KR20240090253A - 다단계 선별 - Google Patents
다단계 선별 Download PDFInfo
- Publication number
- KR20240090253A KR20240090253A KR1020247013953A KR20247013953A KR20240090253A KR 20240090253 A KR20240090253 A KR 20240090253A KR 1020247013953 A KR1020247013953 A KR 1020247013953A KR 20247013953 A KR20247013953 A KR 20247013953A KR 20240090253 A KR20240090253 A KR 20240090253A
- Authority
- KR
- South Korea
- Prior art keywords
- materials
- mixture
- heterogeneous mixture
- pieces
- classification
- Prior art date
Links
- 238000012216 screening Methods 0.000 title description 15
- 239000000463 material Substances 0.000 claims abstract description 619
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000004876 x-ray fluorescence Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 162
- 229910000838 Al alloy Inorganic materials 0.000 claims description 119
- 238000000034 method Methods 0.000 claims description 105
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 90
- 239000008241 heterogeneous mixture Substances 0.000 claims description 90
- 229910052782 aluminium Inorganic materials 0.000 claims description 89
- 230000006870 function Effects 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 56
- 239000000126 substance Substances 0.000 claims description 34
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 16
- 239000004615 ingredient Substances 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 239000013068 control sample Substances 0.000 claims 2
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 4
- 239000000956 alloy Substances 0.000 description 43
- 229910045601 alloy Inorganic materials 0.000 description 33
- 238000010586 diagram Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 15
- 229910052751 metal Inorganic materials 0.000 description 13
- 239000002184 metal Substances 0.000 description 13
- 229910001092 metal group alloy Inorganic materials 0.000 description 13
- 239000010949 copper Substances 0.000 description 12
- 229910052802 copper Inorganic materials 0.000 description 11
- 239000011777 magnesium Substances 0.000 description 11
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 10
- 229910052729 chemical element Inorganic materials 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 229910052749 magnesium Inorganic materials 0.000 description 7
- 238000004064 recycling Methods 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 239000010703 silicon Substances 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 239000011701 zinc Substances 0.000 description 7
- 229910052725 zinc Inorganic materials 0.000 description 7
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 238000005266 casting Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 239000004033 plastic Substances 0.000 description 6
- 229920003023 plastic Polymers 0.000 description 6
- 230000032258 transport Effects 0.000 description 6
- 101100114697 Danio rerio cpeb1 gene Proteins 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 150000002739 metals Chemical class 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- -1 packaging Substances 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000036461 convulsion Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001125 extrusion Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000011572 manganese Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 229910001369 Brass Inorganic materials 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- 206010011906 Death Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000010951 brass Substances 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000005060 rubber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012306 spectroscopic technique Methods 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910052718 tin Inorganic materials 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000870659 Crassula perfoliata var. minor Species 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000006124 Pilkington process Methods 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 241000009334 Singa Species 0.000 description 1
- 229910000831 Steel Inorganic materials 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
- 238000007563 acoustic spectroscopy Methods 0.000 description 1
- 239000002154 agricultural waste Substances 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 238000001636 atomic emission spectroscopy Methods 0.000 description 1
- 229910001570 bauxite Inorganic materials 0.000 description 1
- 239000005388 borosilicate glass Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 239000010787 construction and demolition waste Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010793 electronic waste Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 239000004700 high-density polyethylene Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011133 lead Substances 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
- 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
- 239000002906 medical waste Substances 0.000 description 1
- 238000002094 microwave spectroscopy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 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
- 150000003071 polychlorinated biphenyls Chemical class 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
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 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
- 239000000523 sample Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000003923 scrap metal Substances 0.000 description 1
- 239000005361 soda-lime glass Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- JBQYATWDVHIOAR-UHFFFAOYSA-N tellanylidenegermanium Chemical compound [Te]=[Ge] JBQYATWDVHIOAR-UHFFFAOYSA-N 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000011135 tin Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 229920000785 ultra high molecular weight polyethylene Polymers 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
-
- 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
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Abstract
재료 선별 시스템은 재료들 각각을 식별하거나 분류하기 위해 기계 학습 시스템을 활용하여 재료들을 선별하며, 레이저 유도 분해 분광법 또는 x선 형광을 활용하여 재료들의 후속 분류 및 선별을 수행하도록 추가로 구현될 수 있다.
Description
본 출원은 미국 가특허 출원 일련 제 62/193,332호에 대한 우선권을 주장하는 미국 특허 출원 일련 제 15/213,129호(미국 특허 제 10,207,296호로 발행됨)의 일부 계속 출원인 미국 가특허 출원 일련 제 62/490,219호에 대한 우선권을 주장하는 미국 특허 출원 일련 제 15/963,755호(미국 특허 제 10,710,119호로 발행됨)의 일부 계속 출원인 미국 특허 출원 일련 제 16/375,675호(미국 특허 제 10,722,922호로 발행됨)의 계속 출원인 미국 특허 출원 일련 제 16/939,011호의 일부 계속 출원인 미국 특허 출원 일련 제 17/227,245호의 일부 계속 출원인 미국 특허 출원 일련 제17/380,928호의 일부 계속 출원인 미국 특허 출원 일련 제 17/491,415호에 대한 우선권을 주장하며, 이 출원들 모두는 그에 의해 본 명세서에 인용에 의해 포함된다.
미국 특허 출원 일련 제 17/491,415호는 또한, 2019년 3월 19일에 출원된 미국 특허 출원 일련 제 16/358,374호(미국 특허 제 10,625,304호로 발행됨)의 분할 출원인 미국 특허 출원 일련 제 16/852,514호의 일부 계속 출원이며, 이 출원들 모두는 본 명세서에 인용에 의해 포함된다.
정부 라이선스 권리들
본 개시내용은 미국 에너지부에 의해 부여된 승인 번호 DE-AR0000422 하에 미국 정부의 지원으로 이루어졌다. 미국 정부는 본 개시내용에 대해 특정 권리들을 가질 수 있다.
기술분야
본 개시내용은 일반적으로 재료들의 선별(sorting)에 관한 것이고, 더 상세하게는, 다단계 선별을 활용하는 재료들의 선별에 관한 것이다.
본 섹션은 본 개시내용의 예시적인 실시예들과 연관될 수 있는 기술의 다양한 양상들을 소개하도록 의도된다. 이러한 논의는 본 개시내용의 특정 양상들의 더 양호한 이해를 용이하게 하기 위한 토대를 제공하는 데 도움이 될 것으로 여겨진다. 따라서, 본 섹션은 이러한 관점에서 읽혀져야 하고, 반드시 종래 기술을 인정하는 것은 아니라는 것을 이해해야 한다.
재활용은 쓰레기로 버려질 것인 재료들을 수집하고 프로세싱하여 이들을 새로운 제품들로 바꾸는 프로세스이다. 재활용은 매립지들과 소각장들로 보내지는 폐기물의 양을 감소시키고, 천연자원들을 보존하며, 국내 재료 공급원을 활용함으로써 경제적 안정성을 증가시키고, 새로운 원자재들의 수집의 필요성을 감소시킴으로써 오염을 방지하고, 에너지를 절약하기 때문에 지역 사회들과 환경에 이점들을 갖는다. 수집 후, 재활용품은 일반적으로 재료 회수 시설로 보내져 선별되고, 세척되고, 제조에 사용될 수 있는 재료들로 가공된다.
알루미늄(Al) 스크랩의 재활용은 비용이 많이 드는 1차 알루미늄을 힘들게 추출하는 것과 비교할 때 제조와 연관된 에너지 비용의 최대 95%가 절약될 수 있다는 점에서 매우 매력적인 제안이다. 1차 알루미늄은 보크사이트와 같은 알루미늄이 풍부한 광석에서 유래하는 알루미늄으로 정의된다. 동시에, 경량 특성들로 인해 자동차 제조와 같은 시장들에서 알루미늄에 대한 수요가 꾸준히 증가하고 있다. 결과적으로, 잘 계획되어 있지만 간단한 재활용 계획 또는 시스템을 개발함으로써 알루미늄 산업이 이용 가능한 특정 경제가 존재한다. 재활용 재료의 사용은 1차 알루미늄 공급원보다 비용이 덜 드는 금속 자원일 것이다. 자동차 산업(및 다른 산업)에 판매되는 알루미늄의 양이 증가함에 따라, 1차 알루미늄의 이용 가능성을 보완하기 위해 재활용 알루미늄을 사용하는 것이 점점 더 필요해질 것이다.
이에 대응하여, 동일한 합금 계열의 혼합 알루미늄 스크랩은 무분별하게 혼합된 합금들보다 훨씬 더 가치가 있기 때문에 알루미늄 스크랩 금속들을 합금 계열들로 효율적으로 분리하는 것이 특히 바람직하다. 예를 들어, 알루미늄을 재활용하는 데 사용되는 블렌딩 방법들에서, 유사하거나 동일한 합금들로 구성되고 품질이 일정한 임의의 수량의 스크랩은 혼합된 알루미늄 합금들로 구성된 스크랩보다 더 많은 가치를 갖는다. 그러한 알루미늄 합금들 내에서, 알루미늄은 항상 대부분의 재료일 것이다. 그러나, 구리, 마그네슘, 규소, 철, 크롬, 아연, 망간, 및 다른 합금 원소들과 같은 구성요소들은 합금 알루미늄에 다양한 특성들을 제공하고, 하나의 알루미늄 합금을 다른 합금과 구별하는 수단을 제공한다.
알루미늄 협회는 알루미늄 합금 화학 조성에 대한 허용 가능한 제한들을 정의하는 기관이다. 알루미늄 단조 합금 화학 조성들에 대한 데이터는 알루미늄 협회에 의해 "International Alloy Designations and Chemical Composition Limits for Wrought Aluminum and Wrought Aluminum Alloys"에 공개되었으며, 이는 2015년 1월에 업데이트되었고, 본 명세서에 인용에 의해 포함된다. 일반적으로, 알루미늄 협회에 따르면, 단조 알루미늄 합금들의 1xxx 시리즈는 본질적으로 최소 99중량% 알루미늄 함량을 갖는 순수 알루미늄으로 구성되고; 2xxx 시리즈는 주로 구리(Cu)와 합금된 단조 알루미늄이고; 3xxx 시리즈는 주로 망간(Mn)과 합금된 단조 알루미늄이고; 4xxx 시리즈는 규소(Si)와 합금된 단조 알루미늄이고; 5xxx 시리즈는 주로 마그네슘(Mg)과 합금된 단조 알루미늄이고; 6xxx 시리즈는 주로 마그네슘 및 규소와 합금된 단조 알루미늄이고; 7xxx 시리즈는 주로 아연(Zn)과 합금된 단조 알루미늄이고; 8xxx 시리즈는 다양한 카테고리이다.
알루미늄 협회는 또한 주조 알루미늄 합금들에 대한 유사한 문서를 갖는다. 주조 알루미늄 합금들의 1xxx 시리즈는 본질적으로 최소 99중량 % 알루미늄 함량을 갖는 순수 알루미늄으로 구성되고; 2xxx 시리즈는 주로 구리와 합금된 주조 알루미늄이고; 3xxx 시리즈는 주로 규소와 구리 및/또는 마그네슘과 합금된 주조 알루미늄이고; 4xxx 시리즈는 규소와 합금된 주조 알루미늄이고; 5xxx 시리즈는 주로 마그네슘과 합금된 주조 알루미늄이고; 6xxx 시리즈는 미사용된 시리즈이고; 7xxx 시리즈는 주로 아연과 합금된 주조 알루미늄이고; 8xxx 시리즈는 주로 주석과 합금된 주조 알루미늄이고; 그리고 9xxx 시리즈는 다른 원소들과 합금된 주조 알루미늄이다. 자동차 부품들에 활용되는 주조 합금들의 예들은 380, 384, 356, 360, 및 319를 포함한다. 예를 들어, 재활용 주조 합금들(380 및 384)은 차량 엔진 블록들, 변속기 케이스 등을 제조하는 데 사용될 수 있다. 재활용 주조 합금(356)은 알루미늄 합금 휠들을 제조하는 데 사용될 수 있다. 그리고 재활용 주조 합금(319)은 변속기 블록들을 제조하는 데 사용될 수 있다.
일반적으로, 단조 알루미늄 합금들은 주조 알루미늄 합금들보다 더 높은 마그네슘 농도를 갖고, 주조 알루미늄 합금들은 단조 알루미늄 합금들보다 더 높은 규소 농도를 갖는다.
게다가, 스크랩 본체에 상이한 합금들의 혼합된 조각들이 존재하는 것은, 상이한 합금들(또는 적어도 알루미늄 협회에 의해 지정된 것들과 같은 상이한 조성 계열들에 속하는 합금들)이 재용해 전에 분리될 수 없으면, 스크랩이 유용하게 재활용되는 능력을 제한한다. 이는, 복수의 상이한 합금 조성들 또는 조성 계열들의 혼합된 스크랩이 재용해될 때, 생성된 용융 혼합물이 임의의 특정 상업용 합금에 요구되는 조성 제한들을 만족시키기에는 너무 높은 주요 합금 및 원소들(또는 상이한 조성들)의 비율들을 함유하기 때문이다.
더욱이, Ford F-150 픽업의 생산 및 판매가 강철 대신 알루미늄으로 구성된 차체 및 프레임 부품들의 상당한 증가를 갖는 것에 의해 증명됨에 따라, 시트 알루미늄으로 자동차 부품들의 제조 시에 생성되는 것을 포함하여, 판금 스크랩(예를 들어, 특정 합금 성분들의 단조 알루미늄)을 재활용하는 것이 추가적으로 바람직하다. 스크랩 재활용은 그러한 차량들의 추가적인 생산을 위해 유용한 알루미늄 부품들로 주조 및/또는 압연될 수 있는 용해된 금속 본체를 제공하기 위해 스크랩을 재용해하는 것을 포함한다. 그러나, 자동차 제조 스크랩(및 비행기들과 상업용 및 가전 제품들과 같은 다른 소스들로부터의 금속 스크랩)은 종종 단조 및 주조 조각들의 스크랩 조각들 및/또는 조성이 서로 실질적으로 상이한 2개 이상의 알루미늄 합금들의 혼합물을 포함한다. 따라서, 알루미늄 합금 기술분야의 숙련자들은 알루미늄 합금들, 특히 주조, 단조, 압출, 압연, 및 일반적으로 단조 합금들과 같이 가공된 합금들을 재사용 가능하거나 재활용 가능한 가공 제품으로 분리하는 것이 어렵다는 것을 인식할 것이다.
도 1은 본 개시내용의 실시예들에 따라 구성된 선별 시스템의 개략도를 예시한다.
도 2는 주조 알루미늄으로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 3은 알루미늄 압출재로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 4는 단조 알루미늄으로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 5는 본 개시내용의 실시예들에 따라 구성된 흐름도를 예시한다.
도 6은 본 개시내용의 실시예들에 따라 구성된 흐름도를 예시한다.
도 7a 및 도 7b는 본 개시내용의 특정 실시예들에 따른, 재료들을 선별하기 위한 시스템들 및 프로세스들을 예시한다.
도 8은 본 개시내용의 실시예들에 따라 구성된 데이터 프로세싱 시스템의 블록도를 예시한다.
도 2는 주조 알루미늄으로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 3은 알루미늄 압출재로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 4는 단조 알루미늄으로 만들어진 예시적인 재료 조각들의 시각적 이미지들을 도시한다.
도 5는 본 개시내용의 실시예들에 따라 구성된 흐름도를 예시한다.
도 6은 본 개시내용의 실시예들에 따라 구성된 흐름도를 예시한다.
도 7a 및 도 7b는 본 개시내용의 특정 실시예들에 따른, 재료들을 선별하기 위한 시스템들 및 프로세스들을 예시한다.
도 8은 본 개시내용의 실시예들에 따라 구성된 데이터 프로세싱 시스템의 블록도를 예시한다.
본 개시내용의 다양한 상세 실시예들이 본 명세서에 개시된다. 그러나, 개시된 실시예들은 단지 본 개시내용의 예시일 뿐이며, 다양하고 대안적인 형태들로 구현될 수 있다는 것을 이해해야 한다. 도면들은 반드시 실척대로 도시되지 않으며; 일부 특징들은 특정 컴포넌트들의 세부사항들을 도시하기 위해 과장되거나 최소화될 수 있다. 따라서, 본 명세서에 개시된 특정 구조적 및 기능적 세부사항들은 제한적인 것으로 해석되지 않아야 하며, 단지 당업자에게 본 개시내용의 다양한 실시예들을 사용하도록 교시하기 위한 대표적인 기초로서만 해석되어야 한다.
