식된 재활용품의 종류를 기반으로 상기 투입된 재활용품의 상위 항목 및 하위 항목을 결정하고, 상기 결정된 상위 항목에 따라 상기 특정 분류 장치를 결정하고, 상기 결정된 하위 항목에 따라 상기 특정 분류함을 결정할 수 있다.

또한, 상기 인공지능 모델은, 상기 투입된 재활용품의 상기 상위 항목을 결정하기 위해 학습된 제1 인공지능 모델; 및 상기 투입된 재활용품의 상기 하위 항목을 결정하기 위해 학습된 제2 인공지능 모델을 포함할 수 있다.

또한, 상기 분류 장치는, 상기 로봇에 의해 선별된 재활용품이 안착되는 안착부; 상기 안착부를 회전시키는 제1 회전축을 포함하며, 상기 프로세서는, 상기 안착부에 안착된 재활용품이 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함으로 분류되도록 상기 제1 회전축을 제어할 수 있다.

또한, 상기 카메라는, 상기 투입되는 재활용품을 촬영하는 제1 카메라; 및 상기 안착부에 안착된 재활용품을 촬영하는 제2 카메라를 포함할 수 있다.

또한, 상기 프로세서는, 상기 제1 인공지능 모델을 이용하여 상기 제1 카메라에 의해 촬영된 상기 투입된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 상위 항목을 결정하고, 상기 제2 인공지능 모델을 이용하여 상기 제2 카메라에 의해 촬영된 상기 안착된 재활용품의 이미지를 기반으로 상기 안착된 재활용품의 하위 항목을 결정할 수 있다.

또한, 상기 분류 장치는, 상기 배출 경로 상에 마련되어 상기 안착부로부터 배출되는 재활용품이 상기 복수의 배출 경로 중 어느 하나의 배출 경로로 이동되도록 가이드 하는 적어도 하나의 가이드부; 및 상기 가이드부를 회전시키는 제2 회전축을 포함하며, 상기 프로세서는, 상기 안착부에서 배출된 재활용품이 상기 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함으로 분류되도록 상기 제2 회전축을 제어할 수 있다.

또한, 상기 프로세서는, 상기 안착된 재활용품이 상기 안착부에서 상기 특정 분류함으로 이동되는 소요시간을 기반으로 상기 로봇의 다음 선별 타이밍을 결정할 수 있다.

또한, 상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 자동 분류 방법은, 재활용품 자동 분류 장치에 의해 수행되는 방법으로, 투입된 재활용품을 이미지로 촬영하는 단계; 인공지능 모델을 이용하여 상기 카메라에 의해 촬영된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류를 인식하는 단계; 상기 투입된 재활용품이 복수의 분류 장치 중에서 상기 인식된 결과에 상응하는 특정 분류 장치로 이송되도록 로봇을 제어하는 단계; 및 상기 특정 분류 장치로 이송된 재활용품이 상기 특정 분류 장치에 할당된 복수의 분류함 중에서 상기 인식된 결과에 상응하는 상기 특정 분류함으로 분류되도록 상기 특정 분류 장치를 제어하는 단계를 포함할 수 있다.

이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.

이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.

본 개시의 전술한 과제 해결 수단에 의하면, 재활용품 자동 분류 장치를 제공하는 효과를 제공한다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 실시예에 따른 재활용품 자동 분류 장치의 동작에 관하여 개략적으로 예시한 도면이다.
도 2는 본 개시의 실시예에 따른 재활용품 자동 분류 장치의 블록도이다.
도 3은 본 개시의 실시예에 따른 재활용품 자동 분류 방법의 흐름도이다.
도 4는 본 개시의 실시예에 따른 재활용품 자동 분류 장치의 예시도이다.
도 5는 재활용품을 분류하기 위한 종류에서 상위 항목과 하위 항목을 예시한 도면이다.
도 6은 본 개시의 일 실시예에 따른 분류 장치를 나타낸 사시도이다.
도 7은 본 개시의 일 실시예에 따른 분류 장치를 나타낸 단면도이다.
도 8 및 도 9는 본 개시의 일 실시예에 따른 분류 장치의 작동 과정을 예시한 도면이다.

