JP2024512994A - 化学組成に基づく分別 - Google Patents

Abstract

全体として特定の化学組成で構成される材料の集合体を作成するために、材料を分類および分別するためのシステムおよび方法。このシステムは、視覚システムと１つまたは複数のセンサシステムとを利用することができ、これらのセンサシステムは、各材料を識別または分類するために機械学習システムを実装し得る。その後、分類に応じて分別が実行される。

Description

本出願は、米国仮特許出願第６３／２４９，０６９号および米国仮特許出願第６３／２８５，９６４号に対する優先権を主張する。本出願は、米国特許出願第１７／６６７，３９７号の一部継続出願であり、米国仮特許出願第６３／１４６，８９２号および米国仮特許出願第６３／１７３，３０１号に対する優先権を主張し、本出願は、米国特許出願第１７／４９５，２９１号の一部継続出願であり、同出願は米国特許出願第１７／３８０，９２８号の継続出願であり、同出願は米国特許出願第１７／２２７，２４５号の一部継続出願であり、同出願は米国特許出願第１６／９３９，０１１号の一部継続出願であり、同出願は米国特許出願第１６／３７５，６７５号（米国特許第１０，７２２，９２２号として発行）の継続出願であり、同出願は米国特許出願第１５／９６３，７５５号（米国特許第１０，７１０，１１９号として発行）の一部継続出願であり、同出願は米国仮特許出願第６２／４９０，２１９号に対する優先権を主張するものであり、同出願は米国特許出願第１５／２１３，１２９号（米国特許第１０，２０７，２９６号として発行）の一部継続出願であり、同出願は米国仮特許出願第６２／１９３，３３２号に対する優先権を主張するものであり、これらはすべて参照により本明細書に組み込まれる。米国特許出願第１７／４９５，２９１号は、米国特許出願第１７／４９１，４１５号（米国特許第１１，２７８，９３７号として発行）の一部継続出願でもあり、同出願は米国特許出願第１６／８５２，５１４号（米国特許第１１，２６０，４２６号として発行）の一部継続出願であり、同出願は米国特許出願第１６／３５８，３７４号（米国特許第１０，６２５，３０４号として発行）の分割出願であり、同出願は米国特許出願第１５／９６３，７５５号（米国特許第１０，７１０，１１９号として発行）の一部継続出願であり、これらはすべて参照により本明細書に組み込まれる。

政府によるライセンス権
本開示は、米国エネルギー省から授与された助成金番号ＤＥ－ＡＲ００００４２２に基づく米国政府の支援を受けて行われた。米国政府は本開示に関して特定の権利を有し得る。

本開示は、一般に材料の分別に関し、特に、分別された材料内の化学元素の特定の組成を達成するための材料の分別に関する。

リサイクルとは、本来ならゴミとして捨てられてしまう素材を収集して処理し、そしてそれらを新しい製品に変える処理である。リサイクルは、埋め立て地や焼却場に送られる廃棄物の量が減り、天然資源が節約され、国内の材料源を活用することで経済的安全性が高まり、新しい原材料を収集する必要性が減ることで汚染が防止され、エネルギーが節約されるので、地域社会と環境に利益をもたらす。収集後、リサイクル可能物は通常、材料回収施設に送られ、分別、洗浄され、製造に使用できる材料に加工される。

米国公開特許出願第２０２２／００１６６７５号

Ｋｒｉｚｈｅｖｓｋｙ他、「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」、第２５回神経情報処理システム国際会議議事録、２０１２年１２月３～６日、ネバダ州レイクタホ ＬｅＣｕｎ他、「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」、ＩＥＥＥ論文集、電気電子学会（ＩＥＥＥ）、１９９８年１１月

本開示の態様は、複数の材料片の各材料片のおおよその質量を判定するステップであって、複数の材料片のうちの少なくとも１つは、他の材料片とは異なる材料分類を有する、ステップと、複数の材料片の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類するステップと、複数の材料片の各材料片の判定されたおおよその質量および分類に応じて、複数の材料片から材料片の特定のものを分別するステップであって、分別により、所定の特定の骨材の化学組成を有する材料片の集合が生成される、ステップと、を含む方法を提供する。分別には、材料片の特定のものを容器に方向転換することが含まれ得る。分別には、方向転換された材料片の骨材の化学組成を継続的に判定することが含まれ得る。分別は、方向転換された材料片の骨材の化学組成の特定の化学元素の重量パーセントを増加させるために、次の材料片を容器内に方向転換することを含んでもよい。分別には、方向転換された材料片の骨材の化学組成の特定の化学元素の重量パーセントを減らすために、次の材料片を容器内に方向転換しないことが含まれ得る。分別は、次の材料片が所定の特定の骨材の化学組成内で望ましくない汚染物質を含むので、次の材料片を容器内に方向転換しないことが含まれ得る。分別は、所定の最小数の方向転換された材料片の骨材の化学組成が所定の特定の骨材の化学組成の閾値レベルに等しくなるまで継続してもよい。所定の特定の骨材の化学組成を有する材料片の集合体は、集合体内の他の材料片とは異なる材料分類を有する少なくとも１つの材料片を含むことができる。複数の材料片には、異なる金属合金組成を有する材料片が含まれていてもよい。所定の特定の骨材の化学組成は、複数の材料片のそれぞれの化学組成と異なっていてもよい。所定の特定の骨材の化学組成は、複数の材料片のすべての骨材の化学組成と異なっていてもよい。材料片の集合体には、異なる材料分類を持つ材料片が含まれていてもよい。材料片の集合体には、他の材料片とは異なる材料分類を有する材料片のうちの少なくとも１つが含まれてもよい。複数の材料片には、ロウトアルミニウム合金片および鋳造アルミニウム合金片が含まれていてもよく、材料片の集合体は、少なくとも１つのロウトアルミニウム合金片および少なくとも１つの鋳造アルミニウム合金片を含んでいてもよく、所定の特定の骨材の化学組成は、ロウトアルミニウム合金片の化学組成とは異なり、所定の特定の骨材の化学組成は、鋳造アルミニウム合金片の化学組成とは異なる。分類には、機械学習システムを通じて複数の材料片のそれぞれから捕捉された画像データを処理することが含まれてもよい。

本開示の態様は、材料片の混合物のそれぞれの１つまたは複数の特性を捕捉するように構成されたセンサであって、材料片の混合物は、異なる材料分類を有する材料片を含み得る、センサと、材料片の混合物の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類するように構成されたデータ処理システムと、材料片の混合物の各材料片の分類に応じて、材料片の混合物から材料片のうちの特定の材料片を分別するように構成された分別装置であって、分別により、所定の特定の骨材の化学組成を有する材料片の集合体が生成された分別装置と、を備えるシステムを提供する。センサはカメラであってもよく、捕捉された１つまたは複数の特性は、材料片の混合物がカメラを通過して搬送されるときに、材料片の混合物のそれぞれの画像を捕捉するように構成されたカメラによって捕捉され、カメラは、材料の混合物のそれぞれの視覚画像を捕捉して画像データを生成するように構成され、特性は視覚的に観察される特性である。データ処理システムは、捕捉された視覚的に観察された特性に基づいて、材料片の混合物の各材料片を複数の異なる材料分類のうちの１つに属するものとして分類するように構成されたニューラルネットワークを実装する機械学習システムを含み得る。システムは、複数の材料片の各材料片のおおよその質量を判定するように構成された装置をさらに含むことができ、分別は、各材料片の判定されたおおよその質量および分類に応じて実行される。この装置には、各材料片のおおよそのサイズを測定するように構成されたラインスキャナが含まれていてもよい。

本開示の態様は、コンピュータ可読記憶媒体に記憶されたコンピュータプログラム製品を提供し、このコンピュータプログラム製品は、データ処理システムによって実行されると、複数の材料片の各材料片のおおよその質量を判定するステップであって、複数の材料片のうちの少なくとも１つは、他の材料片とは異なる材料分類を有する、ステップと、複数の材料片の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類するステップと、所定の特定の骨材の化学組成を有する材料片の集合体を生成するために、複数の材料片から材料片の特定のものを分別することを指示するステップであって、分別は、複数の材料片の各材料片の判定されたおおよその質量および分類に応じて実行され、材料片の集合体には、異なる材料分類を有する材料片が含まれる、ステップと、を含む処理を実行する。分類には、機械学習システムを通じて複数の材料片のそれぞれから捕捉された画像データを処理することが含まれてもよい。所定の特定の骨材の化学組成は、複数の材料片のそれぞれの化学組成とは異なっていてもよい。

本開示の実施形態に従って構成された分別システムの概略図である。 一般的なアルミニウム合金の化学組成を列挙した表を示す図である。 本開示の実施形態に従って生成される例示的なアルミニウム合金の化学組成を列挙する表を示す図である。 本開示の実施形態に従って構成されたフローチャートを示す図である。 本開示の実施形態に従って材料片のサイズを判定するように構成されたフローチャートを示す図である。 鋳造アルミニウムからの例示的な材料片の視覚画像を示す図である。 アルミニウム押出材からの例示的な材料片の視覚画像を示す図である。 ロウト（ｗｒｏｕｇｈｔ）アルミニウムからの例示的な材料片の視覚画像を示す図である。 本開示の実施形態に従って構成されたフローチャートを示す図である。 本開示の実施形態に従って構成されたフローチャートを示す図である。 本開示の実施形態に従って構成されたデータ処理システムのブロック図である。

本開示の様々な詳細な実施形態が本明細書に開示される。ただし、開示された実施形態は本開示の単なる例示であり、様々な代替形態で具体化され得ることを理解されたい。数値は必ずしも正確な縮尺ではなく、特定の構成要素の詳細を示すために、一部の機能が誇張されたり、最小化されたりする場合がある。したがって、本明細書に開示される特定の構造および機能の詳細は、限定として解釈されるべきではなく、本開示の様々な実施形態を使用することを当業者に教示するための代表的な基礎としてのみ解釈されるべきである。

本明細書で使用される「化学元素」とは、本出願の出願日以降に発見される可能性のある化学元素を含む、化学元素の周期表の化学元素を意味する。本明細書で使用される「材料」には、１つまたは複数の化学元素の化合物または混合物から構成される固体が含まれる場合があり、化合物または混合物の複雑さは、単純なものから複雑なものまである場合がある（本明細書ではそのすべてを、特定の「化学組成」を有する材料とも呼ぶ場合がある）。

本明細書で使用される「骨材の化学組成」とは、個々の別個の材料片の集合またはグループ内の化学元素の組成およびそれらの相対的な重量パーセント（ｗｔ％）を意味する。（重量パーセント（または重量百分率）は質量分率とも呼ばれ、材料または物質の総質量に対する、材料または物質内の特定の化学元素の質量のパーセンテージであることに留意されたい）。例えば、金属合金の個々の部分の集合体が一緒に溶解された場合、結果として得られる「溶解物」は、骨材の化学組成と同等の化学組成を有することになる。本明細書で参照される「溶解物」とは、選択された材料片が一緒に溶解され、一緒に溶解された材料片に対して組成分析が実行されて、溶解物内に存在する様々な化学元素のパーセンテージ（例えば、重量パーセンテージ）が判定されるときである。

材料のクラスには、金属（鉄および非鉄）、金属合金、プラスチック（ＰＣＢ、ＨＤＰＥ、ＵＨＭＷＰＥ、および様々な色のプラスチックを含むがこれらに限定されない）、ゴム、発泡体、ガラス（ホウケイ酸ガラスやソーダ石灰ガラス、各種色ガラスを含むがこれらに限定されない）、セラミックス、紙、ボール紙、テフロン（登録商標）、ＰＥ、束線、絶縁被覆線、希土類元素、葉、木、植物、植物の一部、繊維、バイオ廃棄物、包装、電子廃棄物、バッテリー、アキュムレータ、使用済み車両のスクラップ片、鉱山、建設、解体廃棄物、作物廃棄物、森林残材、目的栽培された草、木質エネルギー作物、微細藻類、都市部の食品廃棄物、食品廃棄物、有害な化学廃棄物および生物医学的廃棄物、建設廃材、農場廃棄物、生物起源の物品、非生物起源の物品、特定の炭素含有量を持つ物体、都市固形廃棄物内で発見される可能性のある他のあらゆる物体、ならびに本明細書に開示されるセンサ技術のいずれかを含むがこれらに限定されない、１つまたは複数のセンサシステムによって、を含むがこれらに限定されない、互いに区別できる前述のいずれかのさらなるタイプまたはクラスを含む、本明細書に開示される他のあらゆる物体、物品、または材料が含まれ得る。本開示内では、「スクラップ」、「スクラップ片」、「材料」、「材料片」、および「片」という用語は同じ意味で使用される場合がある。本明細書で使用される場合、金属合金組成を有すると呼ばれる材料片またはスクラップ片は、他の金属合金とは区別される特定の化学組成を有する金属合金である。

業界でよく知られているように、「ポリマー」とは、多くの繰り返しサブユニットから構成される非常に大きな分子または高分子で構成される物質または材料である。ポリマーは、自然界に見られる天然ポリマーまたは合成ポリマーであり得る。

「多層ポリマーフィルム」は２つ以上の異なる組成から構成され、最大約７．５^－８×１０^－４ｍの厚さを有する場合がある。層は少なくとも部分的に連続しており、好ましくは、しかし場合によっては同一の広がりを持っている。

本明細書で使用される「プラスチック」、「プラスチック片」、および「プラスチック材料片」という用語（これらはすべて同じ意味で使用され得る）は、１つまたは複数のポリマーおよび／または多層ポリマーフィルムのポリマー組成物を含む、またはそれらから構成される任意の物体を指す。

本明細書で使用される「化学的特徴」という用語は、サンプル中の１つまたは複数の特定の元素または分子（ポリマーを含む）の存在を示す、１つまたは複数の分析機器によって生成される固有のパターン（指紋スペクトルなど）を指す。要素または分子は有機および／または無機の場合がある。このような分析機器には、本明細書に開示されているセンサシステムのいずれかが含まれる。本開示の実施形態によれば、本明細書に開示される１つまたは複数のセンサシステムは、材料片（例えば、プラスチック片）の化学的特徴を生成するように構成され得る。