본 명세서에 사용되는 바와 같이, "화학 원소"는 화학 원소들의 주기율표의 화학 원소를 의미하며, 본 출원의 출원일 이후에 발견될 수 있는 화학 원소들을 포함한다. 본 명세서에 사용되는 바와 같이, "재료"는 하나 이상의 화학 원소들의 화합물 또는 혼합물, 또는 화학 원소들의 화합물 또는 혼합물 또는 화학 원소들의 화합물 또는 혼합물의 화합물 또는 혼합물로 구성된 고체를 포함할 수 있으며, 여기서 화합물 또는 혼합물의 복잡성은 단순한 것부터 복잡한 것까지 다양할 수 있다(이들 모두는 또한 특정 "화학 성분"을 갖는 재료로 지칭될 수 있음). 본 명세서에 사용되는 바와 같이, "재료들"은 금속들(철 및 비철), 금속 합금들, 플라스틱들(PCB, HDPE, UHMWPE, 및 다양한 유색 플라스틱들을 포함함(그러나 이에 제한되지 않음)), 고무, 발포체, 유리(붕규산염 또는 소다 석회 유리 및 다양한 유색 유리를 포함함(그러나 이에 제한되지 않음)), 세라믹들, 종이, 판지, 테프론, PE, 번들형 와이어들, 절연 피복 와이어들, 희토류 원소들, 잎들, 목재, 식물들, 식물들의 일부들, 직물들, 바이오 폐기물, 포장, 전자 폐기물들, 배터리들 및 축전지들, 수명이 다한 차량들, 광업, 건설 및 철거 폐기물, 농작물 폐기물들, 산림 잔재물들, 목적 재배 풀들, 목질 에너지 작물들, 미세 조류, 도시 음식물 쓰레기, 음식물 쓰레기, 유해 화학 및 생물의학 폐기물들, 건설 잔해, 농장 폐기물들, 생물성 품목들, 비생물성 품목들, 탄소 함량이 있는 물체들, 도시 고형 폐기물 내에서 발견될 수 있는 임의의 다른 물체들 및 본 명세서에 공개된 센서 기술들 중 임의의 기술을 포함하는(그러나 이에 제한되지 않음) 하나 이상의 센서들을 포함하는(그러나 이에 제한되지 않음) 것들에 의해 서로 구별될 수 있는 전술한 것들 중 임의의 것의 추가 유형들 또는 분류들을 포함하여 본 명세서에 공개된 임의의 다른 물체들, 품목들 또는 재료들을 포함할 수 있다. 본 명세서에 사용되는 바와 같이, "알루미늄"이라는 용어는 알루미늄 금속 및 알루미늄 기반 합금들, 즉, 50중량% 초과의 알루미늄을 함유하는 합금들(알루미늄 협회에 의해 분류된 합금들을 포함함)을 지칭한다. 본 개시내용 내에서, "스크랩", "스크랩 조각들", "재료들", "재료 조각들", 및 "조각들"이라는 용어들은 상호 교환적으로 사용될 수 있다. 본 명세서에 사용되는 바와 같이, 금속 합금 조성을 갖는 것으로 지칭되는 재료 조각 또는 스크랩 조각은 다른 금속 합금들과 구별되는 특정 화학 조성을 갖는 금속 합금이다.
Institute of Scrap Recycling Industries, Inc.가 공표한 비철 스크랩 가이드라인들 내에 정의된 바와 같이, "Zorba"라는 용어는 수명이 다한 차량("ELV")들 또는 전자 및 전기 장비 폐기물("WEEE")로부터 발생한 금속들을 포함하는(그러나 이에 제한되지 않음) 파쇄된 비철 금속들에 대한 집합적인 용어이다. 미국의 Institute Of Scrap Recycling Industries, Inc.("ISRI")는 Zorba의 규격들을 설정하였다. Zorba에서, 각각의 스크랩 조각은 비철 금속들(알루미늄, 구리, 납, 마그네슘, 스테인리스강, 니켈, 주석, 및 아연)의 조합으로 원소 또는 합금(고체) 형태로 구성될 수 있다. 게다가, "Twitch"라는 용어는 단편화된(fragmented) 알루미늄 스크랩을 의미할 것이다. Twitch는 더 무거운 금속 스크랩 조각들이 가라앉기 때문에 알루미늄 스크랩이 위로 플로팅(float)하는 플로트 프로세스에 의해 생성될 수 있다(예를 들어, 일부 프로세스들에서, 스크랩이 담기는 물의 밀도를 변경하기 위해 모래가 혼합될 수 있음).
본 명세서에 사용되는 바와 같이, "식별하다" 및 "분류하다"라는 용어들 및 "식별" 및 "분류"라는 용어들 및 그 파생 형태들은 상호 교환적으로 활용될 수 있다. 본 명세서에 사용되는 바와 같이, 재료의 조각을 "분류하다"라는 것은 재료의 조각이 속하는 재료들의 유형 또는 클래스를 결정하는 것이다. 예를 들어, 본 개시내용의 특정 실시예들에 따라, 비전 시스템 또는 센서 시스템(본 명세서에서 추가로 설명됨)은 재료들을 분류하기 위한 임의의 유형의 정보를 수집하도록 구성될 수 있으며, 이러한 분류들은 선별 시스템 내에서 활용되어, 색상, 질감, 색조, 모양, 밝기, 무게, 밀도, 화학 조성, 크기, 균일성, 제조 유형, 화학적 서명, 방사성 서명, 광, 소리 또는 다른 신호들에 대한 투과성, 재료 조각들의 방출 및/또는 반사된 전자기 방사선("EM")을 포함한 다양한 필드들과 같은 자극들에 대한 반응을 포함하는(그러나 이에 제한되지 않음) 하나 이상의 물리적 및/또는 화학적 특성들 세트의 함수로서 재료 조각들을 선택적으로 선별할 수 있다(예를 들어, 사용자가 정의할 수 있음).
재료들의 유형들 또는 클래스들(즉, 분류)은 사용자가 정의할 수 있으며, 임의의 공지된 재료들의 분류에 제한되지 않는다. 유형들 또는 클래스들의 입도(granularity)는 매우 거칠게부터 매우 세밀하게까지 다양할 수 있다. 예를 들어, 유형들 또는 클래스들은 그러한 유형들 또는 클래스들의 입도가 상대적으로 거친 플라스틱들, 세라믹들, 유리들, 금속들, 및 다른 재료들; 그러한 유형들 또는 클래스들의 입도가 더 미세한 예를 들어, 아연, 구리, 황동, 크롬 플레이트 및 알루미늄과 같은 상이한 금속들 및 금속 합금들; 또는 그러한 유형들 또는 클래스들의 입도가 상대적으로 미세한 특정 유형들의 플라스틱 사이를 포함할 수 있다. 따라서, 유형들 또는 클래스들은 예를 들어, 플라스틱들 및 금속 합금들과 같이 상당히 상이한 화학 조성들의 재료들 사이를 구별하거나, 예를 들어, 상이한 유형들의 금속 합금들과 같이 거의 동일한 화학 조성들의 재료들 사이를 구별하도록 구성될 수 있다. 본 명세서에 논의된 방법들 및 시스템들은 분류되기 전에 화학 조성이 완전히 알려지지 않은 재료의 조각들을 정확하게 식별/분류하는 데 적용될 수 있다는 것을 인식해야 한다.
본 명세서에 사용되는 바와 같이, "제조 유형"은 단조 프로세스에 의해 형성되고, 주조(소모성 주형 주조, 영구 주형 주조, 및 분말 야금을 포함함(그러나 이에 제한되지 않음)), 단조된, 재료 제거 프로세스, 압출된 식의 금속 부품과 같은, 재료 조각의 재료가 제조되었던 제조 프로세스의 유형을 지칭한다.
본 명세서에서 언급된 바와 같이, "컨베이어 시스템"은 항공 기계식 컨베이어, 자동차 컨베이어, 벨트 컨베이어, 벨트 구동식 라이브 롤러 컨베이어, 버킷 컨베이어, 체인 컨베이어, 체인 구동식 라이브 롤러 컨베이어, 드래그 컨베이어, 방진 컨베이어, 전기 트랙 차량 시스템, 플렉시블 컨베이어, 중력 컨베이어, 중력 스케이트휠 컨베이어, 라인샤프트 롤러 컨베이어, 전동식 구동 롤러 컨베이어, 오버헤드 I-빔 컨베이어, 오버랜드 컨베이어, 제약 컨베이어, 플라스틱 벨트 컨베이어, 공압 컨베이어, 나사 또는 오거 컨베이어, 나선형 컨베이어, 튜브 갤러리 컨베이어, 수직 컨베이어, 진동 컨베이어, 및 와이어 메쉬 컨베이어를 포함하여(그러나 이에 제한되지 않음) 하나의 위치로부터 다른 위치로 재료들을 이동시키는 임의의 공지된 기계 취급 장비일 수 있다.
본 개시내용의 특정 실시예들에 따라 본 명세서에 설명된 재료 선별 시스템들은 이종 혼합물의 복수의 재료 조각들을 수용하며, 여기서 이러한 이종 혼합물 내의 적어도 하나의 재료는 하나 이상의 다른 재료들과 상이한 엘리먼트들의 조성(예를 들어, 금속 합금 조성)을 포함한다. 본 개시내용의 모든 실시예들은 본 명세서에 정의된 바와 같이 임의의 유형들 또는 클래스들의 재료들을 선별하는 데 활용될 수 있지만, 본 개시내용의 특정 실시예들은 알루미늄 합금 재료 조각들을 포함하고 단조, 압출 및/또는 주조 알루미늄 합금 재료 조각들 사이를 포함하는 금속 합금 재료 조각들을 선별하기 위해 이하에서 설명된다.
선별될 재료들은 크기들과 모양들이 불규칙할 수 있다는 점에 유의해야 한다(예를 들어, 도 6-도 8을 참조). 예를 들어, 그러한 재료들(예를 들어, Zorba 및/또는 Twitch)은 이전에 재료들을 그러한 불규칙한 모양 및 크기의 조각들로 절단(스크랩 조각들 생성)하는 일부 종류의 파쇄 메커니즘을 통과한 다음 컨베이어 시스템으로 공급되거나 전환될 수 있다.
본 개시내용의 실시예들은 사용자 정의 그룹화들(예를 들어, 재료들의 유형 분류들)의 함수로써 재료 조각들을 별도의 리셉터클들 또는 빈(bin)들에 또는 다른 컨베이어 시스템에 물리적으로 배치(예를 들어, 배출 또는 전환)함으로써 재료 조각들을 그러한 별도의 그룹들 또는 집합들로 선별하는 것으로 본 명세서에서 설명될 것이다. 예로서, 본 개시내용의 특정 실시예들 내에서, 특정 화학 조성 또는 조성들로 구성된 재료 조각들을 상이한 특정 화학 조성으로 구성된 다른 재료 조각들로부터 분리하기 위해 재료 조각들이 선별될 수 있다.
더욱이, 본 개시내용의 특정 실시예들은 알루미늄 협회에 의해 공표된 알루미늄 합금 시리즈 중 하나에 속하는 화학 조성을 갖는 실질적으로 모든 알루미늄 합금 재료 조각들이 단일 빈으로 선별되도록 알루미늄 합금 재료 조각들을 별도의 빈들로 선별할 수 있다(예를 들어, 빈은 하나 이상의 특정 알루미늄 합금 시리즈(예를 들어, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000, 100, 200, 300, 400, 500, 600, 700, 800, 900)). 게다가, 본 명세서에 설명된 바와 같이, 본 개시내용의 특정 실시예들은 그러한 합금 조성들이 동일한 알루미늄 협회 시리즈에 속하더라도 합금 조성의 분류의 함수로써 알루미늄 합금 재료 조각들을 별도의 빈들로 선별하도록 구성될 수 있다. 결과적으로, 본 개시내용의 특정 실시예들에 따른 선별 시스템은 알루미늄 합금 조성의 함수로써 모두 단일 알루미늄 합금 시리즈(예를 들어, 300 시리즈 또는 500 시리즈)로 분류할 것인 조성들을 갖는 알루미늄 합금 재료 조각들을 별도의 빈들로 분류하고 선별할 수 있다. 비제한적인 예에서, 본 개시내용의 특정 실시예들은 주조 알루미늄 합금(380)으로 분류된 알루미늄 합금 재료 조각들과 별도로 주조 알루미늄 합금(319)으로 분류된 알루미늄 합금 재료 조각들을 별도의 빈들로 분류하고 선별할 수 있다.
도 1은 재료들을 자동으로 분류/선별하기 위해 본 개시내용의 다양한 실시예들에 따라 구성된 시스템(100)의 일 예를 예시한다. 컨베이어 시스템(103)은 시스템(100)을 통해 개별 재료 조각들(101)을 이송하여, 개별 재료 조각들(101) 각각을 추적, 분류, 및 사전 결정된 원하는 그룹들 또는 집합들로 선별될 수 있도록 구현될 수 있다. 그러한 컨베이어 시스템(103)은 재료 조각들(101)이 통상적으로 사전 결정된 일정한 속도로 이동하는 하나 이상의 컨베이어 벨트들로 구현될 수 있다. 그러나, 본 개시내용의 특정 실시예들은 본 명세서에 개시된 바와 같은 다른 유형들의 컨베이어 시스템들로 구현될 수 있다. 이하에서, 적용 가능한 경우, 컨베이어 시스템(103)은 컨베이어 벨트(103)로 또한 지칭될 수 있다. 하나 이상의 실시예들에서, 이송, 자극, 검출, 분류, 및 선별의 행위들의 일부 또는 전부가 자동으로, 즉 사람의 개입 없이 수행될 수 있다. 예를 들어, 시스템(100)에서, 하나 이상의 자극원들, 하나 이상의 배출 검출기들, 분류 모듈, 선별 장치 및/또는 다른 시스템 컴포넌트들은 이러한 그리고 다른 동작들을 자동으로 수행하도록 구성될 수 있다.
게다가, 도 1의 예시는 컨베이어 벨트(103) 상의 재료 조각들(101)의 단일 스트림을 도시하지만, 본 개시내용의 실시예들은, 복수의 그러한 재료 조각 스트림들이 서로 병렬로 시스템(100)의 다양한 컴포넌트들을 통과하거나 컨베이어 시스템(예를 들어, 컨베이어 벨트(103)) 상에 랜덤 방식으로 배치된 재료 조각들의 집합이 시스템(100)의 다양한 컴포넌트들을 통과하는 것으로 구현될 수 있다. 따라서, 본 개시내용의 특정 실시예들은 복수의 그러한 병렬 이동 재료 조각 스트림들 또는 컨베이어 시스템(벨트) 상에 랜덤하게 배치된 재료 조각들을 동시에 추적, 분류, 및/또는 선별할 수 있다. 그럼에도 불구하고, 본 개시내용의 실시예들에 따르면, 재료 조각들(101)의 싱귤레이션(singulation)은 재료 조각들을 추적, 분류, 및/또는 선별하는 데 요구되지 않는다.
컨베이어 벨트(103)는 컨베이어 벨트(103)를 사전 결정된 속도들로 이동시키기에 적합한 종래의 구동 모터(104)를 사용하는 종래의 무한 벨트 컨베이어일 수 있다. 본 개시내용의 특정 실시예들에 따르면, 재료 조각들(101)을 컨베이어 벨트(103)로 공급하기 위해 일부 종류의 적합한 공급기 메커니즘이 활용될 수 있으며, 이에 따라 컨베이어 벨트(103)는 재료 조각들(101)을 시스템(100) 내의 다양한 컴포넌트들을 지나서 이송한다. 본 개시내용의 특정 실시예들 내에서, 컨베이어 벨트(103)는 컨베이어 벨트 모터(104)에 의해 사전 결정된 속도로 이동하도록 동작된다. 이러한 사전 결정된 속도는 작업자가 잘 알려진 방식으로 프로그래밍 및/또는 조정할 수 있다. 본 개시내용의 특정 실시예들 내에서, 컨베이어 벨트 모터(104) 및/또는 포지션 검출기(105)의 제어는 자동화 제어 시스템(108)에 의해 수행될 수 있다. 그러한 자동화 제어 시스템(108)은 컴퓨터 시스템(107)의 제어 하에 동작될 수 있고 그리고/또는 자동화 제어를 수행하기 위한 기능들이 컴퓨터 시스템(107) 내의 소프트웨어에 구현될 수 있다.
종래의 인코더일 수 있는 포지션 검출기(105)는 컨베이어 벨트(103) 및 자동화 제어 시스템(108)에 동작 가능하게 결합되어 컨베이어 벨트(103)의 움직임(예를 들어, 속도)에 대응하는 정보를 제공할 수 있다. 따라서, 본 명세서에 추가로 설명될 바와 같이, 컨베이어 벨트 구동 모터(104) 및/또는 자동화 제어 시스템(108)(및 대안적으로 포지션 검출기(105)를 포함함)에 대한 제어들의 활용을 통해, 컨베이어 벨트(103) 상에서 이동하는 재료 조각들(101) 각각이 식별될 때, (시스템(100)의 다양한 컴포넌트들과 관련한) 위치 및 시간에 의해 추적될 수 있어, 각각의 재료 조각(101)이 그 부근을 통과할 때 시스템(100)의 다양한 컴포넌트들이 활성화/활성화해제될 수 있다. 결과적으로, 자동화 제어 시스템(108)은 컨베이어 벨트(103)를 따라 이동하는 동안 재료 조각들(101) 각각의 위치를 추적할 수 있다.
본 개시내용의 특정 실시예들에 따르면, 재료 조각들(101)이 컨베이어 벨트(103)에 의해 수용된 후, 텀블러 및/또는 진동기가 활용되어 재료 조각들의 집합으로부터 개별 재료 조각들을 분리할 수 있고, 그런 다음, 하나 이상의 싱귤레이팅(singulate)된(즉, 단일 파일) 스트림들에 포지셔닝될 수 있다. 본 개시내용의 대안적인 실시예들에 따르면, 자료 조각들은 액티브 또는 패시브 싱귤레이터(106)에 의해 수행될 수 있는 하나 이상의 싱귤레이팅된(즉, 단일 파일) 스트림들에 포지셔닝될 수 있다. 패시브 싱귤레이터의 예는 미국 특허 제 10,207,296호에 추가로 설명된다. 앞서 논의된 바와 같이, 싱귤레이터의 통합 또는 사용은 요구되지 않는다. 대신, 컨베이어 시스템(예를 들어, 컨베이어 벨트(103))은 단순히 컨베이어 벨트(103) 상에 랜덤 방식으로 배치되었을 수 있는 재료 조각들의 집합을 이송할 수 있다.