본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.

또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.

본 명세서에서 '본 개시에 따른 재활용품 자동 분류 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 재활용품 자동 분류 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.

여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저가 탑재된 노트북, 데스크톱, 랩톱, 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.

상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.

상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS, GSM, PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/ 또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습, 비지도 형 학습, 준지도형 학습 또는 강화 학습이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들을 갖고 있으며, 이전 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스 값 또는 코스트 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN: Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 등이 있으나, 전술한 예에 한정되지 않는다.

본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력 데이터)의 해답(출력 데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력 데이터)의 해답(출력 데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태에서 어떤 행동을 취할 때마다 외부 환경에서 보상이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한, 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망, 순환신경망, 트랜스포머, 생성적 대립 신경망 등으로 구분될 수 있다.

본 장치는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.

프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호를 생성하거나, 뉴럴 네트워크를 재훈련할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN, R-CNN, RPN, RNN, S-DNN, S-SDNN, Deconvolution Network, DBN, RBM, Fully Convolutional Network, LSTM Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크를 포함할 수 있다.

뉴럴 네트워크는 CNN, RNN, 퍼셉트, 다층 퍼셉트론, FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.

본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

도 1은 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)의 동작에 관하여 개략적으로 예시한 도면이다.

도 1을 참조하면, 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)는 투입되는 폐기물을 각 폐기물이 해당하는 분류 장치(200)로 이동시켜 1차적으로 선별하고, 분류 장치(200) 내에서 각 폐기물이 해당하는 분류함(240)으로 이동시켜 2차적으로 분류하게 된다.

이러한 구성으로 인해, 각 분류 장치(200)에 2개 이상의 분류함(240)을 할당하게 되면 1개의 로봇(100)에 다수의 분류 장치(200)의 결합으로 선별되어져야 하는 모든 2종류의 재활용품을 분류할 수 있게 되며, 종래의 재활용품 분류 장치(200)의 정확도 문제와 부피 한계를 극복하게 되는 효과가 있다.

아래에서는 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)의 구성, 동작 그리고 작용 효과에 대하여 보다 상세하게 설명하도록 한다.

도 2는 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)의 블록도이다.

도 2를 참조하면, 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)는 적어도 하나의 프로세서(50), 적어도 하나의 로봇(100), 적어도 하나의 분류 장치(200), 적어도 하나의 카메라(300) 및 메모리(400)를 포함한다.

다만, 몇몇 실시예에서 재활용품 자동 분류 장치(10)는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.

일 예로, 재활용품 자동 분류 장치(10)는 재활용품을 투입하는 투입 수단, 투입된 재활용품을 이송하는 컨베이어 벨트, 내부 통신 또는 외부 통신을 위한 통신 모듈 등과 같은 구성을 더 포함할 수 있다.

프로세서(50)는 본 장치(10) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(400), 및 메모리(400)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(50)로 구현될 수 있다. 이때, 메모리(400)와 프로세서(50)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(400)와 프로세서(50)는 단일 칩으로 구현될 수도 있다.

또한, 프로세서(50)는 이하의 도면에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치(10) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.

프로세서(50)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 본 장치(10)의 전반적인 동작을 제어할 수 있다. 프로세서(50)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(400)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(50)는 메모리(400)에 저장된 응용 프로그램을 구동하기 위하여, 본 장치(10)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(50)는 상기 응용 프로그램의 구동을 위하여, 본 장치(10)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.

통신 모듈은 재활용품 자동 분류 장치(10)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

통신 모듈은 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.

유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.

무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.

무선 통신 모듈은 통신 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 프로세서(50)의 제어에 따라 무선 통신 인터페이스를 통해 프로세서(50)로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.

근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스, RFID, 적외선 통신, UWB, ZigBee, NFC, Wi-Fi, Wi-Fi Direct, Wireless USB 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

본 개시의 실시예에서 프로세서(50)는 재활용품 자동 분류 장치(10) 내 구성들의 제어를 담당하며, 몇몇 실시예에서 로봇(100), 분류 장치(200)를 제어하기 위한 프로세서(50)가 각각 구비될 수도 있다.