本明細書で使用されているように、「フラクション」とは、本明細書に開示されているプラスチックの様々な分類およびタイプのすべてを含む、有機および／または無機の元素または分子の特定の組み合わせ、ポリマーのタイプ、プラスチックのタイプ、ポリマー組成、プラスチックの化学的特徴、プラスチック片の物理的特性（例えば、色、透明度、強度、融点、密度、形状、サイズ、製造タイプ、均一性、刺激に対する反応など）など、を指す。フラクションの非限定的な例は、ＬＤＰＥに比較的高い割合のアルミニウムを加えたもの、ＬＤＰＥおよびＰＰに比較的低い割合の鉄を加えたもの、ＰＰに亜鉛を加えたもの、ＰＥ、ＰＥＴ、およびＨＤＰＥの組み合わせ、あらゆるタイプの赤色のＬＤＰＥプラスチック片、ＰＶＣを除くプラスチック片の任意の組み合わせ、黒色のプラスチック片、有機分子と無機分子の指定された組み合わせを含む＃３～＃７タイプのプラスチックの組み合わせ、１つまたは複数の異なるタイプの多層ポリマーフィルムの組み合わせ、特定の汚染物質や添加剤を含まない特定のプラスチックの組み合わせ、指定された閾値を超える融点を持つあらゆるタイプのプラスチック、複数の特定のタイプの熱硬化性プラスチック、塩素を含まない特定のプラスチック、同様の密度を持つプラスチックの組み合わせ、同様の極性を持つプラスチックの組み合わせ、キャップが取り付けられていないペットボトル、またはその逆、を含む１つまたは複数の異なるタイプのプラスチック片である。

「接触熱分解」には、酸素の不在下で触媒の存在下でポリマー材料を加熱することによるポリマー材料の分解が含まれる。

「所定の」という用語は、事前に確立または決定されたものを指す。

「スペクトル撮像」とは、電磁スペクトル全体にわたる複数の帯域を使用する撮像である。通常のカメラは、可視スペクトルの赤、緑、青（「ＲＧＢ」）の３つの波長帯域にわたる光を捉えるが、スペクトル撮像には、ＲＧＢを含む様々な技術が含まれる。スペクトル撮像では、赤外線、可視、紫外線、および／またはＸ線スペクトル、または上記の組み合わせが使用され得る。スペクトルデータ、またはスペクトル画像データは、スペクトル画像のデジタルデータ表現である。スペクトル撮像には、可視帯域と非可視帯域のスペクトルデータの同時取得、可視範囲外からの照明、または特定のスペクトル範囲を捕捉するための光学フィルタの使用が含まれ得る。スペクトル画像の各ピクセルについて数百の波長帯域を捕捉することも可能である。

本明細書で使用される「画像データパケット」という用語は、個々の材料片の取り込まれたスペクトル画像に関するデジタルデータのパケットを指す。

本明細書で使用される「分類（ｃｌａｓｓｉｆｙ）」、「識別（ｉｄｅｎｔｉｆｙ）」、「選択（ｓｅｌｅｃｔ）」、「認識（ｒｅｃｏｇｎｉｚｅ）」という用語と、「分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）」、「識別（ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）」、「選択（ｓｅｌｅｃｔｉｏｎ）」、「認識（ｒｅｃｏｇｎｉｔｉｏｎ）」という用語、およびそれらの派生語は、同じ意味で使用され得る。本明細書で使用される場合、材料片を「分類する」とは、その材料片が属する（または少なくともその材料片の感知された特性に従って属するべきである）材料のタイプまたはクラスを判定する（すなわち、識別する）ことである。例えば、本開示の特定の実施形態によれば、センサシステム（本明細書でさらに説明する）は、材料を分類するためのあらゆるタイプの情報を収集および分析するように構成することができ、分別システム内で分類を利用して、色、質感、色相、形状、明るさ、重量、密度、組成、サイズ、均一性、製造タイプ、化学的特徴、所定のフラクション、放射性の特徴、光、音、またはその他の信号の透過率、材料片の放射および／または反射電磁放射（「ＥＭ」）を含む、様々な分野などの刺激に対する反応を含むが、これらに限定されない、１つまたは複数の感知された物理的および／または化学的特性（例えば、ユーザ定義可能）のセットに応じて材料片を選択的に分別することができる。本明細書で使用される「製造タイプ」とは、ロウト処理によって形成された、鋳造（消耗型鋳造、永久型鋳造、粉末冶金を含むがこれらに限定されない）された、鍛造された、材料除去処理などによって形成された金属部品など、材料片が製造された製造処理のタイプを指す。

材料のタイプまたはクラス（つまり、分類）はユーザが定義可能であり、既知の材料分類に限定されない。タイプまたはクラスの粒度は、非常に粗いものから非常に細かいものまである。例えば、タイプまたはクラスには、粒度が比較的粗いタイプまたはクラスのプラスチック、セラミック、ガラス、金属、および他の材料、例えば、粒度がより細かいタイプまたはクラスの亜鉛、銅、真鍮、クロム板、アルミニウムなどの様々な金属および金属合金、または、粒度が比較的細かいタイプまたはクラスの特定のサブクラスの金属合金間、が含まれ得る。したがって、タイプまたはクラスは、例えば、プラスチックや金属合金など、著しく異なる組成の材料を区別するように、または、例えば金属合金の異なるサブクラスなど、実質的に類似またはほぼ同一の化学組成の材料を区別するように構成され得る。本明細書で議論される方法およびシステムは、分類される前に化学組成が完全に不明である材料を識別／分類するために適用できることを理解されたい。

本明細書で言及する「コンベヤシステム」とは、航空機械コンベヤ、自動車コンベヤ、ベルトコンベヤ、ベルト駆動ライブローラコンベヤ、バケットコンベヤ、チェーンコンベヤ、チェーン駆動ライブローラコンベヤ、ドラッグコンベヤ、防塵コンベヤ、電動軌道車両システム、フレキシブルコンベヤ、重力コンベヤ、重力スケートホイールコンベヤ、ラインシャフトローラーコンベヤ、電動駆動ローラーコンベヤ、オーバーヘッドＩビームコンベヤ、オーバーランドコンベヤ、医薬品コンベヤ、プラスチックベルトコンベヤ、空気圧コンベヤ、スクリューまたはオーガーコンベヤ、スパイラルコンベヤ、管状ギャラリーコンベヤ、垂直コンベヤ、振動コンベヤ、および金網コンベヤを含むがこれらに限定されない、材料をある場所から別の場所に移動させる任意の既知の機械的取扱い装置のことであり得る。

本開示の特定の実施形態に従って本明細書に記載されるシステムおよび方法は、複数の材料片の混合物を受け取り、この混合物内の少なくとも１つの材料片は、１つまたは複数の他の材料片とは異なる化学組成（例えば、金属合金組成、化学的特徴）を含み、および／またはこの混合物内の少なくとも１つの材料片が１つまたは複数の他の材料とは異なる方法で製造されており、および／またはこの混合物内の少なくとも１つの材料片が他の材料片から区別可能であり（例えば、視覚的に識別可能な特性または特徴、異なる化学的特徴など）、システムおよび方法は、それに応じてこの材料片を識別／分類／分別するように構成されている。本開示の実施形態は、本明細書で定義される材料の任意のタイプまたはクラス、またはフラクションを分類するために利用され得る。

分別される材料片のサイズや形状が不規則であり得ることに留意されたい（例えば、図６～図８を参照）。例えば、材料（例えば、Ｚｏｒｂａおよび／またはＴｗｉｔｃｈ）は、材料をそのような不規則な形やサイズの断片に切り刻み（スクラップ片を生成する）、ある種のシュレッダ機構を事前に通過させてから、コンベアシステムに供給または堆積させた可能性がある。

本開示の実施形態は、ユーザ定義のグループ化または集合体（例えば、事前に判定された特定の骨材の化学組成、特定の材料タイプの分類またはフラクション）に応じて、材料片を別々の容器もしくは複数の容器に、または別のコンベアシステム上に、物理的に配置する（例えば、方向転換または排出する）ことによって、材料片をそのような別個のグループまたは集合体に分別するものとして本明細書で説明される。一例として、本開示の特定の実施形態では、特定の化学組成で構成される材料片を、異なる特定の化学組成で構成される他の材料片から分離するため、分別された材料片の集合体またはグループ内で、所定の特定の骨材の化学組成を生成するため、材料片は別々の容器または複数の容器に分別され得る。非限定的な例では、様々なアルミニウム合金（例えば、様々な異なるロウトおよび／または鋳造アルミニウム合金）を含むＴｗｉｔｃｈの集合体は、所望の化学組成（既知のアルミニウム合金とは異なる独自の化学組成を有するアルミニウム合金を含み得る）を有するアルミニウム合金を製造するために、本開示の実施形態に従って分別され得る。

図１は、本開示の様々な実施形態に従って構成されたシステム１００の例を示す。コンベヤシステム１０３は、個々の材料片１０１のそれぞれを追跡し、分類し、所定の所望のグループまたは集合体（例えば、１つまたは複数の所定の特定の骨材の化学組成）に分類できるように、システム１００を通して個々の材料片１０１の（組織化されたまたはランダムな）１つまたは複数の流れを搬送するために実装され得る。このようなコンベヤシステム１０３は、材料片１０１が典型的には所定の一定速度で移動する１つまたは複数のコンベヤベルトを用いて実装され得る。しかしながら、本開示の特定の実施形態は、材料片がシステム１００（または任意の他のタイプの垂直分別機）の選択されたコンポーネントを通過して自由落下するシステム、または振動コンベヤシステムを含む（本明細書で開示されるような）他のタイプのコンベヤシステムで実装されてもよい。以下、該当する場合、コンベヤシステム１０３はコンベヤベルト１０３とも呼ばれ得る。１つまたは複数の実施形態では、伝達、追跡、刺激、検出、分類、および分別する動作の一部またはすべては、自動的に、すなわち人間の介入なしに実行されてもよい。例えば、システム１００では、１つまたは複数の刺激源、１つまたは複数の放射検出器、分類モジュール、分別装置、および／または他のシステム構成要素は、これらおよび他の操作を自動的に実行するように構成され得る。

さらに、図１の簡略図ではコンベヤベルト１０３上の材料片１０１の単一の流れを示しているが、本開示の実施形態は、複数のそのような材料片の流れがシステム１００の様々な構成要素を互いに並行して通過するように実装され得る。例えば、米国特許第１０，２０７，２９６号にさらに記載されているように、材料片は、単一のコンベヤベルト、または一組の平行なコンベヤベルト上を移動する２つ以上の平行な個別化された流れに分配され得る。本開示の特定の実施形態によれば、シンギュレータの組み込みまたは使用は必要ない。代わりに、コンベヤシステム（例えば、コンベヤシステム１０３）は、単に、ランダムな方法でコンベヤシステム１０３上に堆積された（または、コンベヤシステム１０３上に大量に堆積され、その後、振動機構などによって分離させられた）大量の材料片を搬送してもよい。したがって、本開示の特定の実施形態は、そのような搬送される複数の材料片を同時に追跡、分類、および／または分別することができる。

本開示の特定の実施形態によれば、ある種の適切なフィーダ機構（例えば、別のコンベヤシステムまたはホッパ１０２）を利用して、材料片１０１をコンベヤシステム１０３上に供給することができ、それにより、コンベヤシステム１０３は、材料片１０１をシステム１００内の様々な構成要素を通過させて搬送することができる。材料片１０１がコンベヤシステム１０３によって受け取られた後、任意選択のタンブラ／バイブレータ／シンギュレータ１０６を利用して、材料片の組み合された塊から個々の材料片を分離することができる。本開示の特定の実施形態では、コンベヤシステム１０３は、コンベヤシステムモータ１０４によって所定の速度で移動するように動作する。この所定の速度は、任意の周知の方法でオペレータによってプログラム可能および／または調整可能であってもよい。代替的に、コンベヤシステム１０３の所定の速度の監視は、位置検出器１０５を用いて実行されてもよい。本開示の特定の実施形態では、コンベヤシステムモータ１０４および／または位置検出器１０５の制御は、自動制御システム１０８によって実行されてもよい。このような自動化制御システム１０８は、コンピュータシステム１０７の制御下で動作させることができ、および／または自動化制御を実行するための機能をコンピュータシステム１０７内のソフトウェアで実装することができる。

したがって、本明細書でさらに説明するように、コンベヤベルト駆動モータ１０４および／または自動制御システム１０８（代替的に位置検出器１０５を含む）に対する制御の利用を通じて、コンベアベルト１０３上を移動する材料片１０１のそれぞれが識別されると、それらは、（システム１００の様々な構成要素に対して）位置および時間によって追跡することができるため、各材料片１０１がその近傍を通過するときにシステム１００の様々な構成要素を活性化／非活性化することができる。その結果、自動制御システム１０８は、材料片１０１がコンベヤベルト１０３に沿って移動する間に、材料片１０１のそれぞれの位置を追跡することができる。

本開示の特定の実施形態によれば、材料片１０１がコンベアベルト１０３によって受け取られた後、タンブラおよび／またはバイブレータを利用して、材料片の塊（例えば、物理的な山など）から個々の材料片を分離することができる。本開示の代替実施形態によれば、材料片は、能動または受動シンギュレータ１０６によって実行され得る１つまたは複数の単一化された（すなわち、単一ファイル）ストリームに配置され得る。受動シンギュレータの例は、米国特許第１０，２０７，２９６号にさらに記載されている。前述したように、シンギュレータの組み込みまたは使用は必要ない。代わりに、コンベヤシステム（例えば、コンベヤベルト１０３）は、単にランダムな方法でコンベヤベルト１０３上に堆積された材料片の集合を搬送してもよい。

再び図１を参照すると、本開示の特定の実施形態は、コンベヤベルト１０３上を移動する材料片１０１のそれぞれを追跡するため、視覚または光学認識システム１１０および／または材料追跡測定装置１１１を利用することができる。視覚システム１１０は、１つまたは複数の静止画カメラまたは実写カメラ１０９を利用して、移動コンベヤベルト１０３上の材料片１０１のそれぞれの位置（すなわち、位置およびタイミング）を記録することができる。

視覚システム１１０は、本明細書でさらに説明されるように、材料片１０１のすべてまたは一部の特定のタイプの識別（例えば、分類）を実行するようにさらにまたは代替的に構成されてもよい。例えば、そのような視覚システム１１０は、材料片１０１のそれぞれについての情報を捕捉または取得するために利用され得る。例えば、視覚システム１１０は、本明細書に記載されるように、１つまたは複数の特性（例えば、物理的および／または化学的および／または放射性物質など）のセットに応じて材料片１０１を分類および／または選択的に分別するためにシステム１００内で利用することができる材料片からあらゆるタイプの情報を捕捉または収集するように（例えば、機械学習システムを用いて）構成され得る。本開示の特定の実施形態によれば、視覚システム１１０は、例えば、一般的なデジタルカメラやビデオ機器で使用されている光学センサを使用することにより、材料片１０１のそれぞれの視覚画像（一次元、二次元、三次元、またはホログラフィック画像を含む）を捕捉し得る。光学センサによって捕捉されたこのような視覚画像は、画像データとしてメモリデバイスに保存される（例えば、画像データパケットとして初期化される）。本開示の特定の実施形態によれば、そのような画像データは、光の光学波長（すなわち、典型的な人間の目によって観察可能な光の波長）内で捕捉された画像を表すことができる。ただし、本開示の代替実施形態は、人間の目の視覚波長の外側の光の波長で構成される材料の画像を捕捉するように構成されたセンサシステムを利用することができる。このような画像はすべて、本明細書ではスペクトル画像とも呼ばれ得る。