도 1을 다시 참조하면, 본 개시내용의 특정 실시예들은 재료 조각들(101)이 컨베이어 벨트(103) 상에서 이동할 때 재료 조각들(101) 각각을 추적하기 시작하는 수단으로서 비전 또는 광학 인식 시스템(110) 및/또는 거리 측정 디바이스(111)를 활용할 수 있다. 비전 시스템(110)은 하나 이상의 정지 또는 라이브 액션 카메라들(109)을 활용하여 이동 컨베이어 벨트(103) 상에서 재료 조각들(101) 각각의 포지션(즉, 위치 및 타이밍)을 기록할 수 있다. 비전 시스템(110)은 재료 조각들(101) 전부 또는 일부의 특정 유형들의 식별(예를 들어, 분류)을 수행하도록 추가로 또는 대안적으로 구성될 수 있다. 예를 들어, 그러한 비전 시스템(110)은 재료 조각들(101) 각각에 대한 정보를 포착하는 데 활용될 수 있다. 예를 들어, 비전 시스템(110)은 재료 조각들(101)의 색상, 색조, 크기, 모양, 질감, 전반적인 물리적 외관, 균일성, 조성, 및/또는 제조 유형을 포함하는(그러나 이에 제한되지 않음) 하나 이상(사용자 정의됨) 물리적 특성 세트의 함수로써 재료 조각들(101)을 분류하기 위해 시스템(100) 내에서 활용될 수 있는 임의의 유형의 정보를 수집하도록 (예를 들어, 기계 학습 시스템으로) 구성될 수 있다. 비전 시스템(110)은, 예를 들어, 통상적인 디지털 카메라들 및 비디오 장비에서 활용되는 바와 같은 광학 센서를 사용함으로써, 재료 조각들(101) 각각의 이미지들(1 차원, 2 차원, 3 차원 또는 홀로그램 이미징을 포함함)을 캡처한다. 그런 다음, 광학 센서에 의해 캡처된 그러한 이미지들은 이미지 데이터로서 메모리 디바이스에 저장된다. 본 개시내용의 실시예에 따르면, 그러한 이미지 데이터는 광의 광학 파장들(즉, 통상적인 사람의 눈으로 관찰할 수 있는 광의 파장들) 내에서 캡처된 이미지들을 표현한다. 그러나, 본 개시내용의 대안적인 실시예들은 통상적인 사람의 눈의 시각적 파장들을 벗어나는 광의 파장들로 구성된 재료의 이미지를 캡처할 수 있는 센서들을 활용할 수 있다.
본 개시내용의 특정 실시예들에 따르면, 하나 이상의 센서 시스템들(120)은 재료 조각들(101)을 분류/식별하기 위해 단독으로 또는 비전 시스템(110)과 조합하여 활용될 수 있다. 센서 시스템(120)은 조사되거나 반사된 전자기 방사선을 활용하는 (예를 들어, 후술된 것들 중 임의의 것에 의한 1 차원, 2 차원 또는 3 차원 이미징을 포함하여, 적외선("IR"), 푸리에 변환 IR("FTIR"), 전방 적외선("FLIR"), 매우 근적외선("VNIR"), 근적외선("NIR"), 단파장 적외선("SWIR"), 장파장 적외선("LWIR"), 중파장 적외선("MWIR"), X선 투과("XRT"), 감마선, 자외선, X선 형광("XRF"), 레이저 유도 분해 분광법("LIBS"), 라만 분광법, 안티스토크스 라만 분광법, 감마 분광법, 초분광 분광법(예를 들어, 가시 파장들을 넘어서는 임의의 범위), 음향 분광법, NMR 분광법, 마이크로파 분광법, 테라헤르츠 분광법을 활용함) 센서들을 포함하는 임의의 유형의 센서 기술로, 또는 화학 또는 방사능을 포함하는(그러나 이에 제한되지 않음) 임의의 다른 유형의 센서 기술에 의해 구성될 수 있다. (예를 들어, 본 명세서에서 센서 시스템(120)으로서 사용하기 위한) XRF 시스템의 구현은 미국 특허 제 10,207,296호에 추가로 설명된다.
도 1은 비전 시스템(110) 및 센서 시스템(120)의 조합으로 예시되지만, 본 개시내용의 실시예들은 본 명세서에 개시된 센서 기술들 중 임의의 센서 기술 또는 현재 이용 가능하거나 미래에 개발될 임의의 다른 센서 기술들을 활용하는 센서 시스템들의 임의의 조합으로 구현될 수 있다는 점에 유의해야 한다. 도 1은 센서 시스템(120)을 포함하는 것으로 예시되지만, 그러한 센서 시스템의 구현은 본 개시내용의 특정 실시예들 내에서 선택적이다. 본 개시내용의 특정 실시예들 내에서, 비전 시스템(110) 및 하나 이상의 센서 시스템들(120) 모두의 조합이 재료 조각들(101)을 분류하는 데 사용될 수 있다. 본 개시내용의 특정 실시예들 내에서, 본 명세서에 개시된 상이한 센서 기술들 중 하나 이상의 임의의 조합이 비전 시스템(110)을 활용하지 않고 재료 조각들(101)을 분류하는 데 사용될 수 있다. 또한, 본 개시내용의 실시예들은, 그 후 서로 선별될 수 있는 이종 혼합물의 재료들로부터 재료들을 분류/식별하기 위해, 그러한 센서 및/또는 비전 시스템들의 출력들이 기계 학습 시스템(본 명세서에 추가로 개시된 바와 같음)에 의해 활용되는 하나 이상의 센서 시스템들 및/또는 비전 시스템들의 임의의 조합들을 포함할 수 있다.
본 개시내용의 대안적인 실시예들에 따르면, 비전 시스템(110) 및/또는 센서 시스템(들)은 재료 조각들(101) 중 어떤 것이 시스템(100)에 의해 선별될 종류가 아닌지(때때로 오염물로 지칭됨)를 식별하고 그러한 재료 조각들을 거부하라는 신호를 전송하도록 구성될 수 있다. 그러한 구성에서, 식별된 재료 조각들(101)은 선별된 재료 조각들을 개별 빈들로 물리적으로 이동시키기 위해 이하에서 설명된 바와 같은 메커니즘들 중 하나를 활용하여 전환/배출될 수 있다.
본 개시내용의 특정 실시예들 내에서, 거리 측정 디바이스(111) 및 수반되는 제어 시스템(112)은 이동 컨베이어 벨트(103) 상의 재료 조각들(101) 각각의 포지션(즉, 위치 및 타이밍)과 함께, 재료 조각들(101)이 거리 측정 디바이스(111) 부근 내에서 통과할 때 재료 조각들(101) 각각의 크기들 및/또는 모양들을 측정하도록 활용 및 구성될 수 있다. 그러한 거리 측정 디바이스(111) 및 제어 시스템(112)의 예시적인 동작이 미국 특허 제 10,207,296호에 추가로 설명된다. 대안적으로, 앞서 개시된 바와 같이, 비전 시스템(110)은 이동 컨베이어 벨트(103) 상의 재료 조각들(101) 각각의 포지션(즉, 위치 및 타이밍)을 추적하는 데 활용될 수 있다.
그러한 거리 측정 디바이스(111)는 잘 알려진 가시광(예를 들어, 레이저 광) 시스템으로 구현될 수 있으며, 이 시스템은 레이저 광 시스템의 검출기로 다시 반사되기 전에 광이 이동하는 거리를 지속적으로 측정한다. 따라서, 재료 조각들(101) 각각이 디바이스(111) 부근 내에서 통과할 때, 디바이스는 그러한 거리 측정들을 표시하는 신호를 제어 시스템(112)에 출력한다. 따라서, 그러한 신호는 실질적으로 간헐적인 일련의 펄스들을 표현할 수 있는데, 이에 의해 각각의 펄스가 컨베이어 벨트(103) 상에서 통과하는 재료 조각(101)과 거리 측정 디바이스(111) 사이의 거리 측정을 제공하면서, 재료 조각(101)이 디바이스(111) 부근에 있지 않은 순간들 동안 거리 측정 디바이스(111)와 컨베이어 벨트(103) 사이의 거리를 측정한 결과로서 신호의 기준선이 생성된다. 재료 조각들(101)이 불규칙한 모양들을 가질 수 있기 때문에, 그러한 펄스 신호는 또한 불규칙한 높이를 가질 수 있다. 그럼에도 불구하고, 거리 측정 디바이스(111)에 의해 생성된 각각의 펄스 신호는 재료 조각들(101)이 컨베이어 벨트(103) 상에서 통과할 때 재료 조각들(101) 각각의 부분들의 높이를 제공한다. 그러한 펄스들 각각의 길이는 또한 컨베이어 벨트(103)의 이동 방향에 실질적으로 평행한 라인을 따라 측정된 재료 조각들(101) 각각의 길이의 측정을 제공한다. 그것은, 검출된 형광이 컨베이어 벨트(103)와 같은 임의의 배경 표면들로부터가 아니라 실질적으로 재료 조각들 각각으로부터만 획득되도록 XRF 시스템을 구현하는 센서 시스템(120)에 의해 재료 조각들(101) 각각의 검출된 형광(즉, XRF 스펙트럼)의 포착을 활성화 및 활성화해제할 시기를 결정하기 위해 본 개시내용의 특정 실시예들 내에서 활용될 수 있는 이러한 길이 측정(및 대안적으로 높이 측정들)이다. 이는 형광의 보다 정확한 검출 및 분석을 초래하고, 또한 재료 조각들로부터 검출된 형광과 연관된 데이터만이 프로세싱되어야 하기 때문에 검출된 신호들의 신호 프로세싱에서 시간을 절약한다.
센서 시스템(들)(120)을 구현하는 본 개시내용의 특정 실시예들 내에서, 센서 시스템(들)(120)은 비전 시스템(110)이 재료 조각들(101)이 센서 시스템(들)(120) 부근 내에서 통과할 때 재료 조각들(101) 각각의 화학 조성 또는 상대적인 화학 조성들의 식별하는 것을 보조하도록 구성될 수 있다. 센서 시스템(들)(120)은 에너지 방출원(121)을 포함할 수 있으며, 이는 예를 들어, 재료 조각들(101) 각각으로부터의 반응을 자극하기 위해 전력 공급 장치(122)에 의해 전력이 공급될 수 있다.
본 개시내용의 특정 실시예들 내에서, 재료 조각(101) 각각이 방출원(121) 부근 내에서 통과할 때, 센서 시스템(120)은 재료 조각(101)을 향해 적절한 감지 신호를 방출할 수 있다. 하나 이상의 검출기들(124)은 활용된 센서 기술의 유형에 적절한 형태로 재료 조각(101)으로부터 하나 이상의 물리적 특성들을 감지/검출하도록 포지셔닝 및 구성될 수 있다. 하나 이상의 검출기들(124) 및 연관된 검출기 전자 장치들(125)은 수신된 감지된 특성들을 캡처하여 신호 프로세싱을 수행하고, 감지된 특성들을 표현하는 디지털화된 정보를 생성하며, 이는 그런 다음, 본 개시내용의 특정 실시예들에 따라 분석되고, 이는 재료 조각들(101) 각각을 (단독으로 또는 비전 시스템(110)과 조합하여) 분류하기 위해 사용될 수 있다. 그런 다음, 컴퓨터 시스템(107) 내에서 수행될 수 있는 이러한 분류는, 결정된 분류들에 따라 재료 조각들(101)을 하나 이상인 N(N>1) 개의 선별 빈들(136...139)로 선별(예를 들어, 전환/배출)하기 위한 N(N>1) 개의 선별 디바이스들(126...129) 중 하나를 활성화하기 위해 자동화 제어 시스템(108)에 의해 활용될 수 있다. 도 1에는 4 개의 선별 디바이스들(126...129) 및 선별 디바이스들과 연관된 4 개의 선별 빈들(136...139)이 단지 비제한적인 예로서 예시된다.
선별 디바이스들은, 컨베이어 벨트 시스템으로부터 복수의 선별 빈들로 재료 조각들(101)을 전환하는 것을 포함하는(그러나 이에 제한되지 않음) 선택된 재료 조각들(101)을 원하는 위치를 향해 재지향시키기 위한 임의의 잘 알려진 메커니즘들을 포함할 수 있다. 예를 들어, 선별 디바이스는 에어 제트(air jet)들을 활용할 수 있으며, 에어 제트들 각각은 분류들 하나 이상에 할당된다. 에어 제트들(예를 들어, 127) 중 하나가 자동화 제어 시스템(108)으로부터 신호를 수신할 때, 그 에어 제트는 재료 조각(101)이 컨베이어 시스템(103)으로부터 그 에어 제트에 대응하는 선별 빈(예를 들어, 137)으로 전환/배출되게 하는 에어 스트림을 방출한다. 예를 들어, 컨베이어 시스템(103)으로부터 재료 조각들(101)을 전환/배출하도록 구성된 적절한 공기압을 에어 제트들에 공급하는 데 Mac Industries로부터의 고속 에어 밸브들이 사용될 수 있다.
도 1에 예시된 예는 재료 조각들을 전환/배출하기 위해 에어 제트들을 사용하지만, 컨베이어 벨트로부터 재료 조각들을 로봇 방식으로 제거하거나, 컨베이어 벨트로부터 재료 조각들을 밀거나(예를 들어, 페인트 브러시 유형 플런저들을 사용하여), 컨베이어 시스템(103)에 재료 조각이 떨어질 수 있는 개구부(예를 들어, 트랩 도어)를 발생시키거나, 에어 제트들을 사용하여 재료 조각들이 컨베이어 벨트의 에지로부터 떨어질 때 별도의 빈들로 분리하는 것과 같이, 재료 조각들을 전환/배출하는 데 다른 메커니즘들이 사용될 수 있다. 푸셔 디바이스는, 그 용어가 본 명세서에서 사용되는 바와 같이, 임의의 적절한 유형의 기계식 푸싱 메커니즘(예를 들어, ACME 스크류 드라이브), 공압식(pneumatic) 푸싱 메커니즘 또는 에어 제트 푸싱 메커니즘과 같은 공압식, 기계식, 또는 다른 수단들을 사용하여 컨베이어 시스템/디바이스 상에서 또는 컨베이어 시스템/디바이스로부터 물체를 동적으로 옮기도록 활성화될 수 있는 임의의 형태의 디바이스를 지칭할 수 있다. 일부 실시예들은 컨베이어 시스템의 경로를 따라 상이한 위치들에 그리고/또는 상이한 전환 경로 방향들로 위치된 다수의 푸셔 디바이스들을 포함할 수 있다. 다양한 상이한 구현들에서, 본 명세서에 설명된 이러한 선별 시스템들은 기계 학습 시스템에 의해 식별된 재료 조각들의 특성들에 따라 어느 푸셔 디바이스(만약 있다면)를 활성화할지를 결정할 수 있다. 더욱이, 어느 푸셔 디바이스를 활성화할지에 대한 결정은 타깃 항목과 동시에 푸셔 디바이스의 전환 경로 내에 또한 있을 수 있는 다른 물체들의 검출된 존재 및/또는 특성들에 기초할 수 있다. 게다가, 컨베이어 시스템을 따른 싱귤레이션이 완벽하지 않은 시설들의 경우에도, 개시된 선별 시스템들은 다수의 물체들이 언제 잘 싱귤레이팅되지 않은지를 인식하고, 어떤 푸셔 디바이스가 근접한 물체들을 잠재적으로 분리하기 위한 최상의 전환 경로를 제공하는지에 기초하여 어떤 것이 활성화되어야 하는지를 복수의 푸셔 디바이스들로부터 동적으로 선택할 수 있다. 일부 실시예들에서, 타깃 물체들로서 식별된 물체들은 컨베이어 시스템 밖으로 전환되어야 하는 재료를 표현할 수 있다. 다른 실시예들에서, 타깃 물체들로서 식별된 물체들은 비-타깃 재료들이 대신 전환되도록 컨베이어 시스템에 남아 있도록 허용되어야 하는 재료를 표현한다.
재료 조각들(101)이 전환/배출되는 N 개의 선별 빈들(136...139)에 추가하여, 시스템(100)은 컨베이어 시스템(103)으로부터 전술된 선별 빈들(136...139) 중 임의의 것으로 전환/배출되지 않은 재료 조각들(101)을 수용하는 리셉터클 또는 빈(140)을 또한 포함할 수 있다. 예를 들어, 재료 조각(101)의 분류가 결정되지 않을 때(또는 단순히 선별 디바이스들이 조각을 적절하게 전환/배출하지 못했기 때문에) 또는 재료 조각(101)이 비전 시스템(110) 및/또는 센서 시스템(120)에 의해 검출된 오염물을 함유할 때 재료 조각(101)은 컨베이어 시스템(103)으로부터 N 개의 선별 빈들(136…139) 중 하나로 전환/배출되지 않을 수 있다. 따라서, 빈(140)은 분류되지 않은 재료 조각들이 폐기되는 기본 리셉터클로서 역할을 할 수 있다. 대안적으로, 빈(140)은 N 개의 선별 빈들(136…139) 중 임의의 것에 의도적으로 할당되지 않은 재료 조각들의 하나 이상의 분류들을 수용하는 데 사용될 수 있다. 그런 다음, 그러한 재료 조각들은 다른 특성들에 따라 그리고/또는 다른 선별 시스템에 의해 추가로 선별될 수 있다.
원하는 재료 조각들의 다양한 분류들에 따라, 다수의 분류들이 단일 선별 디바이스 및 연관된 선별 빈에 매핑될 수 있다. 다시 말해서, 분류들과 선별 빈들 사이에 일대일 상관이 있을 필요는 없다. 예를 들어, 사용자는 특정 분류들의 재료들을 동일한 선별 빈으로 선별하는 것이 바람직할 수 있다. 이러한 선별을 달성하기 위해, 재료 조각(101)이 사전 결정된 분류 그룹화에 속하는 것으로 분류될 때, 동일한 선별 디바이스는 활성화되어 이들을 동일한 선별 빈으로 선별할 수 있다. 그러한 조합 선별은 선별된 재료 조각들의 임의의 원하는 조합을 생성하기 위해 적용될 수 있다. 분류들의 매핑은 그러한 원하는 조합들을 생성하기 위해 (예를 들어, 컴퓨터 시스템(107)에 의해 동작되는 선별 알고리즘(예를 들어, 도 5 참조)을 사용하여) 사용자에 의해 프로그래밍될 수 있다. 추가적으로, 재료 조각들의 분류들은 사용자가 정의할 수 있으며, 재료 조각들의 임의의 특정한 알려진 분류들에 제한되지 않는다.