로봇(100)은 투입된 재활용품을 분류한다.

일 실시예로, 로봇(100)은 델타 로봇(100)이 적용될 수 있다.

보다 상세하게는, 로봇(100)의 프로세서(50)의 제어에 의해 투입된 재활용품을 해당하는 분류 장치(200)로 이송시킨다.

로봇(100)은 구동력을 공급하기 위한 엑추에이터, 엑추에이터의 동작을 정지시키기 위한 브레이크, 적어도 하나의 암(arm), 엑추에이터와 브레이크, 암을 제어하기 위한 프로세스를 포함할 수 있다.

본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)는 투입된 재활용품을 분류 장치(200)로 이송시킬 수 있는 장치 중에서 로봇(100)을 채택하고 있으나, 로봇(100)으로 한정되는 것은 아니며 재활용품을 분류 장치(200)로 이송시킬 수 있는 장치라면 무엇이든 적용 가능하다.

분류 장치(200)는 로봇(100)에 의해 1차적으로 선별된 재활용품을 해당하는 분류함(240)으로 이동시킨다.

분류 장치(200)는 로봇(100)에 의해 선별되어 이송된 재활용품이 안착되는 안착부(220), 분류 장치(200)에 할당되어 있는 복수의 분류함(240), 재활용품을 각각의 분류함(240)으로 이동시키기 위한 복수의 배출 경로를 포함할 수 있다.

일 실시예로, 분류 장치(200)는 내부에 복수의 분류함(240)을 포함할 수 있다. 몇몇 실시예에서 분류 장치(200)는 외부에 설치된 복수의 분류함(240)이 할당되어 있을 수 있다.

분류 장치(200)는 투입된 재활용품이 놓여지거나 일측으로 이동되는 이송 수단(예: 컨베이어 벨트)의 일측에 하나 이상이 설치될 수 있다.

분류 장치(200)가 2개 필요한 경우 이송 수단의 양측에 하나씩 설치하게 되면 로봇(100)의 범위가 넓어지므로, 일측에 2개를 설치하는 것이 효율적이다.

하지만, 분류 장치(200)가 반드시 이송 수단의 일측에 마련되는 것을 한정되는 것은 아니다.

또한, 하나의 분류 장치(200)는 둘 이상의 분류함(240)이 할당될 수 있다.

일 실시예로, 재활용품 자동 분류 장치(10)가 하나의 로봇(100)과 하나의 분류 장치(200)를 포함하는 경우, 로봇(100)은 투입된 재활용품의 인식 결과와 무관하게 분류 장치(200)로 재활용품을 이송할 수 있다.

상세하게는, 프로세서(50)는 로봇(100)이 투입된 재활용품을 분류 장치(200)로 이송하도록 제어하고, 재활용품의 인식 결과를 기반으로 분류 장치(200)에서 재활용품이 분류되도록 분류 장치(200)를 제어할 수 있다.

카메라(300)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부에 표시되거나 메모리(400)에 저장될 수 있다.

재활용품 자동 분류 장치(10)는 이미지 센서를 이용하여 투입된 재활용품에 대한 이미지를 생성하고, 이를 인공지능 모델을 이용하여 분석함으로써 투입된 재활용품의 종류를 인식할 수 있다.

재활용품 자동 분류 장치(10)는 적어도 하나의 카메라(300)를 포함할 수 있다.

일 실시예로, 재활용품 자동 분류 장치(10)는 하나의 제1 카메라(310)를 이용하여 획득된 이미지를 기반으로 재활용품의 종류를 판단할 수 있다. 하지만, 반드시 1개의 카메라로 한정되는 것은 아니며 아래와 같이 복수 개의 카메라가 적용될 수도 있다.

일 실시예로, 재활용품 자동 분류 장치(10)는 복수 개의 카메라(300)를 포함할 수 있으며, 투입되는 재활용품을 촬영하는 제1 카메라(310) 및 분류 장치(200)로 선별된 재활용품을 촬영하는 제2 카메라(320)를 포함할 수 있다.