本開示の特定の実施形態によれば、システム１００は、材料片１０１を分類／識別するために、単独で、または視覚システム１１０と組み合わせて利用することができる、１つまたは複数のセンサシステム１２０を用いて実装することができる。センサシステム１２０は、照射または反射された電磁放射線（例えば、赤外線（「ＩＲ」）、フーリエ変換ＩＲ（「ＦＴＩＲ」）、前方赤外線（「ＦＬＩＲ」）、極近赤外線（「ＶＮＩＲ」）、近赤外線（「ＮＩＲ」）、短波長赤外線（「ＳＷＩＲ」）、長波長赤外線（「ＬＷＩＲ」）、中波長赤外線（「ＭＷＩＲ」または「ＭＩＲ」）、Ｘ線透過（「ＸＲＴ」）、ガンマ線、紫外線（「ＵＶ」）、蛍光Ｘ線（「ＸＲＦ」）、レーザー誘起ブレークダウン分光法（「ＬＩＢＳ」）、ラマン分光法、アンチストークスラマン分光法、ガンマ分光法、ハイパースペクトル分光法（例えば、可視波長を超える範囲）、音響分光法、ＮＭＲ分光法、マイクロ波分光法、テラヘルツ分光法、および前述のいずれかを使用した１次元、２次元、３次元、またはホログラフィック撮像を含む）を利用するセンサシステムを含む、任意のタイプのセンサ技術で、あるいは化学的または放射性物質を含むがこれらに限定されない任意の他のタイプのセンサ技術により、構成され得る。例示的なＸＲＦシステム（例えば、本明細書のセンサシステム１２０として使用する）の実装については、米国特許第１０，２０７，２９６号にさらに記載されている。

図１は視覚システム１１０と１つまたは複数のセンサシステム１２０の組み合わせで示されているが、本開示の実施形態は、本明細書に開示されるセンサ技術のいずれか、または現在利用可能な、または将来開発される他のセンサ技術を利用するセンサシステムの任意の組み合わせで実装され得ることに留意されたい。図１は、１つまたは複数のセンサシステム１２０を含むように示されているが、そのようなセンサシステムの実装は、本開示の特定の実施形態内では任意である。本開示の特定の実施形態では、視覚システム１１０と１つまたは複数のセンサシステム１２０の両方の組み合わせを使用して材料片１０１を分類することができる。本開示の特定の実施形態では、本明細書に開示される１つまたは複数の異なるセンサ技術の任意の組み合わせを使用して、視覚システム１１０を利用せずに材料片１０１を分類することができる。さらに、本開示の実施形態は、１つまたは複数のセンサシステムおよび／または視覚システムの任意の組み合わせを含んでいてもよく、このようなセンサおよび／または視覚システムの出力は、材料の混合物から材料を分類／識別するために（本明細書でさらに開示されるように）機械学習システム内で処理され、その後相互に分別され得る。分別システム（例えば、システム１００）がそのような視覚システム１１０のみで動作するように構成されている場合、センサシステム１２０はシステム１００から省略されてもよい（または単に停止されてもよい）。

本開示の特定の実施形態によれば、図４に関して本明細書でさらに説明されるように、視覚システム１１０および／またはセンサシステムは、どの材料片１０１が、特定の骨材の化学組成（例えば、特定の汚染物質または化学元素を含む材料片）を生成するために集合体内に含めるためにシステム１００によって分別される種類ではないことを識別するように構成されてもよく、そして、そのような材料片を他の分別された材料片と一緒に転用しないように信号を送信する。

本開示の特定の実施形態では、材料追跡および測定装置１１１および付随する制御システム１１２は、移動コンベヤシステム１０３上の各材料片１０１の位置（すなわち、位置およびタイミング）とともに、各材料片のおおよその質量を判定するためにシステム１００によって利用され得る材料追跡および測定装置１１１の近傍内を通過する材料片１０１のそれぞれのサイズおよび／または形状を測定するように利用および構成され得る。代替的に、視覚システム１１０は、コンベヤシステム１０３によって輸送される材料片１０１のそれぞれの位置（すなわち、位置およびタイミング）を追跡するために利用されてもよい。

このような材料追跡および測定装置１１１および制御システム１１２の非限定的な例示的な動作は、図５に関して本明細書で説明される。このような材料追跡および測定装置１１１は、よく知られたレーザー光システムを用いて実装することができ、レーザー光システムの検出器に反射される前にレーザー光が移動する距離を連続的に測定する。したがって、材料片１０１のそれぞれが装置１１１の近傍を通過すると、装置１１１は、そのような距離測定値を示す信号を制御システム１１２に出力する。したがって、そのような信号は、実質的に断続的な一連のパルスを表すことができ、信号のベースラインは、材料片がデバイス１１１の近くにないとき、それらの瞬間における装置１１１とコンベヤベルト１０３との間の距離の測定の結果として生成され、各パルスは、装置１１１とコンベヤベルト１０３上を通過する材料片１０１との間の距離の測定値を提供する。材料片１０１の形状が不規則である場合があるため、このようなパルス信号の高さも不規則になる場合がある。それにもかかわらず、装置１１１によって生成される各パルス信号は、材料片１０１のそれぞれがコンベヤベルト１０３上を通過する際の各部分の高さを提供することができる。このようなパルスのそれぞれの長さは、コンベヤベルト１０３の移動方向に実質的に平行な線に沿って測定された材料片１０１のそれぞれの長さの測定値も提供する。各材料片１０１の質量を判定する、または少なくとも近似するために本開示の実施形態内で利用され得るのは、この長さ測定値（図５の処理ブロック５０６のタイムスタンプに対応する）（および代替として高さ測定値）であり、長さ測定値は、本明細書でさらに説明するように、材料片の分別を支援するために利用することができる。

次に図５を参照すると、各材料片のおおよそのサイズ、形状、および／または質量を判定するための例示的なシステムおよび処理５００のフローチャート図が示されている。このようなシステムおよび処理５００は、図１に示される材料追跡および測定装置１１１および制御システム１１２など、本明細書に記載される視覚／光学認識システムおよび／または材料追跡および測定装置のいずれか内で実装され得る。処理ブロック５０１において、材料追跡および測定装置はｎ＝０で初期化され得る。ここで、ｎは、コンベヤシステムに沿って搬送される最初の材料片がまだ測定されていない条件を表す。前述したように、そのような材料追跡および測定装置は、その上に搬送される物体（すなわち、材料片）が存在しない場合に、材料追跡および測定装置とコンベヤベルトとの間の距離を表すベースライン信号を確立することができる。処理ブロック５０２において、材料追跡および測定装置は、連続的または実質的に連続的な距離の測定を生成する。処理ブロック５０３は、材料追跡および測定装置内で、検出された距離が所定の閾値量から変化したかどうかの判定を表す。システム１００が開始されると、ある時点で、材料片１０１は、距離が測定される採用された機構によって検出されるように、材料追跡および測定装置に十分近接してコンベヤシステムに沿って移動することを思い出されたい。本開示の実施形態では、これは、移動する材料片１０１が、距離を測定するために利用されるレーザー光のライン内を通過するときに発生し得る。材料片１０１などの物体が材料追跡および測定装置（例えばレーザ光）によって検出され始めると、材料追跡および測定装置によって測定される距離はそのベースライン値から変化する。材料追跡および測定装置は、材料片１０１のいずれかの部分の高さが所定の閾値距離値よりも大きい場合に、その近傍内を通過する材料片１０１の存在のみを検出するように予め決定され得る。図５は、そのような閾値が０．１５（例えば０．１５ｍｍを表す）である例を示すが、本開示の実施形態は任意の特定の値に限定されるべきではない。

システムおよび処理５００は、この閾値距離値に到達しない限り、現在の距離の測定を継続する（すなわち、処理ブロック５０２～５０３を繰り返す）。閾値を超える測定された高さが検出されると、処理は処理ブロック５０４に進み、材料追跡および測定装置の近傍内を通過する材料片１０１がコンベヤシステム上で検出されたことを記録する。その後、処理ブロック５０５において、変数ｎを増分して、別の材料片１０１がコンベヤシステム上で検出されたことをシステム１００に示すことができる。この変数ｎは、材料片１０１のそれぞれの追跡を支援するために利用することができる。処理ブロック５０６では、検出された材料片１０１のタイムスタンプが記録され、このタイムスタンプは、コンベヤシステム上を移動する検出された材料片１０１の特定の位置およびタイミングを追跡するためにシステム１００によって利用され得、同時に、検出された材料片１０１の長さも表す。任意選択の処理ブロック５０７では、この記録されたタイムスタンプは、センサによって開始されるタイムスタンプに関連付けられた測定信号（例えば、材料片１０１からのＸ線蛍光スペクトル）の取得をいつアクティブ化（開始）し、いつ非アクティブ化（停止）するかを判定するために利用され得る。タイムスタンプの開始時間と停止時間は、材料追跡および測定装置によって生成される前述のパルス信号に対応してもよい。処理ブロック５０８において、このタイムスタンプは、材料片１０１の記録された高さとともに、材料片１０１のそれぞれとその結果として生じる分類を追跡するためにシステム１００によって利用されるテーブル内に記録され得る。

その後、任意選択の処理ブロック５０９において、次に、信号は、材料追跡および測定装置によって判定される材料片１０１の長さに対応する開始時間と停止時間とを含み得る材料片１０１からのセンサ開始測定信号の取得をアクティブ化／非アクティブ化する期間を示すセンサシステムに送信され得る。本開示の実施形態は、材料片１０１の先端がいつ照射源を通過するか、そして、材料片１０１の後縁がその後いつ照射源を通過するかを示す材料追跡および測定装置から受信したコンベアシステムのタイムスタンプと既知の所定の速度により、そのようなタスクを達成することができる。

次に、コンベヤシステムに沿って移動する材料片１０１のそれぞれの距離を測定するためのシステムおよび処理５００は、材料片１０１が通過するたびに繰り返されてもよい。

１つまたは複数のセンサシステム１２０を実装する本開示の特定の実施形態では、１つまたは複数のセンサシステム１２０は、視覚システム１１０が材料片１０１のそれぞれの化学組成、相対的な化学組成、および／または製造タイプを、材料片１０１が１つまたは複数のセンサシステム１２０の近傍内を通過するときに識別するのを支援するように構成され得る。１つまたは複数のセンサシステム１２０は、例えば材料片１０１のそれぞれからの応答を刺激するために、電源１２２によって電力を供給され得るエネルギー放出源１２１を含み得る。

センサシステム１２０としてＸＲＦシステムを実装する本開示の特定の実施形態によれば、線源１２１は、米国特許第１０，２０７，２９６号にさらに記載されているようなインラインＸ線蛍光（「ＩＬ－ＸＲＦ」）管を含んでもよい。このようなＩＬ－ＸＲＦ管には、搬送される材料片の１つまたは複数の流れ（例えば、単一化）専用の別個のＸ線源が含まれ得る。このような場合、１つまたは複数の検出器１２４は、個別化されたストリームのそれぞれ内の材料片１０１からの蛍光Ｘ線を検出するＸＲＦ検出器として実装され得る。

本開示の特定の実施形態では、各材料片１０１が放射源１２１の近傍を通過するとき、センサシステム１２０は材料片１０１に向けて適切な感知信号を放射することができる。１つまたは複数の検出器１２４は、利用されるセンサ技術のタイプに適切な形式で材料片１０１から１つまたは複数の特性を感知／検出するように配置および構成され得る。１つまたは複数の検出器１２４および関連する検出器電子機器１２５は、これらの受信された感知された特性を捕捉して信号処理を実行し、感知された特性を表すデジタル化された情報（例えば、スペクトルデータ）を生成し、次に、本開示の特定の実施形態に従って分析され、材料片１０１のそれぞれを（単独で、または視覚システム１１０と組み合わせて）分類するために使用され得る。この分類は、コンピュータシステム１０７内で実行することができ、その後、決定された分類に従って材料片１０１を１つまたは複数のＮ（Ｎ＞１）分別容器１３６…１３９に分別（例えば、方向転換／排出）するための分別装置のＮ（Ｎ＞１）個の分別装置１２６…１２９のうちの１つを作動させるために、自動制御システム１０８によって利用され得る。４つの分別装置１２６…１２９と、これらの分別装置に関連付けられた４つの分別容器１３６…１３９が、単なる非限定的な例として図１に示されている。

分別装置は、材料片１０１をコンベヤベルトシステムから複数の分別容器に方向転換することを含むがこれに限定されない、選択された材料片１０１を所望の場所に向けて方向転換するための任意の周知の機構を含むことができる。例えば、分別装置はエアジェットを利用し、各エアジェットが１つまたは複数の分類に割り当てられてもよい。エアジェットの１つ（例えば、１２７）が自動制御システム１０８から信号を受信すると、そのエアジェットは、材料片１０１をコンベヤシステム１０３からそのエアジェットに対応する分別箱（例えば、１３７）へと方向転換／排出させる空気流を放出する。

ロボットによって材料片をコンベヤベルトから取り除く、材料片をコンベヤベルトから押す（例えば、ペイントブラシタイプのプランジャを使用する）、コンベヤシステム１０３に材料片が落下し得る開口部（例えばトラップドア）を生じさせる、または、エアジェットを使用して、コンベアベルトの端から材料片が落ちるときに材料片を別の容器に方向転換するなど、他のメカニズムを使用して材料片を方向転換／排出することもできる。プッシャー装置という用語は、本明細書で使用される場合、適切なタイプの機械的押し機構（ＡＣＭＥスクリュードライブなど）、空気圧押し機構、またはエアジェット押し機構など、空気圧、機械式、またはその他の手段を使用して、コンベヤシステム／装置上またはコンベヤシステム／装置から物体を動的に移動させるために作動させることができる任意の形態の装置を指すことができる。いくつかの実施形態は、コンベヤシステムの経路に沿って異なる位置に配置され、および／または異なる方向転換経路の向きを有する複数のプッシャーデバイスを含んでもよい。様々な異なる実装において、本明細書で説明するこれらの分別システムは、機械学習システムによって実行される材料片の分類に応じて、（存在する場合）どのプッシャーデバイスを起動するかを判定することができる。さらに、どのプッシャー装置を作動させるかの判定は、ターゲットアイテム（例えば、機密扱いの材料片）と同時にプッシャー装置の方向転換経路内に存在する可能性のある他の物体の検出された存在および／または特性に基づいてもよい。さらに、コンベアシステムに沿ったシンギュレーションが完全ではない設備でも、開示された分別システムは、複数の物体が適切に分離されていないことを認識し、近接した物体を分離する可能性がある最適な方向転換経路を提供するプッシャー装置に基づいて、複数のプッシャー装置から起動すべきプッシャー装置を動的に選択することができる。いくつかの実施形態では、目標物体として識別される物体は、コンベヤシステムから方向転換されるべき材料を表す場合がある。他の実施形態では、目標物体として識別された物体は、非目標物体が代わりに方向転換されるように、コンベヤシステム上に残されることを許可されるべき材料を表す。