컨베이어 시스템(103)은 원형 컨베이어(도시되지 않음)를 포함할 수 있어, 분류되지 않은 재료 조각들은 시스템(100)의 시작 부분으로 되돌아가서 시스템(100)을 다시 통과한다. 더욱이, 시스템(100)은 컨베이어 시스템(103) 상에서 이동할 때 각각의 재료 조각(101)을 구체적으로 추적할 수 있기 때문에, 일부 종류의 선별 디바이스(예를 들어, 선별 디바이스(129))는 시스템(100)이 시스템(100)을 통한 사전 결정된 수의 사이클들 후에 분류하지 못한(또는 재료 조각(101)이 빈(140)에 수집됨) 재료 조각(101)을 지향/배출하도록 구현될 수 있다.
본 개시내용의 특정 실시예들 내에서, 컨베이어 시스템(103)은, 예를 들어, 2 개의 벨트들과 직렬로 구성된 다수의 벨트들로 분할될 수 있으며, 여기서 제1 벨트는 비전 시스템(110) 및/또는 구현된 센서 시스템(120)을 지나서 재료 조각들을 이송하고, 제2 벨트는 비전 시스템(110) 및/또는 구현된 센서 시스템(120)으로부터 선별 디바이스들로 재료 조각들을 이송한다. 더욱이, 그러한 제2 컨베이어 벨트는 제1 컨베이어 벨트보다 낮은 높이에 있을 수 있어, 재료 조각들은 제1 벨트로부터 제2 벨트로 떨어진다.
센서 시스템(120)을 구현하는 본 개시내용의 특정 실시예들 내에서, 방출원(121)은 검출 영역 위에(즉, 컨베이어 시스템(103) 위에) 위치될 수 있지만; 본 개시내용의 특정 실시예들은 수용 가능한 감지/검출된 물리적 특성들을 여전히 생성하는 다른 포지션들에 방출원(121) 및/또는 검출기들(124)을 위치시킬 수 있다.
센서 시스템(120)을 위한 XRF 시스템을 구현하는 시스템들(100)을 사용하여, 검출된 XRF 스펙트럼을 표현하는 신호들은 본 명세서에 추가로 설명된 바와 같이, 이를테면, 채널(즉, 엘리먼트)별로 개별 에너지 히스토그램으로 변환될 수 있다. 그러한 변환 프로세스는 제어 시스템(123) 또는 컴퓨터 시스템(107) 내에서 구현될 수 있다. 본 개시내용의 특정 실시예들 내에서, 그러한 제어 시스템(123) 또는 컴퓨터 시스템(107)은 상업적으로 입수 가능한 Amptech MCA 5000 포착 카드 및 카드를 동작시키도록 프로그래밍된 소프트웨어와 같은 상업적으로 입수 가능한 스펙트럼 포착 모듈을 포함할 수 있다. 그러한 스펙트럼 포착 모듈 또는 시스템(100) 내에 구현된 다른 소프트웨어는 x선들을 각각의 에너지 레벨이 시스템(100)이 검출하도록 구성된 엘리먼트에 대응하는 그러한 복수의 에너지 레벨들을 갖는 개별 에너지 스펙트럼(즉, 히스토그램)으로 분산시키기 위한 복수의 채널들을 구현하도록 구성될 수 있다. 시스템(100)은 상이한 재료들 사이를 구별하는 데 중요한 화학 주기율표 내의 특정 원소들에 대응하는 충분한 채널들이 있도록 구성될 수 있다. 각각의 에너지 레벨에 대한 에너지 카운트들은 별도의 수집 저장 레지스터에 저장될 수 있다. 그런 다음, 컴퓨터 시스템(107)은 각각의 수집 레지스터를 판독하여 수집 간격 동안 각각의 에너지 레벨에 대한 카운트 수를 결정하고, 에너지 히스토그램을 구축한다. 본 명세서에서 더 상세하게 설명될 바와 같이, 본 개시내용의 특정 실시예들에 따라 구성된 선별 알고리즘은 그런 다음, 에너지 레벨들의 이러한 수집된 히스토그램을 활용하여 재료 조각들(101) 중 적어도 특정 재료 조각들을 분류하고 그리고/또는 비전 시스템(110)이 재료 조각들(101)을 분류하는 것을 보조할 수 있다.
XRF 시스템을 센서 시스템(120)으로 구현하는 본 개시내용의 특정 실시예들에 따르면, 소스(121)는 미국 특허 제 10,207,296호에서 추가로 설명된 바와 같은 인라인 x선 형광("IL-XRF") 튜브를 포함할 수 있다. 그러한 IL-XRF 튜브는 이송된 재료 조각들의 (예를 들어, 싱귤레이팅된) 하나 이상의 스트림들에 각각 전용된 별도의 x선 소스를 포함할 수 있다. 그러한 경우, 하나 이상의 검출기들(124)은 싱귤레이팅된 스트림들 각각 내의 재료 조각들(101)로부터 형광 x선들을 검출하기 위한 XRF 검출기들로서 구현될 수 있다. 그러한 XRF 검출기들의 예들은 미국 특허 제 10,207,296호에 추가로 설명된다.
본 명세서에 설명된 시스템들 및 방법들은 주로 고체 상태의 재료 조각들을 분류하는 것과 관련하여 설명되었지만, 본 개시내용은 이에 제한되지 않는다는 것을 인식해야 한다. 본 명세서에 설명된 시스템들 및 방법들은 액체, 용융, 기체 또는 분말 고체 상태, 다른 상태 및 이들의 임의의 적합한 조합을 포함하는(그러나 이에 제한되지 않음) 물리적 상태들의 범위 중 임의의 것을 갖는 재료를 분류하는 데 적용될 수 있다.
본 명세서에 설명된 시스템들 및 방법들은 직경이 1/4인치 이하만큼 작은 다양한 크기들 중 임의의 크기를 갖는 개별 재료 조각들을 분류 및/또는 선별하는 데 적용될 수 있다. 본 명세서에 설명된 시스템들 및 방법들은 싱귤레이팅된 스트림의 개별 재료 조각들을 한 번에 하나씩 선별하는 것과 관련하여 주로 설명되지만, 본 명세서에 설명된 시스템들 및 방법들은 이에 제한되지 않는다. 그러한 시스템들 및 방법들은 동시에 복수의 재료들로부터의 방출들을 자극 및/또는 검출하는 데 사용될 수 있다. 예를 들어, 싱귤레이팅된 재료 스트림이 하나 이상의 컨베이어 벨트들을 따라 직렬로 이송되는 것과 대조적으로, 다수의 싱귤레이팅된 스트림들은 병렬로 이송될 수 있다. 각각의 스트림은 동일한 벨트 또는 병렬로 배열된 상이한 벨트들 상에 있을 수 있다. 추가로, 조각들은 하나 이상의 컨베이어 벨트들 상에(예를 들어, 이에 걸쳐 그리고 이를 따라) 랜덤하게 분산될 수 있다. 따라서, 본 명세서에 설명된 시스템들 및 방법들은 동시에 복수의 이러한 작은 조각들로부터의 방출들을 자극 및/또는 검출하는 데 사용될 수 있다. 다시 말해서, 각각의 작은 조각이 개별적으로 고려되는 것과 대조적으로, 복수의 작은 조각들이 단일 조각으로서 처리될 수 있다. 따라서, 복수의 작은 재료 조각들은 함께 분류 및 선별(예를 들어, 컨베이어 시스템으로부터 전환/배출)될 수 있다. 복수의 더 큰 재료 조각들은 또한 단일 재료 조각으로 처리될 수 있다는 것을 인식해야 한다.
앞서 언급된 바와 같이, 본 개시내용의 특정 실시예들은 재료 조각들을 식별, 추적, 및/또는 분류하기 위해 하나 이상의 비전 시스템들(예를 들어, 비전 시스템(110))을 구현할 수 있다. 본 개시내용의 실시예들에 따라, 그러한 비전 시스템(들)은 재료 조각들을 식별 및/또는 분류 및 선별하기 위해 단독으로 동작할 수 있거나, 재료 조각들을 식별 및/또는 분류 및 선별하기 위해 센서 시스템(예를 들어, 센서 시스템(120))과 조합하여 동작할 수 있다. 선별 시스템(예를 들어, 시스템(100))이 그러한 비전 시스템(들)(110)만으로 동작하도록 구성되면, 센서 시스템(120)은 시스템(100)으로부터 생략(또는 단순히 활성화해제)될 수 있다.
그러한 비전 시스템은 컨베이어 시스템 상에서 통과하는 재료 조각들의 이미지들을 캡처하거나 포착하기 위한 하나 이상의 디바이스들로 구성될 수 있다. 디바이스들은 가시광선, 적외선("IR"), 자외선("UV")을 포함하는(그러나 이에 제한되지 않음) 재료 조각들에 의해 조사되거나 반사되는 임의의 원하는 범위의 파장들을 캡처하거나 포착하도록 구성될 수 있다. 예를 들어, 비전 시스템은 재료 조각들의 이미지들이 센서 시스템(들)을 통과할 때 캡처되도록 컨베이어 시스템 부근에(예를 들어, 위에) 포지셔닝된 하나 이상의 카메라들(정지 및/또는 비디오, 그 중 어떤 것이든 2 차원, 3 차원 및/또는 홀로그램 이미지들을 캡처하도록 구성될 수 있음)로 구성될 수 있다. 본 개시내용의 대안적인 실시예들에 따르면, 센서 시스템(120)에 의해 캡처된 데이터는 (단독으로 또는 비전 시스템(110)에 의해 캡처된 이미지 데이터와 조합하여) 재료 조각들의 분류/선별을 위해 활용될 데이터로 프로세싱(변환)될 수 있다. 그러한 구현은 재료 조각들을 분류하기 위해 센서 시스템(120)을 활용하는 대신에, 또는 센서 시스템(120)과 조합하여 이루어질 수 있다.
재료 조각들의 캡처된 감지된 특성들/정보의 유형(들)에 관계없이, 그 정보는 그런 다음, 컴퓨터 시스템(예를 들어, 컴퓨터 시스템(107))에 전송되어 재료 조각들 각각을 식별 및/또는 분류하기 위해, 예를 들어, 기계 학습 시스템에 의해 프로세싱될 수 있다. 그러한 기계 학습 시스템은 신경망(예를 들어, 인공 신경망, 심층 신경망, 컨볼루션 신경망, 순환 신경망, 오토인코더들, 강화 학습 등)을 구현하는 시스템, 지도 학습, 비지도 학습, 준지도 학습, 강화 학습, 자가 학습, 특징 학습, 스파스(sparse) 사전 학습, 이상 검출, 로봇 학습, 연관 규칙 학습, 퍼지 논리, 인공 지능("AI"), 심층 학습 알고리즘들, 심층 구조화된 학습 계층적 학습 알고리즘, 지원 벡터 머신("SVM")(예를 들어, 선형 SVM, 비선형 SVM, SVM 회귀 등), 결정 트리 학습(예를 들어, 분류 및 회귀 트리("CART")), 앙상블 방법들(예를 들어, 앙상블 학습, 랜덤 포레스트, 배깅(Bagging) 및 페이스팅(Pasting), 패치들 및 하위공간들, 부스팅, 스태킹 등), 차원 축소(예를 들어, 투영, 매니폴드(Manifold) 학습, 주성분 분석 등), 및/또는 deeplearning.net 웹사이트에 설명되고 공개적으로 입수 가능한 것들(이 웹사이트 내에서 참조되는 모든 소프트웨어, 간행물 및 입수 가능한 소프트웨어에 대한 하이퍼링크들을 포함함)과 같은 심층 기계 학습 알고리즘을 포함하는 임의의 잘 알려진 기계 학습 시스템을 구현할 수 있으며, 이는 그에 의해 본 명세서에 인용에 의해 포함된다. 본 개시내용의 실시예들 내에서 활용될 수 있는 공개적으로 입수 가능한 기계 학습 소프트웨어 및 라이브러리들의 비제한적인 예들은 Python, OpenCV, Inception, Theano, Torch, PyTorch, Pylearn2, Numpy, Blocks, TensorFlow, MXNet, Caffe, Lasagne, Keras, Chainer, Matlab Deep Learning, CNTK, MatConvNet(컴퓨터 비전 애플리케이션들을 위한 컨볼루션 신경망들을 구현하는 MATLAB 도구 상자), DeepLearnToolbox((Rasmus Berg Palm으로부터의) 심층 학습을 위한 Matlab 도구 상자), BigDL, Cuda-Convnet(컨볼루션(또는 더 일반적으로 피드 포워드) 신경망들의 빠른 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(자연 이미지들의 모델들을 훈련하기 위해 CUDAMat 및 Gnumpy를 사용하는 Python 코드), ConvNet, Elektronn, OpenNN, NeuralDesigner, Theano Generalized Hebbian Learning, Apache Singa, Lightnet, 및 SimpleDNN을 포함한다.
기계 학습은 종종 2 개의 단계들에서 발생한다. 예를 들어, 먼저, 시스템(100)이 재료 조각들의 실제 분류/선별을 수행하는 데 활용되지 않는다는 점에서 오프라인으로 수행될 수 있는 훈련이 발생한다. 시스템(100)은 동종 재료 조각 세트들(본 명세서에서 제어 샘플들로 또한 지칭됨)(즉, 동일한 유형들 또는 클래스들의 재료들을 가짐)이 시스템(100)을 통과할 수 있고(예를 들어, 컨베이어 시스템(103)에 의해); 그리고 그러한 모든 재료 조각들이 선별되지 않지만 공통 빈(예를 들어, 빈(140))에 수집될 수 있다는 점에서 기계 학습 시스템을 훈련시키는 데 활용될 수 있다. 대안적으로, 훈련은 동종 재료 조각 세트들의 감지된 정보(특성들)를 수집하기 위한 일부 다른 메커니즘을 사용하는 것을 포함하여, 시스템(100)으로부터 멀리 떨어진 다른 위치에서 수행될 수 있다. 이러한 훈련 단계 동안, 기계 학습 시스템 내의 알고리즘들은 (예를 들어, 당해 기술 분야에 잘 알려진 이미지 프로세싱 기법들을 사용하여) 캡처된 정보로부터 특징들을 추출한다. 훈련 알고리즘들의 비제한적인 예들은 선형 회귀, 경사 하강, 피드 포워드, 다항식 회귀, 학습 곡선들, 정규화된 학습 모델들, 및 로지스틱 회귀를 포함한다(그러나 이에 제한되지 않음). 이 훈련 단계 동안, 기계 학습 시스템 내의 알고리즘들은 (예를 들어, 비전 시스템 및/또는 센서 시스템(들)에 의해 캡처된 바와 같이) 상이한 유형들의 재료들과 재료들의 특징들/특성들 사이의 관계들을 학습하여, 원하는 분류들에 의해 선별하기 위해 시스템(100)에 의해 수신된 이종 혼합물의 재료 조각들을 나중에 분류하기 위한 지식 기반을 생성한다. 그러한 지식 기반은 하나 이상의 라이브러리들을 포함할 수 있으며, 각각의 라이브러리는 기계 학습 시스템이 재료 조각들을 분류하는 데 활용하기 위한 파라미터들(예를 들어, 본 명세서에서 "신경망 파라미터들"로 또한 지칭됨)을 포함한다. 예를 들어, 하나의 특정 라이브러리는 특정 유형 또는 클래스의 재료를 인식하고 분류하기 위해 훈련 단계에 의해 구성된 파라미터들을 포함할 수 있다. 본 개시내용의 특정 실시예들에 따르면, 그러한 라이브러리들은 기계 학습 시스템에 입력될 수 있고, 그런 다음, 시스템(100)의 사용자는 시스템(100)의 동작을 조정하기 위해 파라미터들 중 특정 파라미터들을 조정(예를 들어, 기계 학습 시스템이 이종 혼합물의 재료들로부터 특정 재료를 어떻게 인식하는지에 대한 임계적 효과를 조정)할 수 있다.
추가적으로, 재료 조각들(예를 들어, 금속 합금들)에의 특정 재료들(예를 들어, 화학 원소들 또는 화합물)의 포함 또는 특정 화학 원소들 또는 화합물의 조합들은 재료들에서 식별 가능한 물리적 특징들(예를 들어, 시각적으로 식별할 수 있는 특성들)을 초래한다. 결과적으로, 그러한 특정 조성을 포함하는 복수의 재료 조각들이 전술된 훈련 단계를 통과할 때, 재료 학습 시스템은 다른 재료들로부터 그러한 재료 조각들을 어떻게 구별하는지를 학습할 수 있다. 결과적으로, 본 개시내용의 특정 실시예들에 따라 구성된 기계 학습 시스템은 개개의 재료/화학 조성들의 함수로써 재료 조각들 사이를 선별하도록 구성될 수 있다. 예를 들어, 그러한 기계 학습 시스템은 알루미늄 합금들 내에 함유된 특정된 합금 재료의 백분율의 함수로써 알루미늄 합금들이 선별될 수 있도록 구성될 수 있다.