본 개시의 실시예에서, 로봇(100)은 투입된 재활용품을 1차로 분류하는 1차 분류 장치, 분류 장치(200)는 1차로 분류된 재활용품을 2차로 분류하는 2차 분류 장치를 의미하며, 로봇(100)은 제1 분류 장치, 분류 장치(200)는 제2 분류 장치로 명칭될 수도 있다.

메모리(400)는 본 장치(10)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(400)는 본 장치(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 본 장치(10)의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 메모리(400)에 저장되고, 장치에 설치되어, 프로세서(50)에 의하여 동작(또는 기능)을 수행하도록 구동될 수 있다.

메모리(400)는 본 장치(10)의 다양한 기능을 지원하는 데이터와, 프로세서(50)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)이 저장될 수 있고, 본 장치(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.

이러한, 메모리(400)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(400)는 본 장치(10)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.

또한, 메모리(400)는 재활용품 자동 분류 장치(10)를 위한 복수의 프로세스를 구비할 수 있다.

일 실시예로, 메모리(400)는 카메라(300)를 통해 촬영된 이미지를 분석하여 투입된 재활용품의 종류를 판단하는 인공지능 모델이 저장될 수 있다.

도 3은 본 개시의 실시예에 따른 재활용품 자동 분류 방법의 흐름도이다.

프로세서(50)가 카메라(300)를 제어하여 투입된 재활용품의 이미지를 촬영한다. (S100)

프로세서(50)가 인공지능 모델을 이용하여 상기 카메라(300)에 의해 촬영된 재활용품의 이미지를 기반으로 재활용품의 종류를 인식한다. (S200)

도 4는 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)의 예시도이다.

도 4를 참조하면, 투입된 재활용품을 제1 카메라(310)를 통해 촬영하는 것이 예시되어 있다.

도 4의 위치로 제1 카메라(310)의 설치 위치가 한정되는 것은 아니며, 제1 카메라(310)는 투입되는 재활용품을 촬영 가능한 위치라면 설치가 가능하다.

몇몇 실시예에서 제1 카메라(310)는 로봇(100)에 설치될 수도 있으며, 프로세서(50)는 로봇(100)이 투입된 재활용품의 상측으로 이동되도록 제어하고, 제1 카메라(310)를 제어하여 투입된 재활용품을 촬영하고 이미지 인식 결과에 따라 로봇(100)을 제어하여 투입된 재활용품을 분류 장치(200)로 이송할 수 있다.

프로세서(50)가 인공지능 모델의 인식 결과에 따라 로봇(100)을 제어하여 재활용품을 선별하여 해당하는 분류 장치(200)로 이송시킨다. (S300)

프로세서(50)가 인공지능 모델의 인식 결과에 따라 분류 장치(200)를 제어하여 재활용품을 해당하는 분류함(240)으로 이동시킨다. (S400)

도 5는 재활용품을 분류하기 위한 종류에서 상위 항목과 하위 항목을 예시한 도면이다.

본 개시의 실시예에서 재활용품 자동 분류 장치(10)는 복수의 분류 장치(200)를 포함할 수 있으며, 각각의 분류 장치(200)는 재활용품의 종류에 대한 상위 항목이 설정될 수 있다.

그리고, 각 분류 장치(200)에 포함되어 있거나 할당되어 있는 하나 이상의 분류함(240)은 재활용품의 종류에 대한 하위 항목이 설정될 수 있다.

도 5를 참조하면, 재활용품 종류에 대한 상위 항목으로 A, B, C, D가 예시되어 있고, 하위 항목으로 1, 2, 3, 4가 예시되어 있다.

프로세서(50)는 재활용품의 인식 결과를 기반으로 재활용품의 종류를 결정할 때, 재활용품의 상위 항목과 하위 항목을 결정할 수 있다.

일 실시예로, 프로세서(50)는 결정된 상위 항목에 따라 재활용품이 이송되어야 하는 분류 장치(200)를 결정하고, 해당 재활용품이 결정된 분류 장치(200)로 이송되도록 로봇(100)을 제어할 수 있다.