材料片１０１が方向転換される／排出されるＮ個の分別容器１３６…１３９に加えて、システム１００は、コンベヤシステム１０３から前述の分別容器１３６…１３９のいずれにも方向転換／排出されなかった材料片１０１を受け入れる容器１４０を含むこともできる。例えば、材料片１０１は、材料片１０１の分類が判定されていない場合（または単に分別装置が材料片を適切に方向転換／排出できなかった場合）、材料片１０１が視覚システム１１０および／またはセンサシステム１２０によって検出された汚染物質を含む場合、または材料片１０１が特定の骨材の化学組成を生成する必要がないため、コンベヤシステム１０３からＮ個の分別容器１３６…１３９のうちの１つに方向転換／排出されない可能性がある。代替的に、容器１４０は、Ｎ個の分別容器１３６…１３９のいずれにも意図的に割り当てられていない材料片の１つまたは複数の分類を受け取るために使用されてもよい。これらの材料片は、他の特性に従って、および／または別の分別システムによってさらに分別されてもよい。

所定の特定の骨材の化学組成の特定の要件に応じて、複数の分類を単一の分別装置および関連する容器にマッピングすることができる。言い換えれば、分類と容器の間に１対１の相関関係がある必要はない。例えば、ユーザは、特定の骨材の化学組成を達成するために、材料の特定の分類を同じ容器に分別することを望む場合がある。この分別を達成するために、材料片１０１が特定の骨材の化学組成を達成するための１つまたは複数の要件を満たすものとして分類されるとき、同じ分別装置が作動してこれらを同じ容器に分別することができる。このような組み合わせ分別は、分別された材料片（例えば、１つまたは複数の特定の骨材の化学組成）の任意の所望の組み合わせを生成するために適用できる。分類のマッピングは、そのような所望の組み合わせを生成するために、ユーザによって（例えば、コンピュータシステム１０７によって操作される分別アルゴリズム（例えば、図４を参照）を使用して）プログラムされ得る。さらに、材料片の分類はユーザが定義可能であり、材料片の特定の既知の分類に限定されない。

本開示の特定の実施形態では、コンベヤシステム１０３は、例えば２つのベルトなど、直列に構成された複数のベルトに分割されてもよく、第１のベルトは視覚システム１１０および／または実装されたセンサシステム１２０を通過する材料片を搬送し、第２のベルトは後続の分別のために実装されたセンサシステム１２０を通過して特定の分別された材料片を搬送する。さらに、そのような第２のコンベヤベルトは、材料片が第１のベルトから第２のベルト上に落下するように、第１のコンベヤベルトよりも低い高さにすることができる。

センサシステム１２０を実装する本開示の特定の実施形態では、発光源１２１は、検出領域の上（すなわち、コンベヤシステム１０３の上）に配置され得る。ただし、本開示の特定の実施形態は、依然として許容可能な感知／検出される物理的特性を生成する他の位置に発光源１２１および／または検出器１２４を配置してもよい。

本明細書に記載されるシステムおよび方法は主に固体状態の材料片の分類に関連して説明されるが、本開示はそれに限定されないことを理解されたい。本明細書に記載されるシステムおよび方法は、液体、溶融、気体、または粉末の固体状態、別の状態、およびそれらの任意の適切な組み合わせを含むがこれらに限定されない、ある範囲の物理的状態を有する材料を分類するのに適用することができる。

材料片の感知された特性／捕捉された情報のタイプに関係なく、次に、情報は、材料片のそれぞれを識別および／または分類するために、コンピュータシステム（例えば、コンピュータシステム１０７）に送信され、機械学習システムによって処理され得る。このような機械学習システムは、ニューラルネットワークを実装するもの（例えば、人工ニューラルネットワーク、深層ニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、オートエンコーダー、強化学習など）、教師あり学習、教師なし学習、半教師あり学習、強化学習、自己学習、特徴学習、スパース辞書学習、異常検出、ロボット学習、相関規則学習、ファジーロジック、人工知能「ＡＩ」）、深層学習アルゴリズム、深層構造学習階層学習アルゴリズム、サポートベクターマシン（「ＳＶＭ」）（線形ＳＶＭ、非線形ＳＶＭ、ＳＶＭ回帰など）、決定木学習（分類および回帰木（「ＣＡＲＴ」）など）、アンサンブル手法（アンサンブル学習、ランダムフォレスト、バギングとペースト、パッチと部分空間、ブースティング、スタッキングなど）、次元削減（射影、多様体学習、主成分分析など）、および／または深層機械学習アルゴリズム（参照により本明細書に組み込まれるｄｅｅｐｌｅａｒｎｉｎｇ．ｎｅｔ Ｗｅｂサイトで説明され、そこで公開されているものなど）（すべてのソフトウェア、出版物、およびこのＷｅｂサイト内で参照されている利用可能なソフトウェアへのハイパーリンクを含む）、を含む、任意のよく知られた機械学習システムを実装することができる。本開示の実施形態内で利用することができる公的に入手可能な機械学習ソフトウェアおよびライブラリの非限定的な例としては、Ｐｙｔｈｏｎ、ＯｐｅｎＣＶ、Ｉｎｃｅｐｔｉｏｎ、Ｔｈｅａｎｏ、Ｔｏｒｃｈ、ＰｙＴｏｒｃｈ、Ｐｙｌｅａｒｎ２、Ｎｕｍｐｙ、Ｂｌｏｃｋｓ、ＴｅｎｓｏｒＦｌｏｗ、ＭＸＮｅｔ、Ｃａｆｆｅ、Ｌａｓａｇｎｅ、Ｋｅｒａｓ、Ｃｈａｉｎｅｒ、Ｍａｔｌａｂ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ、ＣＮＴＫ、ＭａｔＣｏｎｖＮｅｔ（コンピュータ視覚アプリケーション用の畳み込みニューラルネットワークを実装するＭＡＴＬＡＢ（登録商標）ツールボックス）、ＤｅｅｐＬｅａｒｎＴｏｏｌｂｏｘ（深層学習用のＭａｔｌａｂツールボックス（Ｒａｓｍｕｓ Ｂｅｒｇ Ｐａｌｍ製））、ＢｉｇＤＬ、Ｃｕｄａ－Ｃｏｎｖｎｅｔ（畳み込み（より一般的にはフィードフォワード）ニューラルネットワークの高速Ｃ＋＋／ＣＵＤＡ実装）、Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＲＮＮＬＭ、ＲＮＮＬＩＢ－ＲＮＮＬＩＢ、ｍａｔｒｂｍ、ｄｅｅｐｌｅａｒｎｉｎｇ４ｊ、Ｅｂｌｅａｒｎ．ｌｓｈ、ｄｅｅｐｍａｔ、ＭＳｈａｄｏｗ、Ｍａｔｐｌｏｔｌｉｂ、ＳｃｉＰｙ、ＣＸＸＮＥＴ、Ｎｅｎｇｏ－Ｎｅｎｇｏ、Ｅｂｌｅａｒｎ、ｃｕｄａｍａｔ、Ｇｎｕｍｐｙ、３方向因数分解ＲＢＭおよびｍｃＲＢＭ、ｍＰｏＴ（ＣＵＤＡＭａｔおよびＧｎｕｍｐｙを使用して自然画像のモデルを訓練するＰｙｔｈｏｎコード）、ＣｏｎｖＮｅｔ、Ｅｌｅｋｔｒｏｎｎ、ＯｐｅｎＮＮ、ＮｅｕｒａｌＤｅｓｉｇｎｅｒ、Ｔｈｅａｎｏ一般化ヘビアン学習、Ａｐａｃｈｅ Ｓｉｎｇａ、Ｌｉｇｈｔｎｅｔ、およびＳｉｍｐｌｅＤＮＮが挙げられる。

本開示の特定の実施形態によれば、機械学習は２段階で実行され得る。例えば、最初に訓練が行われるが、この訓練は、材料片の実際の分類／分別を実行するためにシステム１００が利用されないという点でオフラインで実行することができる。システム１００は、材料片（すなわち、同じタイプまたはクラスの材料を有するか、または同じ所定の割合内に入る）の均質なセット（本明細書では制御サンプルとも呼ばれる）が（例えばコンベヤシステム１０３によって）システム１００を通過するという点で、機械学習システムを訓練するために利用されてもよく、そして、そのようなすべての材料片は分別されなくてもよいし、共通の容器（例えば、容器１４０）に集められてもよい。代替的に、訓練は、材料片の制御セットの感知情報（特性）を収集するための何らかの他の機構を使用することを含めて、システム１００から離れた別の場所で実行されてもよい。この訓練段階では、機械学習システム内のアルゴリズムが、捕捉された情報から特徴を抽出する（例えば、当技術分野でよく知られている画像処理技術を使用して）。訓練アルゴリズムの非限定的な例には、線形回帰、勾配降下法、フィードフォワード、多項式回帰、学習曲線、正則化学習モデル、ロジスティック回帰が含まれるが、これらに限定されない。機械学習システム内のアルゴリズムが、材料とその特徴／特性（例えば、視覚システムおよび／またはセンサシステムによって捕捉されたもの）との間の関係を学習し、システム１００が受け取った材料片の混合物を後で分類するための知識ベースを作成するのは、この訓練段階である。このような知識ベースには、１つまたは複数のライブラリが含まれていてもよく、各ライブラリには、材料片を分類する際に機械学習システムによって利用されるパラメータ（例えば、ニューラルネットワークパラメータ）が含まれる。例えば、１つの特定のライブラリには、特定のタイプまたはクラスの材料、または所定の割合に該当する１つまたは複数の材料を認識および分類するために訓練段階で構成されたパラメータが含まれていてもよい。本開示の特定の実施形態によれば、このようなライブラリを機械学習システムに入力し得ると、システム１００のユーザは、システム１００の動作を調整するためにパラメータのうちの特定のパラメータを調整し得る（例えば、機械学習システムが材料の混合物から特定の材料片をどの程度認識するかという閾値の有効性を調整する）。

さらに、材料片（例えば、金属合金など）に特定の材料（例えば、化学元素や化合物など）が含まれること、または特定の化学元素や化合物の組み合わせによって、材料に識別可能な物理的特徴（例えば、視覚的に認識できる特性など）が生じ得る。その結果、そのような特定の組成を含む複数の材料片が前述の訓練段階を通過すると、機械学習システムはそのような材料片を他の材料片と区別する方法を学習することができる。したがって、本開示の特定の実施形態に従って構成された機械学習システムは、材料片をそれぞれの化学組成に応じて分別するように構成され得る。例えば、このような機械学習システムは、アルミニウム合金内に含まれる特定の合金材料のパーセンテージに応じて、様々なアルミニウム合金を分別できるように構成できる。

例えば、図６は、前述の訓練段階で使用できる、鋳造アルミニウム合金の例示的な材料片の捕捉または取得された画像を示している。図７は、前述の訓練段階で使用できる、押出アルミニウム合金の例示的な材料片の捕捉または取得された画像を示している。図８は、前述の訓練段階で使用できる、ロウトアルミニウム合金の例示的な材料片の捕捉または取得された画像を示している。訓練段階では、特定の（均質な）分類（タイプ）の材料の複数の材料片（制御サンプル）は、機械学習システム内のアルゴリズムが、どのような特徴（例えば、視覚的に認識できる特性）がそのようなタイプまたはクラスの材料を表すかを検出、抽出、学習するように、視覚システムおよび／または１つまたは複数のセンサシステムを通過して（例えば、コンベヤシステムによって）送達され得る。言い換えれば、図６に示すような鋳造アルミニウム合金材料片の画像は、このような訓練段階を通過する可能性があり、これにより、機械学習システム内のアルゴリズムが、鋳造アルミニウム合金で構成される材料片を検出、認識、分類する方法を「学習」（訓練）する。視覚システム（例えば、視覚システム１１０）を訓練する場合、材料片を視覚的に識別するように訓練される。これにより、鋳造アルミニウム合金材料片に固有のパラメータのライブラリが作成される。次に、図７に示すようなアルミニウム合金押出材の画像に対しても同様の処理を行うことで、アルミニウム合金押出材特有のパラメータのライブラリを作成することができる。また、図８に示すようなアルミニウム合金ロウト材の画像に対しても同様の処理を行うことで、アルミニウム合金ロウト材特有のパラメータのライブラリを作成することができる。図６に示す鋳造アルミニウム合金の例示的な画像からわかるように、このような鋳造アルミニウム合金材料は、鋭く規定された角度などの視覚的に認識できる特徴を備えている。図７に示すアルミニウム合金押出材の例示的な画像から分かるように、このようなアルミニウム合金押出材は、丸みを帯びた角やハンマーテクスチャなどの視覚的に認識できる特徴を備えている。図８に示すロウトアルミニウム合金の例示的な画像からわかるように、このようなロウトアルミニウム合金材料は、材料の折り曲げや、鋳造および押出成形で存在するものよりも滑らかな質感など、視覚的に認識できる特徴を備えている。

本開示の実施形態は、図６～図８に示される材料に限定されない。視覚システムによって分類される材料のタイプごとに、そのタイプの材料の任意の数の例示的な材料片が視覚システムによって通過され得る。捕捉された感知情報が入力データとして与えられると、機械学習システム内のアルゴリズムはＮ個の分類器を使用し、それぞれがＮ個の異なる材料タイプ、クラス、またはフラクションの１つをテストし得る。機械学習システムは、ＭＳＷ内で見つかる材料のタイプ、クラス、フラクション、またはその化学組成が視覚的に識別可能な特徴をもたらすその他の材料を含む、材料のあらゆるタイプ、クラス、またはフラクションを検出するように「教育」（訓練）され得ることに留意されたい。

アルゴリズム内のパラメータが確立され、機械学習システムが材料分類の違い（例えば、視覚的に認識できる違い）を（例えば、ユーザ定義の統計的信頼レベル内で）十分に学習（訓練）した後、次いで、異なる材料分類のライブラリは、材料片の混合物から材料片を識別および／または分類するために使用される材料分類および／または分別システム（例えば、システム１００）に実装され、次に、分別が実行される場合（例えば、特定の骨材の化学組成を生成するため）、そのような分類された材料片を分別する。

機械学習システムを構築、最適化、利用するための技術は、関連文献に記載されているように当業者には既知である。このような文献の例には、次の出版物、すなわち、Ｋｒｉｚｈｅｖｓｋｙ他、「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」、第２５回神経情報処理システム国際会議議事録、２０１２年１２月３～６日、ネバダ州レイクタホ、およびＬｅＣｕｎ他、「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」、ＩＥＥＥ論文集、電気電子学会（ＩＥＥＥ）、１９９８年１１月、が含まれ、これらは両方とも、その全体が参照により本明細書に組み込まれる。