예를 들어, 도 2는 전술된 훈련 단계 동안 사용될 수 있는 예시적인 주조 알루미늄 재료 조각들의 캡처되거나 포착된 이미지들을 도시한다. 도 3은 전술된 훈련 단계 동안 사용될 수 있는 예시적인 압출 알루미늄 재료 조각들의 캡처되거나 포착된 이미지들을 도시한다. 도 4는 전술된 훈련 단계 동안 사용될 수 있는 예시적인 단조 알루미늄 재료 조각들의 캡처되거나 포착된 이미지들을 도시한다. 훈련 단계 동안, 제어 샘플들인 복수의 재료 조각들의 특정(동종) 분류(유형)의 재료는 기계 학습 시스템이 그러한 예시적인 재료 조각들을 시각적으로 표현하는 특징들이 무엇인지를 검출, 추출, 및 학습하도록 컨베이어 시스템에 의해 비전 시스템을 지나서 전달될 수 있다. 다시 말해서, 도 2에 도시된 바와 같은 주조 알루미늄 재료 조각들의 이미지들은 먼저 그러한 훈련 단계를 통과하여, 기계 학습 알고리즘은 주조 알루미늄 합금들로 구성된 재료 조각들을 어떻게 검출, 인식, 및 분류하는지를 "학습"할 수 있다. 이는 주조 알루미늄 재료 조각들에 특정적인 파라미터들의 라이브러리를 생성한다. 그런 다음, 도 3에 도시된 바와 같은 압출 알루미늄 재료 조각들의 이미지들에 대해 동일한 프로세스가 수행되어, 압출 알루미늄 재료 조각들에 특정한 파라미터들의 라이브러리를 생성할 수 있다. 그리고, 도 4에 도시된 바와 같은 단조 알루미늄 재료 조각들의 이미지들에 대해 동일한 프로세스가 수행되어, 단조 알루미늄 재료 조각들에 특정한 파라미터들의 라이브러리를 생성할 수 있다. 비전 시스템에 의해 분류될 재료의 각각의 유형에 대해, 해당 재료의 유형에 대한 임의의 수의 예시적인 재료 조각들이 비전 시스템에 의해 통과될 수 있다. 캡처된 이미지가 입력 데이터로 주어지면, 기계 학습 알고리즘들은 N 개의 분류기들을 사용할 수 있으며, 분류기들 각각은 N 개의 상이한 재료 유형들 중 하나를 테스트한다.
알고리즘들이 설정되고 기계 학습 시스템이 (예를 들어, 사용자 정의 통계적 신뢰도 레벨 내에서) 재료 분류들에 대한 차이들을 충분히 학습한 후, 상이한 재료들에 대한 신경망 파라미터들의 라이브러리들은 그런 다음, 이종 혼합물의 재료 조각들로부터의 재료 조각들을 식별 및/또는 분류한 다음 선별이 수행될 것인 경우 그러한 분류된 재료 조각들을 가능하게는 선별하기 위해 사용될 재료 분류 및/또는 선별 시스템(예를 들어, 시스템(100))으로 구현된다.
기계 학습 시스템을 구성, 최적화, 및 활용하는 기법들은 관련 문헌에서 발견된 바와 같이 당업자들에게 알려져 있다. 그러한 문헌의 예들은 간행물들: 문헌 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 문헌 LeCun et al., "Gradient-Based Learning Applied to Document Recognition," Proceedings of the IEEE, Institute of Electrical and Electronic Engineers (IEEE), November 1998을 포함하며, 이 문헌들 모두는 그에 의해 그 전체가 본 명세서에 인용에 의해 포함된다.
예시적인 기법에서, 특정 재료 조각에 대해 센서 및/또는 비전 시스템에 의해 캡처된 데이터는 데이터 값들의 어레이로서 프로세싱될 수 있다. 예를 들어, 데이터는 특정 재료 조각에 대해 디지털 카메라 또는 다른 유형의 이미징 센서에 의해 캡처되고 픽셀 값들의 어레이로서 프로세싱되는 이미지 데이터일 수 있다. 각각의 데이터 값은 단일 숫자로 표현되거나, 값들을 표현하는 일련의 숫자들로 표현될 수 있다. 이 값들에는 뉴런 가중치 파라미터들이 곱해지며, 가능하게는 편향이 추가될 수 있다. 이는 뉴런 비선형성에 공급된다. 뉴런에 의해 출력된 결과적인 숫자는 기존 값들처럼 처리될 수 있는데, 여기서 이 출력에 후속 뉴런 가중 값들이 곱해지고, 선택적으로 편향이 추가되어 다시 한 번 뉴런 비선형성에 공급된다. 프로세스의 각각의 그러한 반복은 신경망의 "레이어"로 알려져 있다. 최종 레이어의 최종 출력들은 재료 조각과 관련된 캡처된 데이터에 재료가 존재하거나 존재하지 않을 확률들로 해석될 수 있다. 그러한 프로세스의 예들은 앞서 언급된 "ImageNet Classification with Deep Convolutional Networks" 및 "Gradient-Based Learning Applied to Document Recognition" 참조들 모두에 상세하게 설명된다.
본 개시내용의 실시예들에 따르면, 최종 레이어("분류 레이어")로서, 최종 뉴런 출력 세트는 재료 조각이 캡처된 데이터와 연관될 가능성을 표현하도록 훈련된다. 동작 동안, 재료 조각이 캡처된 데이터와 연관될 가능성이 사용자 특정된 임계치를 초과하면, 특정 재료 조각이 실제로 캡처된 데이터와 연관된 것으로 결정된다. 이러한 기법들은 캡처된 특정 데이터와 연관된 재료 유형의 존재뿐만 아니라 캡처된 특정 데이터의 하위 영역들이 하나의 유형의 재료 또는 다른 유형의 재료에 속하는지 여부를 결정하도록 확장될 수 있다. 이 프로세스는 세그먼트화(segmentation)로 알려져 있고, "완전 컨볼루션" 신경망들 또는 달리 완전 컨볼루션이 아닌 경우 컨볼루션 부분을 포함하는(즉, 부분적으로 컨볼루션인) 네트워크들로 알려져 있는 것들과 같은 신경망들을 사용하기 위한 기법들이 문헌에 존재한다. 이는 재료 위치 및 크기가 결정될 수 있도록 한다.
본 개시내용이 기계 학습 기법들에만 제한되는 것은 아니라는 것을 이해해야 한다. 재료 분류/식별을 위한 다른 일반적인 기법들이 또한 사용될 수 있다. 예를 들어, 센서 시스템은 다중 또는 하이퍼 스펙트럼 카메라들을 사용하는 광학 분광 기법들을 활용하여 재료의 스펙트럼 방출들을 검사함으로써 재료의 유형의 존재 또는 부재를 표시할 수 있는 신호를 제공할 수 있다. 재료 조각의 사진들은 또한 템플릿-매칭 알고리즘에 사용될 수 있는데, 여기서 이미지들의 데이터베이스는 그 데이터베이스로부터 특정 유형들의 재료들의 존재 또는 부재를 발견하기 위해 획득된 이미지와 비교된다. 캡처된 이미지의 히스토그램은 또한 히스토그램들의 데이터베이스와 비교될 수 있다. 유사하게, 단어 주머니 기법(bag of words model)은 캡처된 이미지와 데이터베이스의 이미지들 사이에 추출된 특징들을 비교하기 위해 스케일 불변 특징 변환("SIFT")과 같은 특징 추출 기법과 함께 사용될 수 있다.
따라서, 본 명세서에 개시된 바와 같이, 본 개시내용의 특정 실시예들은 어떤 재료 조각들을 컨베이어 시스템 또는 디바이스로부터 전환해야 하는지를 결정하기 위해 하나 이상의 상이한 재료들의 식별/분류를 제공한다. 특정 실시예들에 따르면, 기계 학습 기법들은 다양한 하나 이상의 상이한 재료들을 식별하기 위해 신경망을 훈련(즉, 구성)하는 데 활용된다. 이미지들 또는 다른 유형들의 감지된 정보는 (예를 들어, 컨베이어 시스템 상에서 이동하는) 재료들의 캡처이며, 그러한 재료들의 식별/분류에 기초하여, 본 명세서에 설명된 시스템들은 컨베이어 시스템에 남아 있도록 허용되어야 하는 재료 조각과 컨베이어 시스템으로부터 전환/제거(예를 들어, 수집 빈으로 또는 다른 컨베이어 시스템으로 전환)되어야 하는 재료 조각을 결정할 수 있다.
본 개시내용의 특정 실시예들에 따르면, 기존 설비에 대한 기계 학습 시스템은 현재 신경망 파라미터 세트를 새로운 신경망 파라미터 세트로 대체함으로써 새로운 재료의 특성들을 검출하고 인식하도록 동적으로 재구성될 수 있다.
여기서 한 가지 언급할 점은, 본 개시내용의 특정 실시예들에 따르면, 재료 조각들의 검출/추출된 특징들/특성들은 반드시 단순히 특별히 식별 가능한 물리적 특성들일 필요는 없으며; 수학적으로만 표현될 수 있거나 수학적으로 전혀 표현되지 않을 수 있는 추상적인 공식들일 수 있지만; 기계 학습 시스템은 훈련 단계 동안 제어 샘플들이 분류될 수 있는 패턴들을 찾기 위해 데이터 모두를 파싱한다. 또한, 기계 학습 시스템은 재료 조각의 캡처된 정보의 하위 섹션들을 취하고 사전 정의된 분류들 사이의 상관들을 발견하려고 시도할 수 있다.
본 개시내용의 특정 실시예들에 따르면, 재료 조각들의 제어 샘플들이 비전 시스템 및/또는 센서 시스템(들)에 의해 통과되는 훈련 단계를 활용하는 대신, 기계 학습 시스템의 훈련은 라벨링/주석 기법(또는 임의의 다른 지도 학습 기법)을 활용하여 수행될 수 있으며, 여기서 재료 조각들의 데이터/정보가 비전/센서 시스템에 의해 캡처될 때, 사용자는 각각의 재료 조각을 식별하는 라벨 또는 주석을 입력하며, 이는 그런 다음, 이종 혼합물의 재료 조각들 내에서 재료 조각들을 분류할 때 기계 학습 시스템에 의해 사용할 라이브러리를 생성하는 데 사용된다.
본 개시내용의 특정 실시예들에 따르면, 본 개시내용에 개시된 센서 시스템들(120) 중 임의의 센서 시스템에 의해 출력되는 임의의 감지된 특성들은 재료들을 분류 및/또는 선별하기 위해 기계 학습 시스템에 입력될 수 있다. 예를 들어, 지도 학습을 구현하는 기계 학습 시스템에서, 재료(예를 들어, 특정 금속 합금)의 특정 유형 또는 조성을 고유하게 특성화하는 센서 시스템(120)의 출력들이 기계 학습 시스템을 훈련시키는 데 사용될 수 있다.
파쇄기를 통과한 후, 사이딩(sidings)(통상적으로 얇은 알루미늄 시트들로 제조됨), 압출재(통상적으로 두꺼운 알루미늄 프레임 바들로 제조됨) 및 주물은 매우 상이하게 보인다. 도 2는 주조 알루미늄으로 만들어진 예시적인 스크랩 조각들의 시각적 이미지들을 도시한다. 도 3은 알루미늄 압출재로 만들어진 예시적인 스크랩 조각들의 시각적 이미지들을 도시한다. 도 4는 단조 알루미늄으로 만들어진 예시적인 스크랩 조각들의 시각적 이미지들을 도시한다. 본 개시내용의 실시예들은 이러한 3 개의 상이한 유형들의 알루미늄 스크랩 조각들 사이를 분류/선별할 수 있는 본 명세서에 설명된 바와 같은 비전 시스템을 활용한다. 도 2-도 4의 예들에 의해 도시된 바와 같이, 알루미늄 압출재는 주조 및 단조 알루미늄 스크랩 조각들과 구별될 수 있는 전체적인 물리적 외관을 가지며, 이는 본 개시 내용의 실시예들에 따라 구성된 기계 학습 시스템에 의해 학습될 수 있다.
본 개시내용의 실시예들은 단조 알루미늄 조각들과 주조 알루미늄 조각들을 모두 함유하는 Twitch로부터 단조 알루미늄 합금 재료 조각들을 선별하도록 구성된다. 본 개시내용의 특정 실시예들에서, 압출 알루미늄 합금 조각들은 단조 알루미늄 합금 조각들과 함께 선별될 수 있다(또는 주조 알루미늄과 단조 알루미늄 모두로부터 별도로 선별될 수 있음). Mg의 대부분은 단조 알루미늄 내에 있기 때문에, 대부분 주조 알루미늄 합금들을 함유하는 나머지 알루미늄 스크랩 조각들은 상대적으로 적은 양의 Mg를 갖는다. 본 개시내용의 특정 실시예들에 따르면, 임의의 복수의 상이한 주조 알루미늄 합금들 사이를 분류/선별하고 그리고/또는 다른 불순물들(예를 들어, PCB, 스테인리스 강, 폼, 고무 등으로 구성된 스크랩 조각들)을 제거하기 위해 이러한 나머지 알루미늄 스크랩 조각들(본 명세서에서 "주조 부분"으로 또한 지칭됨)에 대해 다른 종류(또는 복수의 선별 사이클들)가 수행될 수 있다. 주조 부분은 319, 356, 360, 및/또는 380 시리즈 합금 조각들과 같은 주조 합금들을 포함할 수 있다. 이러한 합금들은 다양한 양의 규소, Cu, Zn, Fe, 및 Mn을 함유하지만, 매우 적은 양의 Mg(통상적으로 0-0.6%)를 함유한다.
본 개시내용의 특정 실시예들에 따르면, 본 명세서에 개시된 센서 시스템들(120) 중 하나 이상은 전술된 주조 부분들 및 단조 부분들 중 하나 또는 둘 모두를 분류/선별하는 데 활용될 수 있다. 예를 들어, LIBS를 사용하는 센서 시스템 및/또는 XRF 시스템 중 하나 또는 둘 모두는 2 개 이상의 상이한 주조 알루미늄 합금들 또는 2 개 이상의 상이한 단조 알루미늄 합금들 사이를 분류/선별하는 데 활용될 수 있다. 이를 위한 XRF 시스템의 활용은 미국 특허 제 10,207,296호에 개시된다.
레이저 유도 분해 분광법("LIBS"), 레이저 스파크 분광법("LSS"), 또는 레이저 유도 광학 방출 분광법("LIOES")으로 알려져 있는 분광법 기법은 집중된 레이저 빔을 사용하여 기화시키고 후속적으로 샘플 재료로부터의 스펙트럼 라인 방출들을 생성한다. 이러한 방식으로, 분석 장비로부터 떨어져 배치된 샘플들은 이들의 화학 조성을 위해 분석될 수 있다. 본 개시내용의 실시예들은 전술된 것들 중 임의의 것을 활용하여 복수의 재료들을 선별하기 위한 상이한 클래스들로 분류할 수 있다. 선별을 위한 LIBS의 사용은 미국 특허 제 5,042,947호, 제 6,545,240호, 및 제 10,478,861호에 추가로 설명되며, 이들 모두는 그에 의해 본 명세서에서 인용에 의해 포함된다.
도 5는 본 개시내용의 특정 실시예들에 따른, 비전 시스템 및/또는 센서 시스템을 활용하여 재료 조각들을 분류/선별하는 프로세스(3500)의 예시적인 실시예들을 도시하는 흐름도를 예시한다. 프로세스(3500)는 도 1의 시스템(100)을 포함하여, 본 명세서에 설명된 본 개시내용의 실시예들 중 임의의 실시예 내에서 동작하도록 구성될 수 있다. 프로세스(3500)의 동작은 선별 시스템(예를 들어, 도 1의 컴퓨터 시스템(107), 비전 시스템(110), 및/또는 센서 시스템(들)(120))을 제어하는 컴퓨터 시스템(예를 들어, 도 8의 컴퓨터 시스템(3400)) 내에 포함되는 하드웨어 및/또는 소프트웨어에 의해 수행될 수 있다. 프로세스 블록(3501)에서, 재료 조각들은 컨베이어 시스템 상에 공급될 수 있다. 프로세스 블록(3502)에서, 각각의 재료 조각의 컨베이어 시스템 상의 위치는 선별 시스템을 통해 이동하는 각각의 재료 조각의 추적을 위해 검출된다. 이는 (예를 들어, 컨베이어 시스템 포지션 검출기(예를 들어, 포지션 검출기(105))와 통신하는 동안 재료 조각을 기본 컨베이어 시스템 재료와 구별함으로써) 비전 시스템(110)에 의해 수행될 수 있다. 대안적으로, 선형 시트 레이저 빔이 조각들을 위치시키는 데 사용될 수 있다. 또는, 광원(가시광선, UV 및 IR을 포함함(그러나 이에 제한되지 않음))을 생성할 수 있고, 조각들을 위치시키는 데 사용할 수 있는 검출기를 구비할 수 있는 임의의 시스템. 프로세스 블록(3503)에서, 재료 조각이 비전 시스템 및/또는 센서 시스템(들) 중 하나 이상 부근으로 이동할 때, 재료 조각의 감지된 정보/특성들이 캡처/포착된다. 프로세스 블록(3504)에서, 이전에 개시된 것과 같은 비전 시스템(예를 들어, 컴퓨터 시스템(107) 내에 구현됨)은 캡처된 정보의 프리 프로세싱을 수행할 수 있으며, 이는 재료 조각들 각각을 검출(추출)하는 데 활용될 수 있다(예를 들어, 배경(예를 들어, 컨베이어 벨트)으로부터; 다시 말해서, 프리 프로세싱은 재료 조각과 배경 사이의 차이를 식별하는 데 활용될 수 있음). 확장, 임계치 설정, 및 윤곽화와 같은 잘 알려진 이미지 프로세싱 기법들이 재료 조각을 배경과 구별되는 것으로 식별하는 데 활용될 수 있다. 프로세스 블록(3505)에서, 세그먼트화가 수행될 수 있다. 예를 들어, 캡처된 정보는 하나 이상의 재료 조각들과 관련된 정보를 포함할 수 있다. 추가적으로, 특정 재료 조각은 이미지가 캡처될 때 컨베이어 벨트의 이음새에 위치될 수 있다. 따라서, 그러한 경우들에서 개별 재료 조각의 이미지를 이미지의 배경으로부터 격리하는 것이 바람직할 수 있다. 프로세스 블록(3505)의 일 예시적인 기법에서, 제1 단계는 이미지의 높은 대비를 적용하는 것이며; 이러한 방식으로, 배경 픽셀들은 실질적으로 모두 흑색 픽셀들로 감소되고, 재료 조각과 관련된 픽셀들 중 적어도 일부는 실질적으로 모두 백색 픽셀들로 밝아진다. 그런 다음, 백색인 재료 조각의 이미지 픽셀들이 재료 조각의 전체 크기를 덮도록 확장된다. 이 단계 후에, 재료 조각의 위치는 흑색 배경 상의 모든 백색 픽셀들의 높은 대비 이미지이다. 그런 다음, 재료 조각의 경계들을 검출하는 데 윤곽화 알고리즘이 활용될 수 있다. 경계 정보가 저장되고, 그런 다음, 경계 위치들이 원본 이미지로 전송된다. 그런 다음, 원본 이미지에서 이전에 정의된 경계보다 큰 영역에 대해 세그먼트화가 수행된다. 이러한 방식으로, 재료 조각이 식별되고, 배경으로부터 분리된다.