그리고, 프로세서(50)는 결정된 하위 항목에 따라 재활용품이 분류되어야 하는 분류함(240)을 결정하고, 해당 재활용품이 결정된 분류함(240)으로 분류되도록 해당 분류 장치(200)를 제어할 수 있다.

본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)는 하나의 인공지능 모델을 이용하여 재활용품의 종류를 판단할 수 있다. 하지만, 반드시 하나의 인공지능 모델로 한정되는 것은 아니며 아래와 같은 복수 개의 인공지능 모델이 사용될 수도 있다.

일 실시예로, 인공지능 모델은 재활용품의 상위 항목을 결정하기 위해 학습된 제1 인공지능 모델 및 재활용품의 하위 항목을 결정하기 위해 학습된 제2 인공지능 모델을 포함할 수 있다.

프로세서(50)는 제1 인공지능 모델을 이용하여 투입된 재활용품의 상위 항목을 결정할 수 있고, 제2 인공지능 모델을 이용하여 투입된 재활용품의 하위 항목을 결정할 수 있다.

일 예로, 프로세서(50)는 재활용품의 인식 결과를 A1, A2, A3, A4, B1, B2, B3, C1, C2, D1, D2, D3와 같이 결정할 수 있다.

일 예로, 프로세서(50)가 투입된 재활용품의 종류를 A3이라고 판단한 경우, A에 해당하는 분류 장치(200)로 선별되어 이송되도록 로봇(100)을 제어하고, A 분류 장치(200)의 3번 분류함(240)으로 분류되도록 분류 장치(200)를 제어할 수 있다.

위와 같이, 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)에서 4개의 분류 장치(200)에 각각 4개의 분류함(240)이 할당되어 있다고 가정하면, 재활용품 자동 분류 장치(10)는 총 16 종류의 재활용품을 세부 분류할 수 있게 되는 효과가 있다.

종래에는 로봇(100)을 이용하여 위와 같이 16 종류의 재활용품을 분류하는 경우 2개 이상의 로봇(100)이 필요하고, 로봇(100)의 이동 동선이 멀어지기 때문에 재활용품 분류 장치(200)를 설치하기 위해 많은 공간이 필요하였다.

하지만, 위와 같은 본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)를 사용하게 되는 경우, 하나의 로봇(100)으로 빠르게 4개 항목으로 선별하여 1차적으로 분류하고, 분류 장치(200)에서 2차적으로 재분류할 수 있게 된다.

아래에서는 다른 도면들을 참조하여 분류 장치(200)에 관하여 상세하게 설명하도록 한다.

도 6은 본 개시의 일 실시예에 따른 분류 장치(200)를 나타낸 사시도이다.

도 7은 본 개시의 일 실시예에 따른 분류 장치(200)를 나타낸 단면도이다.

도 8 및 도 9는 본 개시의 일 실시예에 따른 분류 장치(200)의 작동 과정을 예시한 도면이다.

도 6 및 도 7을 참조하면, 분류 장치(200)는 로봇(100)에 의해 선별되어 이송된 재활용품이 투입되면 재활용품의 종류(하위 항목)에 따라 복수의 분류함(240) 중 하나로 이동되도록 분류할 수 있는 구성들을 포함하고 있다.

분류 장치(200)는 하우징(210), 안착부(220), 가이드부(230) 및 분류함(240)을 포함한다.

하우징(210)은 분류 장치(200)의 기본 몸체로 로봇(100)에 의해 이송된 재활용품이 투입되는 투입부(212), 한 쌍의 지지부(214)와 한 쌍의 투입 가이드(216)를 포함할 수 있다.

투입부(212)는 하우징(210)의 상면에 형성되는 개구일 수 있으며, 재활용품이 낱개로 투입될 수 있다.

한 쌍의 지지부(214)는 투입부(212)의 양측에 각각 마련되어, 투입부(212)로 투입되는 재활용품을 안착부(220)로 안내하는 역할을 한다. 예를 들어, 지지부(214)는 판 형태로 형성될 수 있다.

한 쌍의 투입 가이드(216)는 하우징(210)의 양면과 한 쌍의 지지부(214) 사이를 커버하는 역할을 한다.