例示的な技術では、特定の材料に関してセンサおよび／または視覚システムによって捕捉されたデータは、データ処理システム（例えば、機械学習システムを実装する（構成された）図１１のデータ処理システム３４００）内でデータ値の配列として処理され得る。例えば、データは、特定の材料片に関してデジタルカメラまたは他のタイプのセンサシステムによって捕捉され、データ値の配列（例えば、画像データパケット）として処理されるスペクトルデータであってもよい。各データ値は、単一の数値で表すことも、値を表す一連の数値として表すこともできる。これらの値は、ニューロンの重みパラメータで乗算されてもよく（例えば、ニューラルネットワークを使用して）、バイアスが追加されてもよい。これはニューロンの非線形性に影響を与え得る。ニューロンによって出力された結果の数値は、この出力に後続のニューロンの重み値を乗算し、任意選択でバイアスを追加し、再びニューロンの非線形性に影響を与えることで、値と同じように扱うことができる。このような処理の各反復は、ニューラルネットワークの「層」として知られている。最終層の最終出力は、材料片に関連する捕捉されたデータ内に材料が存在するか存在しないかの確率として解釈され得る。このような処理の例は、前述の参考文献「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」と「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」の両方で詳しく説明されている。

ニューラルネットワークが最終層（「分類層」）として実装される本開示の特定の実施形態によれば、ニューロンの出力の最終セットは、材料片が捕捉されたデータに関連付けられている可能性を表すように訓練される。動作中、材料片が捕捉されたデータに関連付けられている可能性がユーザ指定の閾値を超えている場合、材料片が捕捉されたデータに実際に関連付けられていると判定される。これらの技術を拡張して、特定の捕捉されたデータに関連付けられたあるタイプの材料の存在だけでなく、特定の捕捉されたデータのサブ領域が１つのタイプの材料に属するか、または別のタイプの材料に属するかを判定することもできる。この処理はセグメンテーションとして知られており、「完全畳み込み」ニューラルネットワークとして知られるニューラルネットワークや、完全に畳み込みではないにしても畳み込み部分を含む（すなわち、部分的に畳み込みである）ネットワークなど、ニューラルネットワークを使用する技術が文献に存在する。これにより、材料の位置およびサイズを判定できるようになる。

本開示は機械学習技術にのみ限定されるものではないことを理解されたい。材料の分類／識別のための他の一般的な手法も使用できる。例えば、センサシステムは、マルチスペクトルカメラまたはハイパースペクトルカメラを使用した分光分析技術を利用して、材料のスペクトル放射（すなわち、スペクトル撮像）を調べることによってあるタイプ、クラス、またはフラクションの材料の存在または不在を示す信号を提供し得る。テンプレートマッチングアルゴリズムでは材料片のスペクトル画像も使用される場合があり、このアルゴリズムでは、スペクトル画像のデータベースが取得されたスペクトル画像と比較され、そのデータベースから特定のタイプの材料の有無が検出される。捕捉されたスペクトル画像のヒストグラムをヒストグラムのデータベースと比較することもできる。同様に、バッグオブワードモデルをスケール不変特徴変換（「ＳＩＦＴ」）などの特徴抽出技術とともに使用して、捕捉されたスペクトル画像とデータベース内のものの間で抽出された特徴を比較することもできる。

したがって、本明細書に開示されているように、本開示の特定の実施形態は、どの材料片をコンベヤシステムから方向転換する（つまり、分別する）必要があるかを定義されたグループ（例えば、１つまたは複数の所定の特定の骨材の化学組成に従って）に判定するために材料の１つまたは複数の異なるタイプ、クラス、またはフラクションの識別／分類を提供する。特定の実施形態によれば、機械学習技術は、材料の様々な１つまたは複数の異なるタイプ、クラス、またはフラクションを識別するためにニューラルネットワークを訓練する（すなわち、構成する）ために利用される。材料（例えば、コンベアシステム上を移動するもの）からスペクトル画像やその他のタイプの感知情報が捕捉され、そしてそのような材料の識別／分類に基づいて、本明細書に記載のシステムは、どの材料片をコンベヤシステム上に残しておき、どの材料片をコンベヤシステムから方向転換／除去すべきかを判定することができる（例えば、収集容器に入れるか、別のコンベヤシステムに方向転換するかのいずれか）。

本開示の特定の実施形態によれば、既存の設備（例えば、システム１００）用の機械学習システムは、現在のニューラルネットワークパラメータのセットを新しいニューラルネットワークパラメータのセットに置き換えることによって、材料の新しいタイプ、クラス、またはフラクションの特性を識別／分類するために動的に再構成され得る。

ここで言及すべき点は、本開示の特定の実施形態によれば、材料片の検出／捕捉された特徴／特性（例えば、スペクトル画像）は、必ずしも単に特に識別可能（ｉｄｅｎｔｉｆｉａｂｌｅ）または識別可能（ｄｉｓｃｅｒｎｉｂｌｅ）な物理的特性である必要はなく、それらは、数学的にのみ表現できる抽象的な公式である場合もあれば、まったく数学的に表現できない場合もあり、それにもかかわらず、機械学習システムは、スペクトルデータを解析して、訓練段階で制御サンプルを分類できるパターンを探すように構成され得るということである。さらに、機械学習システムは、材料片の捕捉された情報（例えば、スペクトル画像など）のサブセクションを取得し、事前に定義された分類間の相関関係を見つけようとし得る。

本開示の特定の実施形態によれば、材料片の制御サンプルが視覚システムおよび／またはセンサシステムによって渡される訓練段階を利用する代わりに、機械学習システムの訓練は、ラベル付け／注釈技術を利用して実行でき、これにより、材料片のデータ／情報が視覚／センサシステムによって捕捉されるため、ユーザは材料片の混合物内で材料片を分類する際に機械学習システムが使用するライブラリの作成に使用される、各材料片を識別するラベルまたは注釈を入力する。

本開示の特定の実施形態によれば、本明細書に開示されるセンサシステム１２０のいずれかによって出力される任意の感知された特性は、材料を分類および／または分別するために機械学習システムに入力され得る。例えば、教師あり学習を実装する機械学習システムでは、特定のタイプまたは材料の組成（例えば、特定の金属合金）を一意に特徴付けるセンサシステム１２０の出力を、機械学習システムを訓練するために使用することができる。

図９は、本開示の特定の実施形態による、視覚システム１１０および／または１つまたは複数のセンサシステム１２０を利用して材料片を分類／分別する処理３５００の例示的な実施形態を示すフローチャート図を示す。処理３５００は、所定の特定の骨材の化学組成を生成することを含めて、材料片の混合物を所定のタイプ、クラス、および／またはフラクションの任意の組み合わせに分類するために実行され得る。処理３５００は、図１のシステム１００を含む、本明細書に記載される本開示の任意の実施形態内で動作するように構成され得る。さらに説明するように、処理３５００は、図４のシステムおよび処理４００内で利用することができる。処理３５００の動作は、システム（例えば、図１のコンピュータシステム１０７、視覚システム１１０、および／またはセンサシステム１２０）を制御するコンピュータシステム（例えば、図１１のコンピュータシステム３４００）内を含むハードウェアおよび／またはソフトウェアによって実行され得る。

処理ブロック３５０１では、材料片１０１は、コンベヤシステム１０３上に堆積され得る。処理ブロック３５０２では、各材料片１０１がシステム１００を通って移動する際の各材料片１０１を追跡するために、各材料片１０１のコンベヤシステム１０３上の位置が検出される。これは、視覚システム１１０によって（例えば、コンベヤシステム位置検出器（例えば、位置検出器１０５）と通信しながら、下にあるコンベヤシステム材料から材料片１０１を区別することによって）実行され得る。代替的に、材料片１０１を追跡するために材料追跡装置１１１を使用することもできる。または、光源（可視光、ＵＶ、およびＩＲを含むがこれらに限定されない）を生成でき、対応する検出器を備えたいかなるシステムも材料片１０１を追跡するために使用することができる。処理ブロック３５０３では、材料片１０１が視覚システム１１０および／またはセンサシステム１２０のうちの１つまたは複数の近くを移動すると、材料片１０１の感知された情報／特性が捕捉／取得される。処理ブロック３５０４では、前述したような視覚システム（例えば、コンピュータシステム１０７内に実装される）は、捕捉された情報の前処理を実行してもよく、捕捉された情報を利用して材料片１０１のそれぞれの情報を検出（抽出）することができる（例えば、背景（例えば、ベルトコンベア１０３）から；言い換えれば、材料片１０１と背景との違いを識別するために前処理が利用され得る）。拡張、閾値処理、輪郭化などのよく知られた画像処理技術を利用して、材料片１０１を背景から区別できるものとして識別することができる。処理ブロック３５０５では、セグメンテーションが実行され得る。例えば、捕捉された情報には、１つまたは複数の材料片１０１に関する情報が含まれ得る。さらに、画像が捕捉されるときに、特定の材料片１０１がコンベアベルト１０３の継ぎ目に位置する可能性がある。したがって、このような場合には、画像の背景から個々の材料片１０１の画像を分離することが望ましい場合がある。処理ブロック３５０５の例示的な技術では、第１のステップは、画像の高コントラストを適用することであり、このようにして、背景ピクセルは実質的にすべて黒色のピクセルに減らされ、材料片１０１に関する少なくとも一部のピクセルは実質的にすべて白色のピクセルにまで明るくされる。材料片１０１の白い画像ピクセルは、材料片１０１全体のサイズをカバーするように拡張される。このステップを完了すると、材料片１０１の位置は、黒い背景にすべて白いピクセルが配置された高コントラストの画像になる。次に、材料片１０１の境界を検出するために輪郭アルゴリズムが利用され得る。境界情報が保存され、境界位置が元の画像に転送される。次に、元の画像の、以前に定義した境界よりも大きい領域でセグメンテーションが実行される。このようにして、材料片１０１が識別され、背景から分離される。

任意選択の処理ブロック３５０６では、材料片１０１は、材料片１０１のサイズおよび／または形状を決定するために、材料追跡測定装置１１１および／またはセンサシステム１２０の近くでコンベアシステム１０３に沿って搬送されてもよい。このような材料追跡および測定デバイス１１１は、システムが各材料片のおおよその質量を計算（判定）できるように、各材料片の１つまたは複数の寸法を測定するように構成され得る。処理ブロック３５０７では、後処理が実行され得る。後処理には、機械学習システムでの使用に備えて、捕捉された情報／データのサイズ変更が含まれ得る。この後処理には、材料片１０１を分類する機械学習システムの機能を強化する方法で、特定の特性を変更する（例えば、画像のコントラストを強化する、画像の背景を変更する、フィルタを適用するなど）ことも含まれ得る。処理ブロック３５０９では、データのサイズが変更され得る。特定の状況下では、ニューラルネットワークなどの特定の機械学習システムのデータ入力要件に合わせてデータのサイズ変更が望まれる場合がある。例えば、ニューラルネットワークでは、一般的なデジタルカメラで捕捉された画像のサイズよりもはるかに小さい画像データサイズ（例えば、２２５×２５５ピクセルまたは２９９×２９９ピクセル）が必要な場合がある。さらに、入力データのサイズが小さいほど、分類の実行に必要な処理時間は短くなる。したがって、データサイズが小さいほど、システム１００のスループットが向上し、その価値が増大し得る。

処理ブロック３５１０および３５１１では、各材料片１０１が感知／検出された特徴に基づいて識別／分類される。例えば、処理ブロック３５１０は、抽出された特徴を、以前に生成された知識ベース（例えば、訓練段階中に生成された）に格納された特徴と比較する、１つまたは複数の機械学習アルゴリズムを使用するニューラルネットワークで構成されていてもよく、そして、そのような比較に基づいて、最も一致する分類を材料片１０１のそれぞれに割り当てる。機械学習システムのアルゴリズムは、自動的に訓練されたフィルタを使用して、捕捉された情報／データを階層的に処理してもよい。フィルタ応答は、最終ステップで確率が得られるまで、アルゴリズムの次のレベルで正常に結合される。処理ブロック３５１１では、これらの確率をＮ個の分類のそれぞれに対して使用して、それぞれの材料片１０１をＮ個の分別容器のどれに分別するべきかを判定することができる。Ｎ個の分類のそれぞれは、Ｎ個の異なる所定の特定の骨材の化学組成に関連し得る。例えば、Ｎ個の分類のそれぞれを１つの分別容器に割り当てることができ、検討中の材料片１０１は、事前に定義された閾値より大きい確率を返す分類に対応するその容器に分別される。本開示の実施形態では、そのような所定の閾値は、ユーザによって事前設定されてもよい。いずれの確率も所定の閾値よりも大きくない場合、特定の材料片１０１は外れ値容器（例えば、分別容器１４０）に分類されてもよい。

次に、処理ブロック３５１２において、材料片１０１の分類に対応して分別装置１２６…１２９が起動される。材料片１０１の画像が捕捉された時刻と分別装置１２６…１２９が作動する時刻との間に、材料片１０１が視覚システム１１０および／またはセンサシステム１２０の近くからコンベヤシステム１０３の下流の位置に移動した（例えば、コンベヤシステムの搬送速度で）。本開示の実施形態では、分別装置１２６…１２９の起動は、材料片１０１がその材料片１０１の分類にマッピングされた分別装置１２６…１２９を通過するときに分別装置１２６…１２９が起動し、材料片１０１がコンベヤシステム１０３から関連する分別容器１３６…１３９に方向転換／排出されるようにタイミング調整される。本開示の実施形態では、分別装置１２６…１２９の起動は、材料片１０１が分別装置１２６…１２９の前を通過するときを検出し、分別装置１２６…１２９の起動を可能にする信号を送信するそれぞれの位置検出器によってタイミング調整され得る。処理ブロック３５１３では、起動された分別装置１２６…１２９に対応する分別容器１３６…１３９が、方向転換／排出された材料片１０１を受け取る。

図１０は、本開示の特定の実施形態による、材料片１０１を分類／分別するための処理１０００の例示的な実施形態を示すフローチャート図を示す。処理１０００は、図１のシステム１００を含む、本明細書に記載される本開示の任意の実施形態内で動作するように構成され得る。さらに説明するように、処理１０００は、図４のシステムおよび処理４００内で利用することができる。

処理１０００は、処理３５００と連携して動作するように構成されてもよい。例えば、本開示の特定の実施形態によれば、処理ブロック１００３および１００４は、図４のシステムおよび方法４００によるものを含む、材料片１０１を分類および／または分別するために機械学習システムと組み合わせて実装されないセンサシステム（例えば、センサシステム１２０）を備えた機械学習システムと組み合わせて実装される視覚システム１１０の取り組みを組み合わせるために、処理３５００に組み込むことができる（例えば、処理ブロック３５０３～３５１０と直列または並列に動作する）。