선택적 프로세스 블록(3506)에서, 재료 조각들은 재료 조각들의 크기 및/또는 모양을 결정하기 위해 거리 측정 디바이스 및/또는 센서 시스템 부근 내에서 컨베이어 시스템을 따라 이송될 수 있으며, 이는 선별 시스템 내에 XRF 시스템, LIBS 시스템, 또는 일부 다른 분광 센서가 구현되고 그러한 크기 및/또는 모양 결정들을 요구하는 경우에 유용할 수 있다. 프로세스 블록(3507)에서, 포스트 프로세싱이 수행될 수 있다. 포스트 프로세싱은 신경망들에서 사용하도록 준비하기 위해 캡처된 정보/데이터의 크기를 재조정하는 것을 포함할 수 있다. 이는 또한 재료 조각들을 분류하기 위해 기계 학습 시스템의 능력에 대한 향상을 산출할 방식으로 특정 속성들(예를 들어, 이미지 대비 향상, 이미지 배경 변경, 또는 필터들의 적용)을 수정하는 것을 포함할 수 있다. 프로세스 블록(3509)에서, 데이터의 크기가 재조정될 수 있다. 신경망들과 같은 특정 기계 학습 시스템들에 대한 데이터 입력 요건들에 매칭하기 위해 특정 상황들 하에서 데이터 크기 재조정이 필요할 수 있다. 예를 들어, 신경망들은 통상적인 디지털 카메라들에 의해 캡처된 이미지들의 크기들보다 훨씬 작은 이미지 크기들(예를 들어, 225 x 255 픽셀들 또는 299 x 299 픽셀들)을 요구할 수 있다. 더욱이, 입력 데이터 크기가 작을수록 분류를 수행하는 데 필요한 프로세싱 시간이 줄어든다. 따라서, 데이터 크기들이 작을수록 궁극적으로 선별기 시스템(100)의 처리량을 증가시키고, 그 값을 증가시킬 수 있다.
프로세스 블록들(3510 및 3511)에서, 각각의 재료 조각에 대해, 재료의 유형 또는 클래스가 감지/검출된 특징들에 기초하여 식별/분류된다. 예를 들어, 프로세스 블록(3510)은 추출된 특징들을 훈련 단계 동안 생성된 지식 기반에 저장된 특징들과 비교하고, 그러한 비교에 기초하여 가장 일치도가 높은 분류를 재료 조각들 각각에 할당하는 하나 이상의 기계 학습 알고리즘들을 사용하는 신경망으로 구성될 수 있다. 기계 학습 시스템의 알고리즘들은 자동으로 훈련된 필터들을 사용함으로써 캡처된 정보/데이터를 계층적 방식으로 프로세싱할 수 있다. 그런 다음, 필터 응답들은 최종 단계에서 확률이 얻어질 때까지 알고리즘들의 다음 레벨들에서 성공적으로 조합된다. 프로세스 블록(3511)에서, 이러한 확률들은 개개의 재료 조각들이 선별되어야 하는 N 개의 선별 빈들 중 어느 선별 빈으로 선별되어야 하는지를 결정하기 위해 N 개의 분류들 각각에 대해 사용될 수 있다. 예를 들어, N 개의 분류들 각각은 하나의 선별 빈에 할당될 수 있고, 고려 중인 재료 조각은 사전 정의된 임계치보다 큰 가장 높은 확률을 반환하는 분류에 대응하는 그 빈으로 선별된다. 본 개시내용의 실시예들 내에서, 그러한 사전 정의된 임계치들은 사용자에 의해 사전 세팅될 수 있다. 확률들 중 어느 것도 사전 결정된 임계치보다 크지 않은 경우, 특정 재료 조각은 이상치(outlier) 빈(예를 들어, 선별 빈(140))으로 선별될 수 있다.
다음으로, 프로세스 블록(3512)에서, 재료 조각의 분류 또는 분류들에 대응하는 선별 디바이스가 활성화될 수 있다. 재료 조각의 이미지가 캡처된 시간과 선별 디바이스가 활성화된 시간 사이에, 재료 조각은 비전 시스템 및/또는 센서 시스템(들) 부근으로부터 컨베이어 시스템의 하류 위치로 이동한다(예를 들어, 컨베이어 시스템의 이송 속도에 따라). 본 개시내용의 실시예들에서, 선별 디바이스의 활성화는 재료 조각이 재료 조각의 분류에 매핑된 선별 디바이스를 통과할 때, 선별 디바이스가 활성화되고, 재료 조각이 컨베이어 시스템으로부터 연관된 선별 빈으로 전환/배출되도록 타이밍이 결정된다. 본 개시내용의 실시예들 내에서, 선별 디바이스의 활성화는 재료 조각이 선별 디바이스 앞을 통과하는 시기를 검출하고 선별 디바이스의 활성화를 가능하게 하는 신호를 전송하는 개개의 포지션 검출기에 의해 타이밍이 결정될 수 있다. 프로세스 블록(3513)에서, 활성화된 선별 디바이스에 대응하는 선별 빈은 전환/배출된 재료 조각을 수용한다.
도 6은 본 개시내용의 특정 실시예들에 따라 재료 조각들을 선별하는 프로세스(400)의 예시적인 실시예들을 도시하는 흐름도를 예시한다. 프로세스(400)는 도 1의 시스템(100)을 포함하여, 본 명세서에 설명된 본 개시내용의 실시예들 중 임의의 실시예 내에서 동작하도록 구성될 수 있다. 프로세스(400)는 프로세스(3500)와 함께 동작하도록 구성될 수 있다. 예를 들어, 본 개시내용의 특정 실시예들에 따르면, 프로세스 블록들(403 및 404)은 기계 학습 시스템과 함께 구현되는 비전 시스템(110)의 노력들을 재료 조각들을 분류 및/또는 선별하기 위해 기계 학습 시스템과 함께 구현되지 않는 센서 시스템(예를 들어, 센서 시스템(120))과 조합하기 위해 (예를 들어, 프로세스 블록들(3503 내지 3510)과 직렬로 또는 병렬로 동작하는) 프로세스(3500)에 통합될 수 있다.
프로세스(400)의 동작은 선별 시스템(예를 들어, 도 1의 컴퓨터 시스템(107))을 제어하는 컴퓨터 시스템(예를 들어, 도 8의 컴퓨터 시스템(3400)) 내에 포함되는 하드웨어 및/또는 소프트웨어에 의해 수행될 수 있다. 프로세스 블록(401)에서, 재료 조각들은 컨베이어 시스템 상에 공급될 수 있다. 다음으로, 선택적 프로세스 블록(402)에서, 재료 조각들은 재료 조각들의 크기 및/또는 모양을 결정하기 위해 거리 측정 디바이스 및/또는 광학 이미징 시스템의 부근 내에서 컨베이어 시스템을 따라 이송될 수 있다. 프로세스 블록(403)에서, 재료 조각이 센서 시스템 부근에서 이동한 경우, 재료 조각은 센서 시스템(예를 들어, LIBS 시스템)에 의해 활용되는 특정 유형의 센서 기술에 적절한 일부 유형의 에너지로 조사되거나 자극될 수 있다. 프로세스 블록(404)에서, 재료 조각의 물리적 특성들은 센서 시스템에 의해 감지/검출된다. 프로세스 블록(405)에서, 재료 조각들 중 적어도 일부에 대해, 재료의 유형이 (적어도 부분적으로) 감지된/검출된 특성들에 기초하여 식별/분류되며, 이는 비전 시스템(110)과 함께 기계 학습 시스템에 의한 분류와 조합될 수 있다.
다음으로, 재료 조각들의 선별이 수행되어야 하는 경우, 프로세스 블록(406)에서, 재료 조각의 분류 또는 분류들에 대응하는 선별 디바이스가 활성화된다. 재료 조각이 감지된 시간과 선별 디바이스가 활성화되는 시간 사이에, 재료 조각은 컨베이어 시스템의 이송 속도에 따라 센서 시스템 부근으로부터 컨베이어 시스템의 하류 위치로 이동한다. 본 개시내용의 특정 실시예들에서, 선별 디바이스의 활성화는 재료 조각이 재료 조각의 분류에 매핑된 선별 디바이스를 통과할 때, 선별 디바이스가 활성화되고, 재료 조각이 컨베이어 시스템으로부터 연관된 선별 빈으로 전환/배출되도록 타이밍이 결정된다. 본 개시내용의 특정 실시예들 내에서, 선별 디바이스의 활성화는 재료 조각이 선별 디바이스 앞을 언제 통과하는지를 검출하고 선별 디바이스의 활성화를 가능하게 하는 신호를 전송하는 개개의 포지션 검출기에 의해 타이밍이 결정될 수 있다. 프로세스 블록(407)에서, 활성화된 선별 디바이스에 대응하는 선별 빈은 전환/배출된 재료 조각을 수용한다.
본 개시내용의 특정 실시예들에 따르면, 시스템(100)의 복수의 적어도 일부가 선별의 다수의 반복들 또는 레이어들을 수행하기 위해 연속적으로 함께 링크될 수 있다. 예를 들어, 2 개 이상의 시스템들(100)이 그러한 방식으로 링크될 때, 컨베이어 시스템은 단일 컨베이어 벨트 또는 다수의 컨베이어 벨트들로 구현될 수 있으며, 선별기(예를 들어, 제1 자동화 제어 시스템(108) 및 연관된 하나 이상의 선별 디바이스들(126...129))에 의해 제1 세트의 이종 혼합물의 재료들의 재료 조각들을 제1 세트의 하나 이상의 리셉터클들(예를 들어, 선별 빈들(136...139)) 내로 선별하도록 구성된 제1 비전 시스템(및, 특정 실시예들에 따르면, 센서 시스템)을 지나서 재료 조각들을 이송시킨 다음, 제2 선별기에 의해 제2 세트의 이종 혼합물의 재료들의 재료 조각들을 제2 세트의 하나 이상의 선별 빈들 내로 선별하도록 구성된 제2 비전 시스템(및, 특정 실시예들에 따르면, 다른 센서 시스템)을 지나서 재료 조각들을 이송한다.
그러한 연속 시스템들(100)은 그러한 방식으로 함께 링크된 임의의 수의 그러한 시스템들을 포함할 수 있다. 본 개시내용의 특정 실시예들에 따르면, 각각의 연속 비전 시스템은 이전 비전 시스템(들)과 상이한 재료를 선별하도록 구성될 수 있다.
본 개시내용의 다양한 실시예들에 따르면, 상이한 유형들 또는 클래스들의 재료들이 각각 상이한 유형들의 센서들에 의해 분류되어 기계 학습 시스템과 함께 사용될 수 있으며, 스크랩 또는 폐기물의 스트림에서 재료 조각들을 분류하기 위해 조합될 수 있다.
본 개시내용의 다양한 실시예들에 따르면, 2 개 이상의 센서들로부터의 데이터는 재료 조각들의 분류들을 수행하기 위해 단일 또는 다수의 기계 학습 시스템들을 사용하여 조합될 수 있다.
본 개시내용의 다양한 실시예들에 따르면, 다수의 센서 시스템들이 단일 컨베이어 시스템에 장착될 수 있으며, 각각의 센서 시스템은 상이한 기계 학습 시스템을 활용할 수 있다. 본 개시내용의 다양한 실시예들에 따르면, 다수의 센서 시스템들이 상이한 컨베이어 시스템들 상에 장착될 수 있으며, 각각의 센서 시스템은 상이한 기계 학습 시스템을 활용할 수 있다.
도 7a 내지 도 7b는 복수의 금속 합금 조각들을 선별하기 위해 본 개시내용의 특정 실시예들에 따라 구성된 시스템 및 프로세스(1600)를 예시한다. 도 7a는 그러한 시스템 및 프로세스(1600)의 측면도의 예시적이고 비제한적인 개략도를 예시하는 반면, 도 7b는 평면도를 예시한다. 도 7a 내지 도 7b는 분류/선별의 3 개의 단계들을 도시하며, 그러한 단계들의 임의의 수가 본 개시내용의 다양한 실시예들에 따라 구현될 수 있다.
복수의 금속 합금 조각들(1601)은 경사형 컨베이어 시스템(1603)에 의해 픽업되도록 (예를 들어, 컨베이어 벨트(1602)에 의해) 이송될 수 있다. 단순화를 위해 재료 조각들(1601)은 도 7b에 도시되지 않았다는 점에 유의한다. 컨베이어 시스템(1603)은 선별하기 위한 재료 조각들을 분류하기 위해 센서 시스템(1610)을 지나서 재료 조각들(1601)을 이송한다. 개시된 비전 시스템(110) 또는 센서 시스템들(120)(예를 들어, LIBS, XRF 등) 중 임의의 것이 활용될 수 있다.
비제한적인 예에서, 컨베이어 시스템(1602)에 공급되는 재료 조각들(1601)은 다양한 합금 조성들의 주조, 단조, 및/또는 압출 알루미늄 합금들을 포함하는 알루미늄 합금들의 혼합물일 수 있다. AI 시스템(1610)은 단조 알루미늄 합금(들)으로 구성된 그러한 재료 조각들을 인식하고, 분류하며, 주조 알루미늄 합금들로 구성된 재료 조각들과 구별하도록 구성될 수 있다. 컨베이어 시스템(1603)은 단조 알루미늄 합금(들)으로 분류된 재료 조각들을 이하의 경사 컨베이어 시스템(1604)으로 "던지기" 위해 충분한 속도로 동작하도록 구성될 수 있다. 단조 알루미늄 합금(들)(예를 들어, 주조 및/또는 압출 합금들)으로 구성된 바와 같이 분류되지 않은 재료 조각들은 선별 디바이스(1620)에 의해 하부에 포지셔닝된 컨베이어 시스템(1606)으로 배출된다. 예를 들어, 그러한 선별 디바이스(1620)는 본 명세서에 설명된 것과 같은 에어 제트 노즐일 수 있으며, 이는 컨베이어 시스템(1603) 종단으로부터 컨베이어 시스템(1604) 위로 "던지기"되는 재료 조각들의 정상 궤적으로부터 단조 알루미늄 합금(들)으로 분류되지 않은 재료 조각을 배출하도록 작동된다. 단조 알루미늄 합금(들)(예를 들어, 주조 및/또는 압출 합금들)으로 분류되지 않은 재료 조각들은 빈 또는 리셉터클(1630)로 이송될 수 있거나, 이들은 본 명세서에 개시된 바와 같은 다른 센서 시스템(120)을 지나서 이송될 수 있다.
단조 알루미늄 합금(들)으로 분류된 재료 조각들은 XRF 또는 LIBS 시스템(1611)을 지나서 이송될 수 있으며, 이는 동일한 단조 알루미늄 합금 시리즈를 포함하여 상이한 단조 알루미늄 합금(들) 사이를 식별, 분류, 및 구별하도록 구성될 수 있다. 컨베이어 시스템(1604)은 하나 이상의 특정 단조 알루미늄 합금들에 속하는 것으로 분류된 재료 조각들을 이하의 경사 컨베이어 시스템(1605)으로 "던지기" 위해 충분한 속도로 동작하도록 구성될 수 있다. 다른 단조 알루미늄 합금(들)은 선별 디바이스(1621)에 의해 하부에 포지셔닝된 컨베이어 시스템(1607) 상으로 배출될 수 있다. 예를 들어, 그러한 선별 디바이스(1621)는 본 명세서에 설명된 것과 같은 에어 제트 노즐일 수 있으며, 이는 컨베이어 시스템(1604) 종단으로부터 컨베이어 시스템(1605) 위로 "던지기"되는 재료 조각들의 정상 궤적으로부터 하나 이상의 특정 단조 알루미늄 합금(들)에 속하는 것으로 분류된 재료 조각을 배출하도록 작동된다. 분류된 재료 조각들은 빈 또는 리셉터클(1631)로 이송될 수 있다.
하나 이상의 특정 단조 알루미늄 합금(들)에 속하는 것으로 분류된 재료 조각들은 센서 시스템(1612)을 지나서 이송될 수 있으며, 이는 그러한 특정 재료를 함유하는 것으로 알려져 있는 특정 단조 알루미늄 합금을 분류하기 위해 특정 재료의 임계량을 함유하는 그러한 재료 조각들을 식별하고 분류하도록 구성될 수 있다.
본 개시내용의 대안적인 실시예들에 따르면, 선별기(1620)에 의해 이전에 선별된 주조 알루미늄 합금(들)은 어떤 특정한 주조 합금 부분들을 분류/선별하기 위해 본 명세서에 기술된 바와 같은 XRF 시스템을 지나서 컨베이어 시스템(1606)에 의해 이송될 수 있다. 주조 알루미늄 합금(319)은 XRF 스펙트럼에서 관찰할 수 있는 단일의 큰 구리 피크를 갖고, 주조 알루미늄 합금(356)은 그러한 큰 구리 피크를 갖지 않으며, 주조 알루미늄 합금(380)은 큰 구리 피크 및 아연 피크 둘 모두를 갖는다. 이러한 주조 알루미늄 합금들 사이를 높은 정확성으로 선별하기 위해 이러한 큰 차이들이 XRF 시스템에서 활용될 수 있다. 주조 부분들의 분류/선별은 미국 공개 특허 출원 제 2021/0229133호에 추가로 개시되며, 이는 그에 의해 본 명세서에서 인용에 의해 포함된다.