이러한 한 쌍의 투입 가이드(216)는 하우징(210)의 양면으로부터 한 쌍의 지지부(214)를 향해 내려가는 경사를 가지도록 형성되어 분배 경로로부터 투입된 재활용품을 슬립시키며 투입부(212)로 안내할 수 있다.

안착부(220)는 로봇(100)에 의해 이송된 재활용품이 안착됨과 동시에 안착된 재활용품을 복수의 배출 경로 중 어느 하나의 배출 경로로 배출하는 역할을 한다.

안착부(220)는 안착판(222) 및 제1 회전축(226)을 포함할 수 있다.

안착판(222)은 투입부(212)를 통해 투입된 재활용품이 안착되며, 평판 형태로 형성될 수 있다.

안착부(220)는 투입부(212)를 통해 투입되는 재활용품이 이탈되지 않도록 양 측에 이탈 방지판(224)을 포함할 수 있다.

제1 회전축(226)은 안착부(220)에 결합되어 안착부(220)를 회전시키는 역할을 한다. 제1 회전축(226)은 안착부(220)용 회전축으로 명칭될 수 있다.

제1 회전축(226)은 안착부(220)의 중심축선을 따라 결합될 수 있다.

안착부(220)는 제1 회전축(226)을 정역회전시키는 액츄에이터 모터와 같은 수단을 더 포함할 수 있다.

본 개시의 실시예에 따른 재활용품 자동 분류 장치(100)는 상술한 안착부(22)의 구성을 통해서 투입된 재활용품을 2종류 이상으로 분류할 수 있게 된다.

일 실시예로, 하나의 분류 장치(200) 내에서 더 많은 종류의 재활용품을 분류하기 위해서는 아래에서 설명하는 가이드부(230)를 더 포함할 수 있다.

가이드부(230)는 배출 경로 상에 형성되며, 재활용품을 종류별로 복수의 분류함(240) 중 어느 하나의 분류함(240)으로 분류되도록 가이드하는 역할을 한다.

가이드부(230)는 가이드 슈트(232) 및 제2 회전축(234)을 포함할 수 있으며, 제2 회전축(234)은 가이드부(230)용 회전축으로 명칭될 수 있다.

가이드 슈트(232)는 배출 경로 상에 형성되어, 배출부를 통해 배출된 재활용품이 특정 분류함(240)으로 이동되도록 가이드할 수 있다.

가이드 슈트(232)는 인접하는 한 쌍의 분류함(240)과 안착부(220) 사이에 형성되어, 배출부를 통해 배출된 재활용품이 인접하는 한 쌍의 분류함(240) 중 어느 하나의 분류함(240)으로 이동되도록 가이드할 수 있다.

제2 회전축(234)은 가이드 슈트(232)를 정역회전시켜, 가이드 슈트(232)로 유입된 재활용품을 복수의 분류함(240) 중 어느 하나의 분류함(240)으로 이동되도록 가이드할 수 있다.

가이드부(230)는 제2 회전축(234)을 정역회전시키는 액츄에이터 모터와 같은 수단을 더 포함할 수 있다.

복수의 분류함(240)은 배출 경로를 따라 배출되는 재활용품을 종류(하위 항목)별로 수거하는 역할을 한다.

이러한 복수의 분류함(240)은 하우징(210)에서 배출되는 재활용품의 배출 경로 상에 각각 마련되는 복수의 수용 공간일 수 있다.

이러한 복수의 분류함(240)은 인접하는 한 쌍의 분류함(240) 사이에 형성된 격벽(245)에 의해 분리될 수 있다.

본 개시의 실시예에서 분류함(240)이 반드시 함과 같은 형상으로 형성될 필요는 없으며, 격벽(245)에 의해 분류된 복수의 분류 공간으로 형성될 수도 있다.

이와 같이, 분류 장치(200)에 할당된 분류함(240)의 형상과 구조는 다양한 실시예가 적용 가능하다.

재활용품 자동 분류 장치(10)는 분류 장치(200)를 제어하기 위한 별도의 제어부 또는 프로세서(50)를 포함할 수도 있다.