処理１０００の動作は、システム１００（例えば、図１のコンピュータシステム１０７）の様々な態様を制御するコンピュータシステム（例えば、図１１のコンピュータシステム３４００）内を含むハードウェアおよび／またはソフトウェアによって実行され得る。処理ブロック１００１では、コンベヤシステム１０３上に材料片１０１を堆積することができる。次に、任意選択の処理ブロック１００２において、材料片１０１は、各材料片を追跡し、および／または材料片１０１のサイズおよび／または形状を判定するために、材料追跡測定装置１１１および／または光学画像システムの近傍内でコンベヤシステム１０３に沿って搬送され得る。このような材料追跡および測定デバイス１１１は、システムが各材料片のおおよその質量を計算（判定）できるように、各材料片の１つまたは複数の寸法を測定するように構成され得る。処理ブロック１００３では、材料片１０１がセンサシステム１２０の近くを移動すると、材料片１０１は、ＥＭエネルギー（波）またはセンサシステム１２０で利用される特定のタイプのセンサ技術に適したその他のタイプの刺激で調べられるか、刺激され得る。処理ブロック１００４では、材料片１０１の物理的特性がセンサシステム１２０によって感知／検出され、捕捉される。処理ブロック１００５では、材料片１０１の少なくとも一部について、材料のタイプは、捕捉された特性に基づいて（少なくとも部分的に）識別／分類され、視覚システム１１０と連携した機械学習システムによる分類と組み合わせることができる（例えば、処理３５００と組み合わせて実行される場合）。

次に、材料片１０１の分別が実行される場合、処理ブロック１００６において、材料片１０１の分類に対応する分別装置１２６…１２９が起動される。材料片を感知してから分別装置１２６…１２９が起動されるまでの間に、材料片１０１は、コンベアシステムの搬送速度で、センサシステム１２０の近くからコンベアシステム１０３の下流の位置に移動した。本開示の特定の実施形態では、分別装置１２６…１２９の起動は、材料片１０１が材料片１０１の分類にマッピングされた分別装置１２６…１２９を通過すると、分別装置１２６…１２９が起動され、材料片１０１がコンベヤシステム１０３からその関連する分別容器１３６…１３９に方向転換／排出されるようにタイミング調整される。本開示の特定の実施形態では、分別装置１２６…１２９の起動は、材料片１０１が分別装置１２６…１２９の前を通過するときを検出し、分別装置１２６…１２９の起動を可能にする信号を送信するそれぞれの位置検出器によってタイミング調整され得る。処理ブロック１００７では、起動した分別装置１２６…１２９に対応する分別容器１３６…１３９が、方向転換／排出された材料片を受け取る。

本開示の様々な実施形態によれば、異なるタイプまたはクラスの材料は、それぞれ機械学習システムで使用するための異なるタイプのセンサによって分類されてもよく、スクラップまたは廃棄物の流れの中の材料片を分類するために組み合わせられる。

本開示の様々な実施形態によれば、２つ以上のセンサからのデータ（例えば、スペクトルデータ）は、材料片の分類を実行するために、単一または複数の機械学習システムを使用して組み合わせることができる。

本開示の様々な実施形態によれば、複数のセンサシステムを単一のコンベヤシステムに取り付けることができ、各センサシステムは異なる機械学習システムを利用することができる。本開示の様々な実施形態によれば、複数のセンサシステムを異なるコンベヤシステムに取り付けることができ、各センサシステムは異なる機械学習システムを利用することができる。

本開示の実施形態によれば、システム１００は、（例えば、図４のシステムおよび方法４００に従って）集合体において特定の化学組成（すなわち、所定の特定の骨材の化学組成）を有する分別された材料の集合を出力するように構成され得る。言い換えれば、そのような分別された材料の集合が、単一の物体または塊に結合された場合、または少なくとも理論的に結合できた場合（例えば、一緒に溶けたり、溶液に混合されたり）、そのような特異な物体または塊は、特定の化学組成を持つことになる。さらに、本開示の実施形態は、システム１００に供給される任意の個々の材料片内には存在しない特定の化学組成を有する材料の集合を出力するように構成することができる。

非限定的な例は、アルミニウム、シリコン、マグネシウム、鉄、マンガン、銅、亜鉛の特定の重量パーセント（重量％）の所定の（例えば、システム１００のユーザによって設計された）組み合わせに従った化学組成を有するアルミニウム合金の製造であろう。システム１００に供給するように入手可能なアルミニウム合金のスクラップ片は、図２の表に列挙されているものでよい。そして、そのような入手可能なアルミニウム合金スクラップ片の分別から、図３の表に列挙されたものと実質的に同等の化学組成を有するアルミニウム合金を製造することが望ましい場合がある。ただし、システム１００は、図２の表に列挙されたアルミニウム合金のそれぞれを区別するように（すなわち、処理１０００および３５００のいずれかまたは両方に従ってアルミニウム合金片１０１のそれぞれを分類することによって）構成することができるとしても、これらのアルミニウム合金はどれも、図３の表に列挙されている化学組成と同等の化学組成を持っていない。したがって、図２の表に列挙されているいずれかのアルミニウム合金からなるスクラップ片を分別しても、全体として図３の表に列挙されている化学組成と同等の化学組成を有するアルミニウム合金スクラップ片の集合体は得られない。

しかしながら、本開示の実施形態は、図３の表に列挙された化学組成と同等、または少なくとも実質的に同等の骨材の化学組成を有するアルミニウム合金スクラップ片の集合を生成するように構成することができる。これは、出力のために、骨材の化学組成（本明細書では所定の特定の骨材の化学組成とも呼ばれる）が得られる比率で、図２のアルミニウム合金の複数のスクラップ片の組み合わせを分類、選択、および分別するために、視覚システム１１０および／またはセンサシステム１２０のうちの１つまたは複数を利用することによって達成される。

個々のアルミニウム合金スクラップ片は、異なるサイズ、したがって異なる質量を有し得るため、材料追跡および測定装置１１１を利用して、各アルミニウム合金スクラップ片の質量を推定することができる。例えば、材料追跡および測定装置１１１によって測定された各スクラップ片のサイズをシステム１００が利用して、各スクラップ片の質量、または少なくとも近似質量を判定（計算）することができる。システム１００は、各スクラップ片を図２の表に列挙された複数のアルミニウム合金のうちの１つに属するものとして認識して分類するように構成されており、異なるアルミニウム合金のそれぞれの特定の化学組成が既知であるため、システム１００は、この情報を各スクラップ片の判定されたサイズとともに使用して、各アルミニウム合金スクラップ片内に含まれる異なる化学元素のそれぞれの質量、または少なくともおおよその質量を判定（計算）することができる。

骨材の化学組成を有するアルミニウム合金スクラップ片の集合体を生成するべく、システム１００は、組み合わせたときに、分別されたアルミニウム合金スクラップ片の組み合わされた塊の骨材の化学組成を達成する、システム１００に供給されたアルミニウム合金スクラップ片を分別するために、次いで分類および選択するように構成されている。換言すれば、システム１００によって分別され出力されたアルミニウム合金スクラップ片の組み合わされた塊が互いに溶解した場合（ある時点で溶解する可能性が高い）、得られた溶融物は、骨材の化学組成を有するか、または所望の精度閾値内で少なくとも実質的に骨材の化学組成に近いものとなる。

したがって、システム１００は、各アルミニウム合金スクラップ片が分別された集合体に追加されるときに、骨材の化学組成内の各化学元素の個々の質量への寄与を実行ベースで計算するように構成されていてもよく、これにより、システム１００は、分類された次のアルミニウム合金スクラップ片を集合体に追加すべきか否かを判定できる（すなわち、アルミニウム合金スクラップ片の混合物から分別する）。

図４は、所定の特定の骨材の化学組成を有する材料片の集合体を生成するために本開示の実施形態に従って構成されたシステムおよび処理４００のフローチャートブロック図を示す。システムおよび処理４００は、システム１００内で（例えば、コンピュータシステム１０７によって）実行されるコンピュータプログラム（または他のタイプのアルゴリズム）として実装され得る。システムおよび処理４００は、図９のシステムおよび処理３５００、および／または図１０のシステムおよび処理１０００の態様と併せて実行され得る。

処理ブロック４０１において、システム１００は、システム１００内の分別装置１２６…１２９のうちの１つの出力において生成されることが望ましい所定の特定の骨材の化学組成を受け取るか、または入力される。処理ブロック４０２において、各材料片１０１が材料追跡および測定装置１１１を通過して搬送されると、材料追跡および測定装置１１１は、本明細書に記載されるように材料片１０１のそれぞれのサイズおよび／または形状を判定することになる。処理ブロック４０３では、本明細書に記載される方法で、視覚システム１１０および／または１つまたは複数のセンサシステム１２０によって材料片１０１のそれぞれに分類が割り当てられる（例えば、図９および図１０を参照）。処理ブロック４０４において、システム１００は、分類された材料片１０１のそれぞれの化学組成を判定することになる。これは、ＸＲＦまたはＬＩＢＳシステムなど、特定の材料片内の様々な化学元素の重量パーセントを測定および判定することができる１つまたは複数のセンサシステム１２０を使用して直接判定することができる。あるいは、分類された材料片１０１のそれぞれの化学組成は、材料片１０１の分類の結果として推測されるなど、間接的に判定されてもよい。例えば、システム１００に供給される材料片１０１の様々な異なるクラスまたはタイプが既知である場合（例えば、図２に関して前述したように）、次に、材料片１０１の各クラスまたはタイプの特定の化学組成をシステム１００に入力することができ（例えば、データベースに保存する）、そして、特定の材料片１０１が（例えば、視覚システム１１０および／または１つまたは複数のセンサシステム１２０によって）分類されると、その特定の化学組成がその判定された分類と一致する（何らかの方法で関連付けられる）。さらに、処理ブロック４０４において、材料片１０１のそれぞれの質量は、以前に判定されたサイズおよび／または形状に基づいて概算することができ、その結果、材料片内の各化学元素のおおよその質量を判定することができる。これは、様々な既知のタイプまたはクラスの材料片の化学元素の相対質量が既知であり、既知の化学組成と同様の方法でシステム１００に事前に入力できるため、達成することができる。

処理ブロック４０５において、システム１００は、所定の特定の骨材の化学組成を達成するために、判定された化学組成および質量に基づいて材料片１０１のそれぞれを分別する。例えば、システム１００は、これらの材料片１０１のそれぞれを、所定の分別装置（例えば、分別装置１２６）によって所定の容器（例えば、容器１３６）に分別する（例えば、方向転換する）ように構成され得る。材料片１０１の残りは容器１４０に集められてもよく、または、システム１００は、材料片１０１のうちの特定のものを別の容器（例えば、容器１３７）に分別して、第２の（例えば、異なる）所定の特定の骨材の化学組成を達成するように構成されてもよい。代替的に、システム１００は、残りの材料片１０１を２つの異なる分類（例えば、ロウトアルミニウム、押出アルミニウム、および／または鋳造アルミニウム）に分別するなど、任意の他のタイプの所望の分類に基づいて残りの材料片１０１を分別するように構成されてもよい。処理ブロック４０６では、特定の骨材の化学組成を達成するための分別された材料片１０１が、所定の容器（例えば、容器１３６）に集められる。

処理ブロック４０２～４０６は、特定の骨材の化学組成を達成するために、特定の精度閾値内で特定の骨材の化学組成を達成するために、または、所望の（所定の）収集された材料塊の特定の骨材の化学組成を達成するため（容器に方向転換された材料の数を数えることによって決定され得る）、必要に応じて繰り返され得る。例えば、各材料が分別されているので、システムは、収集された材料片の骨材の化学組成を継続的に判定（すなわち更新）することができ、更新された骨材の化学組成が所定の特定の骨材の化学組成の閾値レベル内になるまで分別を継続する。各材料片が分類されているので、システムは、例えば、その材料片が、すでに分別され収集された材料片内の特定の化学元素の総重量パーセンテージを増加させるか減少させるかなど、その材料片を収集に参加させるために方向転換するかどうかを判定する。さらに、システムは、そのような材料片には、所定の特定の化学組成内に含まれることが望ましくない汚染物質が含まれるので（例えば、ボルトなどの鉄含有材料を含むロウトアルミニウム合金片）、特定の材料片を集合体に方向転換しないように構成されていてもよい。代替的に、特定の汚染物質を含む材料片を除去するために他のシステムを実装することもできる。

材料追跡および測定装置１１１は、周知の一次元または二次元ラインスキャナであってもよい。一次元ラインスキャナの場合、各材料片の進行方向に沿った長さを測定する。大部分の材料片の長さと幅がほぼ等しいと仮定できる場合、そのような長さの測定値を利用して各材料片の質量を概算できる。２次元ラインスキャナを利用する場合、各材料片の長さと幅の両方を測定して、質量を判定することができる。

代替的に、１つまたは複数のカメラを周知の方法で利用して、各材料片を撮像し、各材料片のおおよその寸法を判定することもできる。このようなカメラは、分別装置の前のコンベアベルトの近くに配置することも、分別装置の下流に配置して、分別された材料片のみを撮像しておおよその質量を判定することもできる。

材料片の十分な大部分がすべてほぼ同じサイズおよび質量であると仮定できる場合、各片の質量を判定するためのそのような実装は省略できる。

代替的に、方向転換された材料片を収集する容器を、収集された材料片の重量を継続的に計量する重量計の上に配置することもでき、これにより、材料片が容器内で分別され収集されるときに、各材料片のおおよその重量とその結果の質量が得られる。これらの質量は、本明細書に記載されるシステムおよび処理４００で利用することができる。

本開示の特定の実施形態によれば、システム１００の複数の少なくとも一部は、分別の複数の反復または層を実行するために連続して一緒に連携され得る。例えば、このように２つ以上のシステム１００が連携する場合、コンベヤシステムは、材料片を分別機（例えば、第１の自動制御システム１０８および関連する１つまたは複数の分別装置１２６…１２９）によって材料の混合物の第１のセットの材料片を１つまたは複数の容器の第１のセット（例えば、分別容器１３６…１３９）に分別するように構成された第１の視覚システム（および特定の実施形態によれば、センサシステム）を通過させて搬送し、次に、材料片を、第２の分別機によって材料の混合物の第２のセットの材料片を１つまたは複数の分別容器の第２のセットに分別するように構成された第２の視覚システム（および特定の実施形態によれば、別のセンサシステム）を通過させて搬送する、単一のコンベヤベルトまたは複数のコンベヤベルトで実装できる。このような多段階分別のさらなる議論は、参照により本明細書に組み込まれる米国公開特許出願第２０２２／００１６６７５号に記載されている。

このような一連のシステム１００は、そのような方法で相互に連携された任意の数のそのようなシステムを含むことができる。本開示の特定の実施形態によれば、連続する各視覚システムまたはセンサシステムは、前の視覚システムまたはセンサシステムとは異なる材料を分別するように構成でき、最終的には、所定の特定の骨材の化学組成を有する材料片の集合が生成される。