컨베이어 시스템들(1605 및 1608)은 컨베이어 시스템들(1603 및 1604)과 유사한 방식으로 동작하도록 구성될 수 있고, 선별기(1622)는 선별기들(1620, 1621)과 유사한 방식으로 동작하도록 구성될 수 있으며, 빈들(1632, 1633)은 빈들(1630, 1631)과 유사하게 구성될 수 있다.
시스템 및 프로세스(1600)는 한 라인의 컨베이어 시스템들에 제한되지 않지만, 각각이 분류된 재료 조각들을 다수의 컨베이어 시스템들(예를 들어, 컨베이어 시스템들(1606…1608)) 상으로 배출하는 다수의 라인들로 확장될 수 있다는 점에 유의한다. 마찬가지로, 컨베이어 시스템들(1606…1608) 중 하나 이상은 그러한 재료 조각들을 추가로 분류하기 위해 임의의 수의 추가 센서 시스템들로 구현될 수 있다.
게다가, 본 개시내용의 실시예들은 알루미늄 합금들의 선별에 제한되지 않지만, Zorba로부터의 다양한 금속들(예를 들어, 구리, 황동, 아연, 알루미늄 등)의 선별을 포함하여(그러나 이에 제한되지 않음) 임의의 수의 상이한 클래스들의 재료들을 선별하도록 구성될 수 있다.
이제 도 8을 참조하여, 본 개시내용의 실시예들의 양상들이 구현될 수 있는 데이터 프로세싱("컴퓨터") 시스템(3400)을 예시하는 블록도가 도시되어 있다. ("컴퓨터", "시스템", "컴퓨터 시스템" 및 "데이터 프로세싱 시스템"이라는 용어들은 본 명세서에서 상호 교환 가능하게 사용될 수 있음). 컴퓨터 시스템(107), 자동화 제어 시스템(108), 센서 시스템(들)(120)의 양상들 및/또는 비전 시스템(110)은 컴퓨터 시스템(3400)과 유사하게 구성될 수 있다. 컴퓨터 시스템(3400)은 로컬 버스(3405)(예를 들어, 주변 컴포넌트 상호연결("PCI") 로컬 버스 아키텍처)를 사용할 수 있다. 가속 그래픽스 포트("AGP") 및 산업 표준 아키텍처("ISA") 등과 같은 임의의 적합한 버스 아키텍처가 활용될 수 있다. 하나 이상의 프로세서들(3415), 휘발성 메모리(3420), 및 비휘발성 메모리(3435)는 로컬 버스(3405)에 연결될 수 있다(예를 들어, PCI 브리지(도시되지 않음)를 통해). 통합 메모리 제어기 및 캐시 메모리는 하나 이상의 프로세서들(3415)에 결합될 수 있다. 하나 이상의 프로세서들(3415)은 하나 이상의 중앙 프로세서 유닛들 및/또는 하나 이상의 그래픽스 프로세서 유닛들 및/또는 하나 이상의 텐서 프로세싱 유닛들을 포함할 수 있다. 로컬 버스(3405)에 대한 추가 연결들은 직접 컴포넌트 상호 연결 또는 애드-인 보드(add-in board)들을 통해 이루어질 수 있다. 도시된 예에서, 통신(예를 들어, 네트워크(LAN)) 어댑터(3425), I/O(예를 들어, 소형 컴퓨터 시스템 인터페이스("SCSI") 호스트 버스) 어댑터(3430) 및 확장 버스 인터페이스(도시되지 않음)는 직접 컴포넌트 연결에 의해 로컬 버스(3405)에 연결될 수 있다. 오디오 어댑터(도시되지 않음), 그래픽스 어댑터(도시되지 않음) 및 디스플레이 어댑터(3416)(디스플레이(3440)에 결합됨)는 (예를 들어, 확장 슬롯들에 삽입된 애드-인 보드들에 의해) 로컬 버스(3405)에 연결될 수 있다.
사용자 인터페이스 어댑터(3412)는 키보드(3413) 및 마우스(3414), 모뎀(도시되지 않음), 및 추가 메모리(도시되지 않음)를 위한 연결부를 제공할 수 있다. I/O 어댑터(3430)는 하드 디스크 드라이브(3431), 테이프 드라이브(3432), 및 CD-ROM 드라이브(도시되지 않음)를 위한 연결부를 제공할 수 있다.
운영 시스템은 하나 이상의 프로세서들(3415) 상에서 실행될 수 있고, 컴퓨터 시스템(3400) 내의 다양한 컴포넌트들의 제어를 조정하고 제공하는 데 사용될 수 있다. 도 8에서, 운영 시스템은 상업적으로 입수 가능한 운영 시스템일 수 있다. 객체 지향 프로그래밍 시스템(예를 들어, Java, Python 등)은 운영 시스템과 함께 실행될 수 있고, 시스템(3400) 상에서 실행되는 프로그램들(예를 들어, Java, Python 등) 또는 프로그램들로부터의 운영 시스템에 대한 호출들을 제공할 수 있다. 운영 시스템, 객체 지향 운영 시스템 및 프로그램들에 대한 명령들은 하드 디스크 드라이브(3431)와 같은 비휘발성 메모리(3435) 저장 디바이스들 상에 위치할 수 있고, 프로세서(3415)에 의해 실행되도록 휘발성 메모리(3420)에 로딩될 수 있다.
당업자들은 도 8의 하드웨어가 구현에 따라 달라질 수 있다는 것을 인식할 것이다. 플래시 ROM(또는 등가의 비휘발성 메모리) 또는 광학 디스크 드라이브들 등과 같은 다른 내부 하드웨어 또는 주변 디바이스들이 도 8에 도시된 하드웨어에 추가하여 또는 그 대신 사용될 수 있다. 또한, 본 개시내용의 프로세스들 중 임의의 프로세스는 멀티프로세서 컴퓨터 시스템에 적용되거나, 복수의 그러한 시스템들(3400)에 의해 수행될 수 있다. 예를 들어, 비전 시스템(110)의 훈련은 제1 컴퓨터 시스템(3400)에 의해 수행될 수 있는 반면, 선별을 위한 비전 시스템(110)의 동작은 제2 컴퓨터 시스템(3400)에 의해 수행될 수 있다.
다른 예로서, 컴퓨터 시스템(3400)은 컴퓨터 시스템(3400)이 일부 유형의 네트워크 통신 인터페이스를 포함하는지 여부에 관계없이, 일부 유형의 네트워크 통신 인터페이스에 의존하지 않고 부팅 가능하도록 구성되는 독립형 시스템일 수 있다. 추가적인 예로서, 컴퓨터 시스템(3400)은 운영 시스템 파일들 또는 사용자 생성 데이터를 저장하는 비휘발성 메모리를 제공하는 ROM 및/또는 플래시 ROM으로 구성된 내장형 제어기일 수 있다.
도 8에 도시된 예 및 전술된 예들은 아키텍처 제한들을 의미하기 위한 것이 아니다. 또한, 본 개시내용의 양상들의 컴퓨터 프로그램 형태는 컴퓨터 시스템에 의해 사용되는 임의의 컴퓨터 판독 가능 저장 매체(즉, 플로피 디스크, 컴팩트 디스크, 하드 디스크, 테이프, ROM, RAM 등) 상에 상주할 수 있다.
본 명세서에 설명된 바와 같이, 본 개시내용의 실시예들은 재료 조각들을 식별, 추적, 분류, 및/또는 선별하기 위해 설명된 다양한 기능들을 수행하도록 구현될 수 있다. 그러한 기능들은 하드웨어 및/또는 소프트웨어 내에서, 예를 들어, 하나 이상의 데이터 프로세싱 시스템들(예를 들어, 도 8의 데이터 프로세싱 시스템(3400)), 이를테면, 앞서 언급된 컴퓨터 시스템(107), 비전 시스템(110), 센서 시스템(들)(120)의 양상들 및/또는 자동화 제어 시스템(108) 내에서 구현될 수 있다. 그럼에도 불구하고, 본 명세서에 설명된 기능들은 임의의 특정 하드웨어/소프트웨어 플랫폼으로의 구현을 위해 제한되지 않을 것이다.
당업자에 의해 인식될 바와 같이, 본 개시내용의 양상들은 시스템, 프로세스, 방법, 및/또는 프로그램 제품으로 구현될 수 있다. 따라서, 본 개시내용의 다양한 양상들은 완전히 하드웨어적인 실시예, 완전히 소프트웨어적인 실시예(펌웨어, 상주 소프트웨어, 마이크로코드 등을 포함함), 또는 소프트웨어 및 하드웨어 양상들을 결합하는 실시예들의 형태를 취할 수 있으며, 일반적으로 본 명세서에서 "회로(circuit)", "회로부(circuitry)", "모듈" 또는 "시스템"으로 지칭될 수 있다. 게다가, 본 개시내용의 양상들은 컴퓨터 판독 가능 프로그램 코드가 구현된 하나 이상의 컴퓨터 판독 가능 저장 매체(들)에 구현된 프로그램 제품의 형태를 취할 수 있다. (그러나, 하나 이상의 컴퓨터 판독 가능 매체(들)의 임의의 조합이 활용될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터 판독 가능 신호 매체 또는 컴퓨터 판독 가능 저장 매체일 수 있다.)
컴퓨터 판독 가능 저장 매체는 예를 들어, 전자, 자기, 광학, 전자기, 적외선, 생물학적, 원자 또는 반도체 시스템, 장치, 제어기 또는 디바이스 또는 전술한 것들의 임의의 적합한 조합일 수 있으며(그러나 이에 제한되지 않음), 컴퓨터 판독 가능 저장 매체는 그 자체로 일시적인 신호가 아니다. 컴퓨터 판독 가능 저장 매체의 더 구체적인 예들(전면적이지 않은 목록)은, 하나 이상의 와이어들을 갖는 전기 연결부, 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리("RAM")(예를 들어, 도 8의 RAM(3420)), 판독 전용 메모리("ROM")(예를 들어, 도 8의 ROM 3435), 삭제 가능 프로그램밍 가능 판독 전용 메모리("EPROM" 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 판독 전용 메모리("CD-ROM"), 광학 저장 디바이스, 자기 저장 디바이스(예를 들어, 도 8의 하드 드라이브(3431)), 또는 전술한 것들의 임의의 적합한 조합을 포함할 수 있다. 본 명세서의 맥락에서, 컴퓨터 판독 가능 저장 매체는 명령 실행 시스템, 장치, 제어기, 또는 디바이스에 의해 또는 이와 관련하여 사용하기 위한 프로그램을 포함하거나 저장할 수 있는 임의의 유형적 매체일 수 있다. 컴퓨터 판독 가능 신호 매체 상에 구현된 프로그램 코드는 무선, 유선, 광섬유 케이블, RF 등을 포함하는(그러나 이에 제한되지 않음) 임의의 적절한 매체 또는 전술한 것들의 임의의 적합한 조합을 사용하여 송신될 수 있다.
컴퓨터 판독 가능 신호 매체는, 예를 들어, 기저대역 또는 반송파의 일부로서 컴퓨터 판독 가능 프로그램 코드가 구현된 전파되는 데이터 신호를 포함할 수 있다. 그러한 전파되는 신호는 전자기, 광학 또는 이들의 임의의 적합한 조합을 포함하는(그러나 이에 제한되지 않음) 다양한 형태들 중 임의의 형태를 취할 수 있다. 컴퓨터 판독 가능 신호 매체는 컴퓨터 판독 가능 저장 매체가 아니며 명령 실행 시스템, 장치, 제어기, 또는 디바이스에 의해 또는 이와 관련하여 사용하기 위해 프로그램을 통신, 전파, 또는 전송할 수 있는 모든 컴퓨터 판독 가능 매체일 수 있다.
도면들의 흐름도 및 블록도들은 본 개시내용의 다양한 실시예들에 따른 시스템들, 방법들, 프로세스들, 및 프로그램 제품들의 가능한 구현들의 아키텍처, 기능, 및 동작을 예시한다. 이와 관련하여, 흐름도들 또는 블록도들의 각각의 블록은 모듈, 세그먼트, 또는 코드의 일부를 표현할 수 있으며, 이는 특정된 논리 기능(들)을 구현하기 위한 하나 이상의 실행 가능 프로그램 명령들을 포함한다. 또한, 일부 구현들에서는 블록들에 표시된 기능들이 도면들에 표시된 순서와 다르게 발생할 수 있다는 점에 유의해야 한다. 예를 들어, 연속적으로 도시된 2 개의 블록들이 사실상, 실질적으로 동시에 실행될 수 있거나, 때때로 관련된 기능에 따라 블록들이 역순으로 실행될 수 있다.
다양한 유형들의 프로세서들(예를 들어, GPU(3401), CPU(3415))에 의해 실행되도록 소프트웨어로 구현된 모듈들은, 예를 들어, 객체, 절차, 또는 함수로서 구성될 수 있는 예를 들어, 하나 이상의 물리적 또는 논리적 컴퓨터 명령들의 블록들을 포함할 수 있다. 그럼에도 불구하고, 식별된 모듈의 실행 파일(executable)들은 물리적으로 함께 위치할 필요는 없지만, 논리적으로 함께 조합될 때 모듈을 포함하고 모듈에 대한 서술된 목적을 달성하는 상이한 위치들에 저장된 이질적인 명령들을 포함할 수 있다. 실제로, 실행 가능 코드의 모듈은 단일 명령 또는 다수의 명령들일 수 있으며, 몇몇 상이한 코드 세그먼트들 상에, 상이한 프로그램들 사이에, 몇몇 메모리 디바이스들에 걸쳐 분산되어 있을 수도 있다. 유사하게, 운영 데이터(예를 들어, 본 명세서에 설명된 재료 분류 라이브러리들)는 모듈들 내에서 식별되고 본 명세서에 예시될 수 있으며, 임의의 적합한 형태로 구현되고 임의의 적합한 유형의 데이터 구조 내에서 구성될 수 있다. 운영 데이터는 단일 데이터 세트로서 수집될 수도 있거나, 상이한 저장 디바이스들을 포함하여 상이한 위치들에 걸쳐 분산될 수 있다. 데이터는 시스템 또는 네트워크에서 전자 신호들을 제공할 수 있다.
이러한 프로그램 명령들은 범용 컴퓨터, 특수 목적 컴퓨터, 또는 기타 프로그래밍 가능 데이터 프로세싱 장치(예를 들어, 제어기)의 하나 이상의 프로세서들 및/또는 제어기(들)에 제공되어, 컴퓨터 또는 다른 프로그래밍 가능 데이터 프로세싱 장치의 프로세서(들)(예를 들어, GPU(3401), CPU(3415))를 통해 실행되는 명령들이 흐름도 및/또는 블록도의 블록 또는 블록들에 특정된 기능들/행위들을 구현하기 위한 회로부 또는 수단을 생성하도록 기계를 생산할 수 있다.
또한, 블록도들 및/또는 흐름도의 예시들의 각각의 블록 및 블록도들 및/또는 흐름도의 예시들의 블록들의 조합들은, 특정된 기능들 또는 행위들을 수행하는 특수 목적 하드웨어 기반 시스템들(예를 들어, 하나 이상의 그래픽스 프로세싱 유닛들(예를 들어, GPU(3401))을 포함할 수 있음) 또는 특수 목적 하드웨어 및 컴퓨터 명령들의 조합들에 의해 구현될 수 있다는 점에 유의할 것이다. 예를 들어, 모듈은 맞춤형 VLSI 회로들 또는 게이트 어레이들, 로직 칩들, 트랜지스터들, 제어기들 또는 다른 개별 컴포넌트들과 같은 기성 반도체들을 포함한 하드웨어 회로로서 구현될 수 있다. 모듈은 또한 필드 프로그래밍 가능 게이트 어레이들, 프로그래밍 가능 어레이 로직, 프로그래밍 가능 논리 디바이스들 등과 같은 프로그래밍 가능 하드웨어 디바이스들로 구현될 수 있다.
본 개시내용의 양상들에 대한 동작들을 수행하기 위한 컴퓨터 프로그램 코드, 즉, 명령들은 Java, Smalltalk, Python, C++ 등과 같은 객체 지향 프로그래밍 언어, "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어들과 같은 종래의 절차적 프로그래밍 언어들, MATLAB 또는 LabVIEW와 같은 프로그래밍 언어들, 또는 본 명세서에 개시된 기계 학습 소프트웨어 중 임의의 것을 포함하는 하나 이상의 프로그래밍 언어들의 임의의 조합으로 기록될 수 있다. 프로그램 코드는 전적으로 사용자의 컴퓨터 시스템에서, 부분적으로 사용자의 컴퓨터 시스템에서, 독립형 소프트웨어 패키지로서, 부분적으로 사용자의 컴퓨터 시스템(예를 들어, 선별에 활용되는 컴퓨터 시스템)에서, 부분적으로 원격 컴퓨터 시스템(예를 들어, 기계 학습 시스템 훈련에 활용되는 컴퓨터 시스템)에서 실행되거나, 전적으로 원격 컴퓨터 시스템 또는 서버에서 실행될 수 있다. 전적으로 원격 컴퓨터 시스템 또는 서버에서 실행되는 시나리오에서, 원격 컴퓨터 시스템은 근거리 네트워크("LAN") 또는 광역 네트워크("WAN")를 포함한 임의의 유형의 네트워크를 통해 사용자의 컴퓨터 시스템에 연결될 수 있거나, 외부 컴퓨터 시스템(예를 들어, 인터넷 서비스 제공업체를 사용하는 인터넷을 통해)에 연결될 수 있다. 전술한 일 예로서, 본 개시내용의 다양한 양상들은 컴퓨터 시스템(107), 자동화 제어 시스템(108), 비전 시스템(110), 및 센서 시스템(들)(120)의 양상들 중 하나 이상에서 실행되도록 구성될 수 있다.