프로세서(50)는 안착부(220)에 안착된 재활용품이 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함(240)으로 분류되도록 제1 회전축(226)을 제어할 수 있다.

프로세서(50)는 제1 회전축(226)이 회전되어 안착부(220)에서 배출된 재활용품이 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함(240)으로 분류되도록 제2 회전축(234)을 제어할 수 있다.

일 실시예로, 프로세서(50)는 제2 카메라(320)를 통해 안착부(220)에 안착된 재활용품의 이미지를 촬영할 수 있다.

프로세서(50)는 제1 인공지능 모델을 이용하여 상기 제1 카메라(310)에 의해 촬영된 상기 투입된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류에 대한 상위 항목을 결정할 수 있다. 프로세서(50)는 제2 인공지능 모델을 이용하여 상기 제2 카메라(320)에 의해 촬영된 상기 투입된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류에 대한 하위 항목을 결정할 수 있다.

일 실시예로, 프로세서(50)는 로봇(100)에 의해 분류 장치(200)로 이동된 재활용품이 안착부(220)에서 분류함(240)으로 이동되는 소요시간을 기반으로 로봇(100)의 다음 선별 타이밍을 결정할 수 있다.

본 개시의 실시예에 따른 재활용품 자동 분류 장치(10)는 위와 같은 동작을 통해서 동일한 분류 장치(200)에 서로 다른 재활용품이 동시에 투입되는 것을 방지할 수 있다.

일 실시예로, 프로세서(50)는 제1 재활용품이 로봇(100)에 의해 제1 분류 장치(200)로 이동되면, 다음으로 처리할 제2 재활용품은 제1 재활용품과 다른 상위 항목을 갖는 재활용품으로 선택할 수 있다.

이와 같이 작동하는 경우, 제1 재활용품이 제1 분류 장치(200)에서 분류되는 동안 제2 재활용품이 제1 분류 장치(200)와 다른 제2 분류 장치(200)로 이동되어 처리되기 때문에 동일한 분류 장치(200)에 복수 개의 재활용품이 동시에 투입되는 것을 방지할 수 있다.

그리고, 프로세서(50)는 제1 재활용품에 대한 제1 분류 장치(200)의 분류가 완료되면, 제1 분류 장치(200)를 사용 가능 상태로 전환하고 제1 분류 장치(200)의 상위 항목에 해당하는 재활용품을 제1 분류 장치(200)로 이동시키도록 로봇(100)을 제어할 수 있다.

이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 개시의 실시예를 설명하였지만, 본 개시가 속하는 기술분야의 통상의 기술자는 본 개시가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

10: 재활용품 자동 분류 장치
50: 프로세서
100: 로봇
200: 분류 장치
210: 하우징
212: 투입부
214: 지지부
216: 투입 가이드
220: 안착부
222: 안착판
224: 이탈 방지판
226: 제1 회전축
230: 가이드부
232: 가이드 슈트
234: 제2 회전축
240: 분류함
245: 격벽
300: 카메라
310: 제1 카메라
320: 제2 카메라
400: 메모리

Claims (10)

1. 투입된 재활용품을 이미지로 촬영하는 카메라;
   상기 투입된 재활용품을 분류하는 로봇;
   상기 로봇에 의해 선별된 재활용품이 해당하는 특정 분류함으로 이송되도록 하는 적어도 하나의 분류 장치; 및
   상기 재활용품의 선별 및 분류와 관련된 동작을 제어하는 프로세서를 포함하며,
   상기 프로세서는,
   인공지능 모델을 이용하여 상기 카메라에 의해 촬영된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류를 인식하고,
   상기 투입된 재활용품이 복수의 분류 장치 중에서 상기 인식된 결과에 상응하는 특정 분류 장치로 이송되도록 상기 로봇을 제어하고,
   상기 특정 분류 장치로 이송된 재활용품이 상기 특정 분류 장치에 할당된 복수의 분류함 중에서 상기 인식된 결과에 상응하는 상기 특정 분류함으로 분류되도록 상기 특정 분류 장치를 제어하는,
   재활용품 자동 분류 장치.
   