ここで図１１を参照すると、本開示の実施形態の態様が実装され得るデータ処理（「コンピュータ」）システム３４００を示すブロック図が示されている。（「コンピュータ」、「システム」、「コンピュータシステム」、および「データ処理システム」という用語は、本明細書では同じ意味で使用される場合がある）。コンピュータシステム１０７、自動制御システム１０８、センサシステム１２０の態様、および／または視覚システム１１０は、コンピュータシステム３４００と同様に構成され得る。コンピュータシステム３４００は、ローカルバス３４０５を使用することができる。とりわけ、ペリフェラルコンポーネントインターコネクト（「ＰＣＩ」）ローカルバスアーキテクチャ、アクセラレーテッドグラフィックスポート（「ＡＧＰ」）アーキテクチャ、または業界標準アーキテクチャ（「ＩＳＡ」）など、任意の適切なバスアーキテクチャを利用することができる。１つまたは複数のプロセッサ３４１５、揮発性メモリ３４２０、および不揮発性メモリ３４３５が、（例えば、ＰＣＩブリッジ（図示せず）を介して）ローカルバス３４０５に接続され得る。統合されたメモリコントローラおよびキャッシュメモリが、１つまたは複数のプロセッサ３４１５に結合され得る。１つまたは複数のプロセッサ３４１５は、１つまたは複数の中央プロセッサユニットおよび／または１つまたは複数のグラフィックスプロセッサユニット３４０１および／または１つまたは複数のテンソル処理ユニットを含み得る。ローカルバス３４０５への追加接続は、構成要素の直接相互接続またはアドインボードを通じて行うことができる。図示の例では、通信（例えば、ネットワーク（ＬＡＮ））アダプタ３４２５、Ｉ／Ｏ（例えば、小型コンピュータシステムインターフェース（「ＳＣＳＩ」）ホストバス）アダプタ３４３０、および拡張バスインターフェース（図示せず）は、構成要素直接接続によってローカルバス３４０５に接続され得る。オーディオアダプタ（図示せず）、グラフィックスアダプタ（図示せず）、およびディスプレイアダプタ３４１６（ディスプレイ３４４０に結合された）は、（例えば、拡張スロットに挿入されたアドインボードによって）ローカルバス３４０５に接続され得る。

ユーザインターフェースアダプタ３４１２は、キーボード３４１３およびマウス３４１４、モデム／ルータ（図示せず）、および追加のメモリ（図示せず）の接続を提供することができる。Ｉ／Ｏアダプタ３４３０は、ハードディスクドライブ３４３１、ソリッドステートドライブ３４３２、およびＣＤ－ＲＯＭドライブ（図示せず）への接続を提供することができる。

オペレーティングシステムが、１つまたは複数のプロセッサ３４１５上で実行され、コンピュータシステム３４００内の様々な構成要素を調整および制御するために使用され得る。図１１では、オペレーティングシステムは市販のオペレーティングシステムであってもよい。オペレーティングシステムと連携してオブジェクト指向プログラミングシステム（例えば、Ｊａｖａ、Ｐｙｔｈｏｎなど）が実行でき、システム３４００上で実行されているプログラム（例えば、Ｊａｖａ、Ｐｙｔｈｏｎなど）からオペレーティングシステムへの呼び出しを提供する。オペレーティングシステム、オブジェクト指向オペレーティングシステム、およびプログラムのための命令は、ハードディスクドライブ３４３１またはソリッドステートドライブ３４３２などの不揮発性メモリ３４３５記憶装置上に配置されてもよいし、プロセッサ３４１５による実行のために揮発性メモリ３４２０にロードされてもよい。

当業者であれば、図１１のハードウェアが実装に応じて変わり得ることを理解するであろう。図１１に示すハードウェアに加えて、またはその代わりに、フラッシュＲＯＭ（または同等の不揮発性メモリ）または光ディスクドライブなどの他の内部ハードウェアまたは周辺装置を使用することもできる。また、本開示の処理のいずれも、マルチプロセッサコンピュータシステムに適用されてもよいし、複数のそのようなシステム３４００によって実行されてもよい。例えば、機械学習システムの訓練が第１のコンピュータシステム３４００によって実行され得る一方、分別のためのシステム１００の動作は第２のコンピュータシステム３４００によって実行され得る。

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

図１１に示されている例と上記の例は、アーキテクチャ上の制限を示唆するものではない。さらに、本開示の態様のコンピュータプログラム形式は、コンピュータシステムによって使用される任意のコンピュータ可読記憶媒体（すなわち、フロッピーディスク、コンパクトディスク、ハードディスク、テープ、ＲＯＭ、ＲＡＭなど）上に常駐することができる。

本明細書で説明したように、本開示の実施形態は、材料片を識別、追跡、分類、および／または分別するために説明された様々な機能を実行するように実装され得る。このような機能は、１つまたは複数のデータ処理システム（例えば、図１１のデータ処理システム３４００）内など、前述のコンピュータシステム１０７、視覚システム１１０、センサシステム１２０の態様、および／または自動制御システム１０８など、ハードウェアおよび／またはソフトウェア内に実装できる。ただし、本明細書で説明する機能は、特定のハードウェア／ソフトウェアプラットフォームへの実装に限定されるものではない。

当業者には理解されるように、本開示の態様は、システム、処理、方法、および／またはコンピュータプログラム製品として具体化され得る。したがって、本開示の様々な態様は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、または、本明細書では一般に「回路（ｃｉｒｃｕｉｔ）」、「回路（ｃｉｒｃｕｉｔｒｙ）」、「モジュール」、または「システム」と呼ばれる、ソフトウェアおよびハードウェアの態様を組み合わせた実施形態の形態を取り得る。さらに、本開示の態様は、コンピュータ可読プログラムコードが組み込まれた１つまたは複数のコンピュータ可読記憶媒体に組み込まれたコンピュータプログラム製品の形態をとってもよい。（ただし、１つまたは複数のコンピュータ可読媒体の任意の組み合わせを利用することもできる。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であってもよい。）

コンピュータ可読記憶媒体は、例えば、電子、磁気、光学、電磁、赤外線、生物、原子、または半導体のシステム、装置、コントローラ、またはデバイス、あるいはそれらの任意の適切な組み合わせであってもよいが、これらに限定されず、コンピュータ可読記憶媒体それ自体は一時的な信号ではない。コンピュータ可読記憶媒体のより具体的な例（非網羅的なリスト）には、１つまたは複数のワイヤを有する電気接続、ポータブルコンピュータのディスケット、ハードディスク、固体メモリ、ランダムアクセスメモリ（「ＲＡＭ」）（例えば、図１１のＲＡＭ３４２０）、読み取り専用メモリ（「ＲＯＭ」）（例えば、図１１のＲＯＭ３４３５）、消去可能なプログラム可能な読み取り専用メモリ（「ＥＰＲＯＭ」またはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク読み取り専用メモリ（「ＣＤ－ＲＯＭ」）、光記憶装置、磁気記憶装置（例えば、図１１のハードドライブ３４３１）、または前述の任意の適切な組み合わせが含まれ得る。この文書の文脈において、コンピュータ可読記憶媒体とは、命令実行システム、装置、コントローラ、またはデバイスによって使用される、またはそれらに関連して使用されるプログラムを含むまたは記憶できる任意の有形媒体であってよい。コンピュータ可読信号媒体上に具現化されたプログラムコードは、無線、有線、光ファイバケーブル、ＲＦなどを含むがこれらに限定されない任意の適切な媒体、または前述のものの任意の適切な組み合わせを使用して送信され得る。

コンピュータ可読信号媒体は、例えばベースバンドまたは搬送波の一部として、その中に組み込まれたコンピュータ可読プログラムコードを有する伝播データ信号を含み得る。このような伝播データ信号は、電磁気、光、またはそれらの適切な組み合わせを含むがこれらに限定されない、様々な形式のいずれかを取り得る。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、装置、コントローラ、またはデバイスによって、またはそれらに関連して使用するためのプログラムを通信、伝播、または移送できる任意のコンピュータ可読媒体であってよい。

図中のフローチャートおよびブロック図は、本開示の様々な実施形態によるシステム、方法、処理、およびコンピュータプログラム製品の可能な実装のアーキテクチャ、機能性、および動作を示す。この点に関して、フローチャートまたはブロック図の各ブロックは、指定された論理機能を実装するための１つまたは複数の実行可能なプログラム命令を含む、コードのモジュール、セグメント、または一部を表し得る。また、実装によっては、ブロックに示されている機能が図に示されている順序と異なる順序で実行される可能性があることにも留意されたい。例えば、連続して示されている２つのブロックは、実際には、実質的に同時に実行されることもあれば、関係する機能に応じて、ブロックが逆の順序で実行されることもある。

本明細書の説明では、フローチャート化された技術は一連の連続した動作で説明される場合がある。動作の順序と動作を実行する当事者は、教示の範囲から逸脱することなく自由に変更できる。動作は、いくつかの方法で追加、削除、または変更できる。同様に、動作の順序を再変更したり、ループしたりすることもできる。さらに、処理、方法、アルゴリズムなどは連続した順序で説明される場合があるが、そのような処理、方法、アルゴリズム、またはそれらの任意の組み合わせは、別の順序で実行されるように動作可能であってもよい。さらに、処理、方法、またはアルゴリズム内の一部の動作は、少なくともある時点で同時に実行される場合があり（例えば、並行して実行される動作）、全体、一部、またはそれらの任意の組み合わせで実行することもできる。

様々なタイプのプロセッサ（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）によって実行されるソフトウェアで実装されるモジュールには、例えば、例えば、オブジェクト、プロシージャ、または関数として編成され得るコンピュータ命令の１つまたは複数の物理ブロックまたは論理ブロックが含まれ得る。ただし、識別されたモジュールの実行可能ファイルは物理的に一緒に配置されている必要はなく、異なる場所に格納されている異種の命令が含まれていてもよく、それらは論理的に結合されると、モジュールを組み込み、モジュールの指定された目的を達成する。実際、実行可能コードのモジュールは単一の命令である場合もあれば、多数の命令である場合もあり、複数の異なるコードセグメント、異なるプログラム間、および複数のメモリデバイスに分散される場合もある。同様に、運用データ（例えば、本明細書に記載される材料分類ライブラリ）は、本明細書においてモジュール内で識別および図示され得、任意の適切な形式で具体化され、任意の適切なタイプのデータ構造内で編成され得る。運用データは単一のデータセットとして収集されてもよいし、異なるストレージデバイスを含む異なる場所に分散されてもよい。データはシステムまたはネットワーク上に電子信号を提供してもよい。

これらのプログラム命令は、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサ（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）を介して実行される命令が、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実装するための回路または手段を作成するように、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置（例えば、コントローラ）の１つまたは複数のプロセッサおよび／またはコントローラに提供されて、マシンを生産することができる。特定の実施形態では、コンピュータプログラム命令は、所定の特定の骨材の化学組成を有する材料片の集合を生成するために、複数の材料片から材料片のうちの特定の材料片を分別するよう指示するために、分別装置に分別命令を送信するように構成され得る。

ブロック図および／またはフローチャート図の各ブロック、およびブロック図および／またはフローチャート図におけるブロックの組み合わせは、指定された機能または動作を実行する専用のハードウェアベースのシステム（例えば、１つまたは複数のグラフィックス処理ユニット（ＧＰＵ３４０１など）を含み得る）、または専用ハードウェアとコンピュータ命令の組み合わせによって実装できることにも留意されたい。例えば、モジュールは、カスタムＶＬＳＩ回路やゲートアレイ、論理チップなどの既製の半導体、トランジスタ、コントローラ、またはその他のディスクリート構成要素を含むハードウェア回路として実装できる。モジュールは、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイスなどのプログラマブルハードウェアデバイスで実装することもできる。

本開示の態様の動作を実行するためのコンピュータプログラムコード、すなわち命令は、Ｊａｖａ、Ｓｍａｌｌｔａｌｋ、Ｐｙｔｈｏｎ、Ｃ＋＋などのオブジェクト指向プログラミング言語、「Ｃ」プログラミング言語または同様のプログラミング言語、または本明細書で開示される機械学習ソフトウェアのいずれかなどの従来の手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組み合わせで記述できる。プログラムコードは、スタンドアロンソフトウェアパッケージとして完全にユーザのコンピュータシステム上で実行され、一部がユーザのコンピュータシステム上で実行され、一部がユーザのコンピュータシステム（例えば、分別に使用されるコンピュータシステム）上で実行され、一部がリモートコンピュータシステム（例えば、センサシステムの訓練に使用されるコンピュータシステムなど）上で実行され、または完全にリモートコンピュータシステムまたはサーバ上で実行されてもよい。後者のシナリオでは、リモートコンピュータシステムは、ローカルエリアネットワーク（「ＬＡＮ」）またはワイドエリアネットワーク（「ＷＡＮ」）を含むあらゆるタイプのネットワークを介してユーザのコンピュータシステムに接続することができ、または、外部コンピュータシステムに接続することもできる（例えば、インターネットサービスプロバイダを使用したインターネット経由で）。

これらのプログラム命令は、コンピュータ可読媒体に格納された命令が、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実装する命令を含む製品を生産するように、コンピュータシステム、他のプログラム可能なデータ処理装置、コントローラ、または他のデバイスを特定の方法で機能させることができるコンピュータ可読記憶媒体に格納することもできる。

様々な実装のデータを保存し、データへのアクセスを提供するために、ホストに１つまたは複数のデータベースを含めることができる。当業者であれば、セキュリティ上の理由から、本開示の任意のデータベース、システム、または構成要素は、単一の場所または複数の場所にあるデータベースまたは構成要素の任意の組み合わせを含んでもよく、各データベースまたはシステムは、ファイアウォール、アクセスコード、暗号化、復号化などの様々な適切なセキュリティ機能のいずれかを含んでもよいことも理解するであろう。データベースは、リレーショナル、階層型、オブジェクト指向などの任意のタイプのデータベースであり得る。データベースの実装に使用できる一般的なデータベース製品には、ＩＢＭのＤＢ２、Ｏｒａｃｌｅ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なデータベース製品、Ｍｉｃｒｏｓｏｆｔ ＣｏｒｐｏｒａｔｉｏｎのＭｉｃｒｏｓｏｆｔ Ａｃｃｅｓｓ、またはその他のデータベース製品が含まれる。データベースは、データテーブルやルックアップテーブルなど、適切な方法で編成できる。

特定のデータの関連付け（例えば、分類された材料片とその既知の化学組成の間、または分類された材料片とその計算されたおおよその質量の間）は、当技術分野で知られ実践されている任意のデータ関連付け技術を通じて達成され得る。例えば、関連付けは手動または自動で実行できる。自動関連付け技術には、例えば、データベース検索、データベースのマージ、ＧＲＥＰ、ＡＧＲＥＰ、ＳＱＬなどが含まれ得る。関連付けステップは、例えば製造業者と小売業者のそれぞれのデータテーブルのキーフィールドを使用するデータベースマージ機能によって達成できる。キーフィールドは、キーフィールドで定義されたオブジェクトの高レベルクラスに従ってデータベースを分割する。例えば、特定のクラスを第１のデータテーブルと第２のデータテーブルの両方のキーフィールドとして指定することができ、キーフィールドのクラスデータに基づいて２つのデータテーブルをマージすることができる。これらの実施形態では、マージされたデータテーブルのそれぞれのキーフィールドに対応するデータは同じであることが好ましい。ただし、同一ではないものの、キーフィールドに類似したデータを持つデータテーブルも、例えば、ＡＧＲＥＰを使用してマージできる。

本明細書では、デバイスを「構成する」こと、または何らかの機能を実行するように「構成された」デバイスについて言及する。これには、監視または制御機能を含む特定の論理機能を提供するように、事前定義された論理ブロックを選択し、それらを論理的に関連付けることが含まれる場合があることを理解されたい。また、制御デバイスのコンピュータソフトウェアベースのロジックのプログラミング、個別のハードウェアコンポーネントの配線、または上記のいずれかまたはすべての組み合わせも含まれていてもよい。

本明細書の説明では、本開示の実施形態の完全な理解を提供するために、プログラミング、ソフトウェアモジュール、ユーザ選択、ネットワークトランザクション、データベースクエリ、データベース構造、ハードウェアモジュール、ハードウェア回路、ハードウェアチップ、コントローラなどの例などの多くの具体的な詳細が提供される。ただし、当業者は、本開示が、１つまたは複数の特定の詳細なしで、または他の方法、構成要素、材料などを使用して実施され得ることを認識するであろう。他の場合には、本開示の態様を曖昧にすることを避けるために、よく知られている構造、材料、または動作については、詳細に図示または説明しない場合がある。

当業者であれば、システム１００の構成要素の様々な設定およびパラメータ（ニューラルネットワークパラメータを含む）が、分類および分別される材料のタイプ、所望の分類および分別の結果、使用されている機器のタイプ、以前の分類の経験的結果、利用可能になるデータ、およびその他の要素に基づいて時間の経過とともにカスタマイズ、最適化、および再構成され得ることを理解するはずである。

本明細書全体を通じて「一実施形態」、「実施形態」、または同様の用語への言及は、実施形態に関連して説明される特定の特徴、構造、または特性が本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書全体にわたる「一実施形態において」、「実施形態において」、「実施形態」、「特定の実施形態」、「様々な実施形態」、および同様の用語の出現は、すべて同じ実施形態を指す場合があるが、必ずしも同じであるとは限らない。さらに、本開示の記載された特徴、構造、態様、および／または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。これに応じて、機能が最初は特定の組み合わせで機能すると主張されていたとしても、場合によっては、特許請求の範囲に記載された組み合わせから１つまたは複数の特徴を組み合わせから削除することができ、特許請求の範囲に記載された組み合わせは、サブコンビネーションまたはサブコンビネーションの変形例を対象とすることができる。

利益、利点、および問題の解決策は、特定の実施形態に関して本明細書で説明されている。ただし、利益、利点、問題の解決策、および利益、利点、解決策が発生する、またはより顕著になる可能性のある要素は、一部またはすべての特許請求の範囲の重要な、必要な、または必須の機能や要素として解釈されるべきでない。さらに、本明細書に記載されている構成要素は、必須または重要であると明示的に記載されていない限り、本開示の実施に必要ではない。

本明細書には多くの詳細が含まれているが、これらは本開示の範囲または特許請求の範囲を限定するものとして解釈されるべきではなく、むしろ本開示の特定の実装に特有の特徴の説明として解釈されるべきである。本明細書の見出しは、開示、開示の実施形態、または見出しの下に開示される他の事項を限定することを意図していない場合がある。

本明細書において、「または」という用語は包括的なものであることが意図されており、「ＡまたはＢ」にはＡまたはＢが含まれ、さらにＡとＢの両方も含まれる。本明細書で使用される場合、「および／または」という用語は、エンティティのリストの文脈で使用される場合、単独または組み合わせて存在するエンティティを指す。したがって、例えば、「Ａ、Ｂ、Ｃ、および／またはＤ」という語句には、Ａ、Ｂ、Ｃ、およびＤが個別に含まれるが、Ａ、Ｂ、Ｃ、およびＤのあらゆる組み合わせおよびサブコンビネーションも含まれる。

本明細書で使用される用語は、特定の実施形態を説明することのみを目的としており、本開示を限定することを意図したものではない。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈上明らかに別段の指示がない限り、複数形も含むことを意図する場合がある。

以下の特許請求の範囲における対応する構造、材料、動作、およびすべての手段またはステッププラス機能要素の均等物は、特に特許請求されている他の特許請求の要素と組み合わせて機能を実行するための任意の構造、材料、または動作を含むことが意図されている場合がある。

本明細書で使用される「コントローラ」、「プロセッサ」、「メモリ」、「ニューラルネットワーク」、「インターフェース」、「分別機」、「分別装置」、「分別デバイス」、「デバイス」、「押出機構」、「押出装置」、「撮像センサ」、「ビン」、「容器」、「システム」、「回路」などの用語のそれぞれは、当業者であれば認識および理解するであろう非一般的なデバイス要素を指し、本明細書では、３５ Ｕ．Ｓ．Ｃ．１１２（ｆ）を援用する目的で臨時語または臨時用語として使用されない。

特定された特性または状況に関して本明細書で使用される場合、「実質的に」とは、特定された特性または状況を測定できるほど損なわないほど十分に小さい逸脱の程度を指す。許容される逸脱の正確な程度は、場合によっては特定の状況に依存する場合がある。

本明細書で使用される場合、便宜上、複数の品目、構造要素、構成要素、例示的なフラクション、および／または材料が共通のリストで提示される場合がある。ただし、これらのリストは、リストの各部材が別個の一意の部材として個別に識別されているかのように解釈される必要がある。したがって、そのようなリストの個々の部材は、反対の兆候なしに、共通のグループ内での表現のみに基づいて、同じリストの他の部材と事実上同等であると解釈されるべきではない。

他に定義されない限り、本明細書で使用されるすべての技術用語および科学用語（周期表内の化学元素に使用される頭字語など）は、ここで開示される主題が属する当業者に一般に理解されるのと同じ意味を有する。本明細書で言及されるすべての出版物、特許出願、特許、およびその他の参考文献は、特定の文章が引用されない限り、その全体が参照により組み込まれる。矛盾がある場合には、定義を含む現在の仕様が制御する。さらに、材料、方法、および実施例は例示のみであり、限定することを意図したものではない。

本明細書に記載されていない限り、特定の材料、処理行為、および回路に関する多くの詳細は従来のものであり、コンピューティング、エレクトロニクス、およびソフトウェア技術の教科書やその他の情報源で見つけることができる。

別段の指示がない限り、本明細書および特許請求の範囲で使用される成分、反応条件などの量を表すすべての数字は、すべての場合において用語「約」によって修飾されるものとして理解されるべきである。したがって、反対の指示がない限り、本明細書および添付の特許請求の範囲に記載されている数値パラメータは、ここに開示されている主題によって得られることが求められる所望の特性に応じて変化し得る近似値である。本明細書で使用される「約」という用語は、質量、重量、時間、体積、濃度またはパーセンテージの値または量を指す場合、そのような変形は、開示された方法を実行するのに適切であるため、特定の量から、いくつかの実施形態では±２０％、いくつかの実施形態では±１０％、いくつかの実施形態では±５％、いくつかの実施形態では±１％、いくつかの実施形態では±０．５％、いくつかの実施形態では±０．１％、の変動を包含することを意味する。本明細書で使用する「類似」という用語は、互いの特定のオフセットまたはパーセンテージ内にある値（例えば、１％、２％、５％、１０％など）を指す場合がある。

１００ システム
１０１ 材料片
１０３ コンベヤシステム、コンベヤベルト
１０４ コンベヤシステムモータ
１０５ 位置検出器
１０６ タンブラ／バイブレータ／シンギュレータ
１０７ コンピュータシステム
１０８ 自動制御システム
１０９ 実写カメラ
１１０ 光学認識システム、視覚システム
１１１ 材料追跡測定装置
１１２ 制御システム
１２０ センサシステム
１２１ 放射源
１２２ 電源
１２４ 検出器
１２５ 検出器電子機器
１２６…１２９ 分別装置
１３６…１３９ 分別容器
１４０ 分別容器
３４００ コンピュータシステム、データ処理システム
３４０１ グラフィックスプロセッサユニット、ＧＰＵ
３４０５ ローカルバス
３４１２ ユーザインターフェースアダプタ
３４１３ キーボード
３４１４ マウス
３４１５ プロセッサ（ＣＰＵ）
３４１６ ディスプレイアダプタ
３４２０ 揮発性メモリ、ＲＡＭ
３４２５ ネットワーク（ＬＡＮ）アダプタ
３４３０ Ｉ／Ｏアダプタ
３４３１ ハードディスクドライブ
３４３２ テープドライブ
３４３５ 不揮発性メモリ、ＲＯＭ
３４４０ ディスプレイ

Claims (23)

1. 複数の材料片の各材料片のおおよその質量を判定するステップであって、前記複数の材料片のうちの少なくとも１つは、他の材料片とは異なる材料分類を有する、ステップと、
   前記複数の材料片の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類するステップと、
   前記複数の材料片の各材料片の前記判定されたおおよその質量および分類に応じて、前記複数の材料片から前記材料片のうちの特定の材料片を分別するステップであって、前記分別は、所定の特定の骨材の化学組成を有する材料片の集合体を生成する、ステップと、
   を含む方法。
2. 前記分別するステップが、前記材料片のうちの前記特定の材料片を容器に方向転換するステップを含む、請求項１に記載の方法。
3. 前記分別するステップが、前記方向転換された材料片の骨材の化学組成を継続的に判定するステップを含む、請求項２に記載の方法。
4. 前記分別するステップが、前記方向転換された材料片の骨材の化学組成の特定の化学元素の重量パーセントを増加させるために、次の材料片を前記容器内に方向転換するステップを含む、請求項３に記載の方法。
5. 前記分別するステップが、前記方向転換された材料片の骨材の化学組成の特定の化学元素の重量パーセントを減少させるために、次の材料片を前記容器内に方向転換しないステップを含む、請求項３に記載の方法。
6. 前記分別するステップが、前記所定の特定の骨材の化学組成内で望ましくない汚染物質を含むため、次の材料片を前記容器に方向転換しないステップを含む、請求項３に記載の方法。
7. 所定の最小数の方向転換された材料片の前記骨材の化学組成が前記所定の特定の骨材の化学組成の閾値レベルに等しくなるまで前記分別するステップが継続される、請求項３に記載の方法。
8. 所定の特定の骨材の化学組成を有する前記材料片の集合体が、前記集合体中の他の材料片とは異なる材料分類を有する少なくとも１つの材料片を含む、請求項１に記載の方法。
9. 前記複数の材料片が、異なる金属合金組成を有する材料片を含む、請求項１に記載の方法。
10. 前記所定の特定の骨材の化学組成が、前記複数の材料片のそれぞれの化学組成とは異なる、請求項１に記載の方法。
11. 前記所定の特定の骨材の化学組成が、前記複数の材料片のすべての骨材の化学組成とは異なる、請求項１０に記載の方法。
12. 前記材料片の集合体が、異なる材料分類を有する材料片を含む、請求項１に記載の方法。
13. 前記材料片の集合体が、他の材料片とは異なる材料分類を有する前記材料片のうちの少なくとも１つを含む、請求項１２に記載の方法。
14. 前記複数の材料片は、ロウトアルミニウム合金片および鋳造アルミニウム合金片を含み、前記材料片の集合体は、少なくとも１つのロウトアルミニウム合金片および少なくとも１つの鋳造アルミニウム合金片を含み、前記所定の特定の骨材の化学組成は、前記ロウトアルミニウム合金片の化学組成とは異なり、前記所定の特定の骨材の化学組成は、前記鋳造アルミニウム合金片の化学組成とは異なる、請求項１に記載の方法。
15. 前記分類するステップが、機械学習システムを通じて前記複数の材料片のそれぞれから捕捉された画像データを処理するステップを含む、請求項１に記載の方法。
16. 材料片の混合物のそれぞれの１つまたは複数の特性を捕捉するように構成されたセンサであって、前記材料片の混合物が、異なる材料分類を有する材料片を含む、センサと、
    前記材料片の混合物の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類するように構成されたデータ処理システムと、
    前記材料片の混合物の各材料片の前記分類に応じて、前記材料片の混合物から前記材料片のうちの特定の材料片を分別するように構成された分別装置であって、前記分別により、所定の特定の骨材の化学組成を有する材料片の集合体が生成される、分別装置と、
    を備える、システム。
17. 前記センサはカメラであり、前記１つまたは複数の捕捉された特性は、前記材料片の混合物がカメラを通過して搬送されるときに、前記材料片の混合物のそれぞれの画像を捕捉するように構成された前記カメラによって捕捉され、前記カメラは、材料の前記混合物のそれぞれの視覚画像を捕捉して画像データを生成するように構成されており、前記特性は視覚的に観察される特性である、請求項１６に記載のシステム。
18. 前記データ処理システムは、前記捕捉された視覚的に観察された特性に基づいて、前記材料片の混合物の各材料片を複数の異なる材料分類のうちの１つに属するものとして分類するように構成されたニューラルネットワークを実装する機械学習システムを備える、請求項１７に記載のシステム。
19. 複数の材料片の各材料片のおおよその質量を判定するように構成された装置をさらに備え、前記分別は、各材料片の前記判定されたおおよその質量および分類に応じて実行される、請求項１６に記載のシステム。
20. 前記装置は、各材料片のおおよそのサイズを測定するように構成されたラインスキャナを備える、請求項１９に記載のシステム。
21. コンピュータ可読記憶媒体に記憶されたコンピュータプログラム製品であって、データ処理システムによって実行されると、
    複数の材料片の各材料片のおおよその質量を判定することであって、前記複数の材料片のうちの少なくとも１つは、他の材料片とは異なる材料分類を有する、判定することと、
    前記複数の材料片の各材料片を、複数の異なる材料分類のうちの１つに属するものとして分類することと、
    所定の特定の骨材の化学組成を有する材料片の集合体を生成するために、前記複数の材料片から前記材料片のうちの特定の前記材料片を分別するよう指示することであって、前記分別は、前記複数の材料片の各材料片の前記判定されたおおよその質量および分類に応じて実行され、前記材料片の集合体は、異なる材料分類を有する材料片を含む、指示することと、
    を含む処理を実行する、コンピュータプログラム製品。
22. 前記分類することは、機械学習システムを通じて前記複数の材料片のそれぞれから捕捉された画像データを処理することを含む、請求項２１に記載のコンピュータプログラム製品。
23. 前記所定の特定の骨材の化学組成は、前記複数の材料片のそれぞれの化学組成とは異なる、請求項２１に記載のコンピュータプログラム製品。

Images