2. 제1항에 있어서,
   상기 프로세서는,
   상기 인식된 재활용품의 종류를 기반으로 상기 투입된 재활용품의 상위 항목 및 하위 항목을 결정하고,
   상기 결정된 상위 항목에 따라 상기 특정 분류 장치를 결정하고,
   상기 결정된 하위 항목에 따라 상기 특정 분류함을 결정하는,
   재활용품 자동 분류 장치.
   
3. 제2항에 있어서,
   상기 인공지능 모델은,
   상기 투입된 재활용품의 상기 상위 항목을 결정하기 위해 학습된 제1 인공지능 모델; 및
   상기 투입된 재활용품의 상기 하위 항목을 결정하기 위해 학습된 제2 인공지능 모델을 포함하는,
   재활용품 자동 분류 장치.
   
4. 제3항에 있어서,
   상기 분류 장치는,
   상기 로봇에 의해 선별된 재활용품이 안착되는 안착부;
   상기 안착부를 회전시키는 제1 회전축을 포함하며,
   상기 프로세서는,
   상기 안착부에 안착된 재활용품이 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함으로 분류되도록 상기 제1 회전축을 제어하는 것을 특징으로 하는,
   재활용품 자동 분류 장치.
   
5. 제4항에 있어서,
   상기 카메라는,
   상기 분류 장치로 투입되는 재활용품을 촬영하는 제1 카메라; 및
   상기 안착부에 안착된 재활용품을 촬영하는 제2 카메라를 포함하는,
   재활용품 자동 분류 장치.
   
6. 제5항에 있어서,
   상기 프로세서는,
   상기 제1 인공지능 모델을 이용하여 상기 제1 카메라에 의해 촬영된 상기 투입된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 상위 항목을 결정하고,
   상기 제2 인공지능 모델을 이용하여 상기 제2 카메라에 의해 촬영된 상기 안착된 재활용품의 이미지를 기반으로 상기 안착된 재활용품의 하위 항목을 결정하는 것을 특징으로 하는,
   재활용품 자동 분류 장치.
   
7. 제4항에 있어서,
   상기 분류 장치는,
   상기 배출 경로 상에 마련되어 상기 안착부로부터 배출되는 재활용품이 상기 복수의 배출 경로 중 어느 하나의 배출 경로로 이동되도록 가이드 하는 적어도 하나의 가이드부; 및
   상기 가이드부를 회전시키는 제2 회전축을 포함하며,
   상기 프로세서는,
   상기 안착부에서 배출된 재활용품이 상기 복수의 배출 경로 중 어느 하나의 배출 경로를 통해 이동되어 상기 특정 분류함으로 분류되도록 상기 제2 회전축을 제어하는 것을 특징으로 하는,
   재활용품 자동 분류 장치.
   
8. 제4항에 있어서,
   상기 프로세서는,
   상기 안착부에 안착된 재활용품이 상기 안착부에서 상기 특정 분류함으로 이동되는 소요시간을 기반으로 상기 로봇의 다음 선별 타이밍을 결정하는 것을 특징으로 하는,
   재활용품 자동 분류 장치.
   
9. 재활용품 자동 분류 장치에 의해 수행되는 방법으로,
   카메라를 제어하여 투입된 재활용품을 이미지로 촬영하는 단계;
   인공지능 모델을 이용하여 상기 카메라에 의해 촬영된 재활용품의 이미지를 기반으로 상기 투입된 재활용품의 종류를 인식하는 단계;
   상기 투입된 재활용품이 복수의 분류 장치 중에서 상기 인식된 결과에 상응하는 특정 분류 장치로 이송되도록 로봇을 제어하는 단계;
   상기 특정 분류 장치로 이송된 재활용품이 상기 특정 분류 장치에 할당된 복수의 분류함 중에서 상기 인식된 결과에 상응하는 상기 특정 분류함으로 분류되도록 상기 특정 분류 장치를 제어하는 단계를 포함하는,
   재활용품 자동 분류 방법.
   
10. 하드웨어인 컴퓨터와 결합되어, 제9항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.

Images