또한, 이러한 프로그램 명령들은 컴퓨터 시스템, 다른 프로그래밍 가능 데이터 프로세싱 장치, 제어기, 또는 다른 디바이스들에 특정 방식으로 기능하도록 지시할 수 있는 컴퓨터 판독 가능 저장 매체에 저장될 수 있어, 컴퓨터 판독 가능 매체에 저장된 명령들은 흐름도 및/또는 블록도의 블록 또는 블록들에 특정된 기능/행위를 구현하는 명령들을 포함하는 제조 물품을 생성한다.
프로그램 명령들은 또한 컴퓨터, 다른 프로그래밍 가능 데이터 프로세싱 장치, 제어기, 또는 다른 디바이스들에 로딩되어 컴퓨터, 다른 프로그래밍 가능 장치, 또는 다른 디바이스들 상에서 일련의 동작 단계들이 수행되게 하여, 컴퓨터 또는 다른 프로그래밍 가능 장치 상에서 실행되는 명령들이 흐름도 및/또는 블록도의 블록 또는 블록들에 특정된 기능들/행위들을 구현하기 위한 프로세스들을 제공하도록 컴퓨터 구현 프로세스를 생성할 수 있다.
하나 이상의 데이터베이스들은 다양한 구현들을 위한 데이터를 저장하고 이에 대한 액세스를 제공하기 위해 호스트에 포함될 수 있다. 당업자는 또한 보안상의 이유들로, 본 개시내용의 임의의 데이터베이스들, 시스템들, 또는 컴포넌트들은 단일 위치 또는 다수의 위치들에서 데이터베이스들 또는 컴포넌트들의 임의의 조합을 포함할 수 있으며, 각각의 데이터베이스 또는 시스템은 방화벽들, 액세스 코드들, 암호화, 암호화해제 등과 같은 다양한 적합한 보안 특징들 중 임의의 특징을 포함할 수 있다는 것을 인식할 것이다. 데이터베이스는 관계형, 계층형, 객체 지향 등과 같은 임의의 유형의 데이터베이스일 수 있다. 데이터베이스들을 구현하는 데 사용될 수 있는 일반적인 데이터베이스 제품들은 IBM의 DB2, Oracle Corporation로부터 입수 가능한 데이터베이스 제품들 중 임의의 제품, Microsoft Corporation의 Microsoft Access, 또는 임의의 다른 데이터베이스 제품을 포함한다. 데이터베이스는 데이터 테이블들 또는 조회 테이블들을 포함하여 임의의 적합한 방식으로 구성될 수 있다.
(예를 들어, 본 명세서에 설명된 선별 시스템에 의해 프로세싱되는 스크랩 조각들 각각에 대한) 특정 데이터의 연관은 관련 기술 분야에 알려지고 실시되는 임의의 데이터 연관 기법들을 통해 달성될 수 있다. 예를 들어, 연관은 수동으로 또는 자동으로 달성될 수 있다. 자동 연관 기법들은, 예를 들어, 데이터베이스 탐색, 데이터베이스 병합, GREP, AGREP, SQL 등을 포함할 수 있다. 연관 단계는, 예를 들어, 제조업체 및 소매업체 데이터 테이블들 각각의 키 필드를 사용하는 데이터베이스 병합 기능에 의해 달성될 수 있다. 키 필드는 키 필드에 의해 정의된 객체들의 상위 레벨 클래스에 따라 데이터베이스를 분할한다. 예를 들어, 특정 클래스가 제1 데이터 테이블과 제2 데이터 테이블 모두에서 키 필드로서 지정될 수 있고, 그런 다음, 2 개의 데이터 테이블들은 키 필드의 클래스 데이터에 기초하여 병합될 수 있다. 이러한 실시예들에서, 병합된 데이터 테이블들 각각의 키 필드에 대응하는 데이터는 바람직하게는 동일하다. 그러나, 키 필드들에 동일하지는 않지만 유사한 데이터를 갖는 데이터 테이블들은 또한, 예를 들어, AGREP를 사용함으로써 병합될 수 있다.
본 개시내용의 실시예들은 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치를 제공하며, 장치는, 제1 혼합물의 재료들 각각의 시각적으로 관찰된 특성들을 캡처하도록 구성된 이미지 센서; 및 캡처된 시각적으로 관찰된 특성들에 기초하여 제1 혼합물의 제1 복수의 재료들을 제1 클래스의 재료들에 속하는 것으로 분류하기 위해 이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 기계 학습 시스템을 포함하는 데이터 프로세싱 시스템을 포함하며, 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들과 고유하게 연관되며, 제1 클래스의 재료들에 속하는 것으로 분류된 제1 혼합물의 복수의 재료들은 제1 클래스의 재료들에 속하는 것으로 분류되지 않은 제1 혼합물 내의 재료들과 상이한 화학 조성을 갖는다. 제1 클래스의 재료들과 고유하게 연관된 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들의 하나 이상의 샘플들의 캡처된 시각적으로 관찰된 특성들로부터 생성될 수 있다. 이전에 생성된 신경망 파라미터 세트는 신경망을 구현하는 인공 지능 시스템이 제1 클래스의 재료들을 표현하는 제어 재료 세트의 시각적 이미지들을 프로세싱한 훈련 단계에서 생성될 수 있다. 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들이 갖는 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정될 수 있다. 장치는, 제1 혼합물의 제1 복수의 재료들의 분류의 함수로써 제1 혼합물로부터 제1 혼합물의 분류된 제1 복수의 재료들을 선별하도록 구성된 제1 선별기 ― 제1 혼합물로부터 제1 혼합물의 분류된 제1 복수의 재료들의 제1 선별기에 의한 선별은 제1 혼합물에서 제1 혼합물의 분류된 제1 복수의 재료들을 뺀 것을 포함하는 제2 혼합물의 재료들을 생성하며, 제1 클래스의 재료들은 단조 알루미늄 합금들이며, 제2 혼합물의 재료들은 복수의 상이한 주조 알루미늄 합금들을 함유하는 주조 알루미늄 재료 조각들을 포함함 ―; x선 형광("XRF") 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 제2 혼합물의 제2 복수의 재료들을 제1 특정 주조 알루미늄 합금에 속하는 것으로 분류하도록 구성된 XRF 시스템; 및 XRF 시스템에 의한 제2 혼합물의 제2 복수의 재료들의 분류의 함수로써 제2 혼합물로부터 제2 혼합물의 분류된 제2 복수의 재료들을 선별하도록 구성된 제2 선별기를 더 포함할 수 있으며, 제2 혼합물로부터 분류된 제2 복수의 재료들의 제2 선별기에 의한 선별은 제2 혼합물에서 제2 혼합물의 분류된 제2 복수의 재료들을 뺀 것을 포함하는 제3 혼합물의 재료들을 생성하며, 제3 혼합물은 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함한다. 장치는 제1 혼합물의 제1 복수의 재료들의 분류의 함수로써 제1 혼합물로부터 제1 혼합물의 분류된 제1 복수의 재료들을 선별하도록 구성된 제1 선별기 ― 제1 혼합물의 재료들은 주조 알루미늄 합금들 및 단조 알루미늄 합금들을 포함하며, 제1 클래스의 재료들은 단조 알루미늄 합금들이며, 분류된 제1 복수의 재료들은 제1 및 제2 상이한 단조 알루미늄 합금들을 포함함 ―; 분류된 제1 복수의 재료들 중 제2 복수의 재료들을 제1 및 제2 상이한 단조 알루미늄 합금들 중 하나에 속하는 것으로 분류하도록 구성된 레이저 유도 분해 분광법("LIBS") 시스템; 및 LIBS 시스템을 사용한 제2 복수의 재료들의 분류의 함수로써 분류된 제1 복수의 재료들로부터 분류된 제2 복수의 재료들을 선별하도록 구성된 제2 선별기를 더 포함할 수 있다.
본 개시내용의 실시예들은 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법을 제공하며, 방법은, 센서를 사용하여 제1 이종 혼합물의 재료들의 각각의 재료 조각의 특성들을 캡처하는 단계; 및 이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 인공 지능 시스템을 사용하여, 제1 이종 혼합물의 재료들의 각각의 재료 조각의 캡처된 특성들에 기초하여 제1 이종 혼합물의 재료들 중 특정 재료들에 제1 분류를 제1 유형의 재료들에 속하는 것으로 할당하는 단계를 포함하며, 이전에 생성된 신경망 파라미터 세트는 제1 유형의 재료들과 고유하게 연관되며, 제1 유형의 재료들에 속하는 것으로 할당된 제1 이종 혼합물의 재료들 중 특정 재료들은 제1 유형의 재료들에 속하는 것으로 할당되지 않은 제1 이종 혼합물 내의 재료들과 상이한 화학 조성을 갖는다. 방법은, 제1 분류의 함수로써 제1 이종 혼합물로부터 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 선별은 제1 이종 혼합물의 재료들에서 제1 이종 혼합물의 재료들 중 선별된 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성함 ―; LIBS 시스템을 사용하여, 제2 이종 혼합물의 재료들 중 특정 재료들에 제2 분류를 제2 유형의 재료들에 속하는 것으로 할당하는 단계; 및 제2 분류의 함수로써 제2 이종 혼합물로부터 제2 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계를 더 포함할 수 있다. 방법은, 제1 분류의 함수로써 제1 이종 혼합물로부터 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 선별은 제1 이종 혼합물의 재료들에서 제1 이종 혼합물의 재료들 중 선별된 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성함 ―; XRF 시스템을 사용하여, 제2 이종 혼합물의 재료들 중 특정 재료들에 제2 분류를 제2 유형의 재료들에 속하는 것으로 할당하는 단계; 및 제2 분류의 함수로써 제2 이종 혼합물로부터 제2 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계를 더 포함할 수 있다. 이전에 생성된 신경망 파라미터 세트는 제1 유형의 재료들의 제어 샘플의 이전에 생성된 분류로부터 생성될 수 있다. 센서는 이미지 데이터를 생성하기 위해 제1 이종 혼합물의 재료들의 각각의 재료 조각의 시각적 이미지들을 캡처하도록 구성된 카메라일 수 있으며, 캡처된 특성들은 시각적으로 관찰된 특성들이며, 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들이 갖는 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정된다. 방법은, 제1 분류의 함수로써 제1 이종 혼합물로부터 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 제1 이종 혼합물의 재료들 중 특정 재료들은 제1 및 제2 상이한 단조 알루미늄 합금들을 포함하며, 제1 이종 혼합물의 재료들은 주조 알루미늄 합금들 및 단조 알루미늄 합금들을 포함하며, 제1 유형의 재료들은 단조 알루미늄 합금들임 ―; LIBS 시스템을 사용하여, 제1 이종 혼합물의 재료들 중 특정 재료들의 복수의 재료들을 제1 및 제2 상이한 단조 알루미늄 합금들 중 하나에 속하는 것으로 분류하는 단계; 및 LIBS 시스템을 사용한 복수의 재료들의 분류의 함수로써 제1 이종 혼합물의 재료들 중 특정 재료들로부터 분류된 복수의 재료들을 선별하는 단계를 더 포함할 수 있다. 방법은, 제1 분류의 함수로써 제1 이종 혼합물로부터 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 제1 이종 혼합물로부터 제1 이종 혼합물의 재료들 중 특정 재료들의 선별은 제1 이종 혼합물에서 제1 이종 혼합물의 재료들 중 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성하며, 제2 이종 혼합물의 재료들은 복수의 상이한 주조 알루미늄 합금들을 함유하는 주조 알루미늄 재료 조각들을 포함하며, 제1 유형의 재료들은 단조 알루미늄 합금들임 ―; XRF 시스템을 사용하여, XRF 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 제2 이종 혼합물 중 특정한 것들을 제1 특정 주조 알루미늄 합금에 속하는 것으로 분류하는 단계; 및 XRF 시스템에 의한 제2 이종 혼합물 중 특정한 것들의 분류의 함수로써 제2 이종 혼합물로부터 제2 이종 혼합물 중 특정한 것들을 선별하는 단계를 더 포함할 수 있으며, 제2 이종 혼합물로부터 제2 이종 혼합물 중 특정한 것들의 선별은 제2 이종 혼합물에서 제2 이종 혼합물 중 특정한 것들을 뺀 것을 포함하는 제3 혼합물의 재료들을 생성하며, 제3 혼합물은 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함한다. 이전에 생성된 신경망 파라미터 세트는 신경망을 구현하는 인공 지능 시스템이 제1 클래스의 재료들을 표현하는 제어 재료 세트의 시각적 이미지들을 프로세싱한 훈련 단계에서 생성될 수 있다. 이전에 생성된 신경망 파라미터 세트는 제1 유형의 재료들이 갖는 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정될 수 있다.
본 개시내용의 실시예들은, 데이터 프로세싱 시스템에 의해 실행될 때 프로세스를 수행하는 컴퓨터 판독 가능 저장 매체 상에 저장된 컴퓨터 프로그램 제품을 제공하며, 프로세스는, 제1 혼합물의 재료들 각각의 특성들을 수신하는 것; 및
이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 인공 지능 시스템을 사용하여, 수신된 특성들에 기초하여 제1 혼합물의 제1 복수의 재료들에 제1 분류를 제1 클래스의 재료들에 속하는 것으로 할당하는 것을 포함하며, 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들과 고유하게 연관되며, 제1 클래스의 재료들에 속하는 것으로 할당된 제1 혼합물의 제1 복수의 재료들은 제1 클래스의 재료들에 속하는 것으로 할당되지 않은 제1 혼합물 내의 재료들과 상이한 화학 조성을 갖는다. 이전에 생성된 신경망 파라미터 세트는 제1 유형의 재료들의 제어 샘플의 이전에 생성된 분류로부터 생성될 수 있다. 캡처된 특성들은 카메라에 의해 캡처된 시각적으로 관찰된 특성들일 수 있으며, 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들이 갖는 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정될 수 있다. 컴퓨터 프로그램 제품은, 제1 분류의 함수로써 제1 혼합물로부터 제1 혼합물의 제1 복수의 재료들의 선별을 지시하는 것 ― 제1 혼합물로부터 제1 혼합물의 제1 복수의 재료들의 선별은 제2 혼합물의 재료들을 생성하며, 제2 혼합물의 재료들은 복수의 상이한 단조 알루미늄 합금들을 함유하는 단조 알루미늄 재료 조각들을 포함하며, 제1 클래스의 재료들은 주조 알루미늄 합금들임 ―; 제1 특정 단조 알루미늄 합금에 속하는 것으로 제2 혼합물 중 특정한 것들에 할당된 제2 분류를 LIBS 시스템으로부터 수신하는 것; 및 제2 분류의 함수로써 제2 혼합물로부터 제2 혼합물 중 특정한 것들의 선별을 지시하는 것을 더 포함할 수 있으며, 제2 혼합물로부터 제2 혼합물 중 특정한 것들의 선별은 제3 혼합물의 재료들을 생성하며, 제3 혼합물은 제1 특정 단조 알루미늄 합금과 상이한 제2 특정 단조 알루미늄 합금에 속하는 재료들을 포함한다. 컴퓨터 프로그램 제품은 제1 분류의 함수로써 제1 혼합물로부터 제1 혼합물의 제1 복수의 재료들의 선별을 지시하는 것 ― 제1 복수의 재료들은 복수의 상이한 주조 알루미늄 합금들을 포함하며, 제1 클래스의 재료들은 주조 알루미늄 합금들임 ―; XRF 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 제1 특정 주조 알루미늄 합금에 속하는 것으로 제1 복수의 재료들 중 특정 재료들에 할당된 제2 분류를 XRF 시스템으로부터 수신하는 것; 및 제2 분류의 함수로써 제1 복수의 재료들로부터 제1 복수의 재료들 중 특정 재료들의 선별을 지시하는 것을 더 포함할 수 있으며, 제1 복수의 재료들로부터의 제1 복수의 재료들의 선별은 제2 혼합물의 재료들을 생성하며, 제2 혼합물은 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함한다.
본 명세서에서 디바이스를 "구성하는 것" 또는 일부 기능을 수행 "하도록 구성된" 디바이스를 참조한다. 여기에는 모니터링 또는 제어 기능들을 포함하는 특정 논리 기능들을 제공하도록 사전 정의된 논리 블록들을 선택하고 이들을 논리적으로 연관시키는 것이 포함될 수 있다는 것을 이해해야 한다. 또한, 개조 제어 디바이스의 컴퓨터 소프트웨어 기반 로직 프로그래밍, 개별 하드웨어 컴포넌트들의 배선, 또는 전술한 것들의 임의의 또는 전부의 조합을 포함할 수 있다. 그러한 구성된 디바이스들은 특정된 기능 또는 기능들을 수행하도록 물리적으로 설계된다.
본 명세서의 설명들에서, 본 개시내용의 실시예들에 대한 완전한 이해를 제공하기 위해 프로그래밍, 소프트웨어 모듈들, 사용자 선택들, 네트워크 트랜잭션들, 데이터베이스 쿼리들, 데이터베이스 구조들, 하드웨어 모듈들, 하드웨어 회로들, 하드웨어 칩들, 제어기들 등의 예들과 같은 수많은 특정 세부사항들이 제공된다. 그러나, 당업자는 본 개시내용이 특정 세부사항들 중 하나 이상 없이 또는 다른 방법들, 컴포넌트들, 재료들 등을 사용하여 실시될 수 있다는 것을 인식할 것이다. 다른 경우들에서, 잘 알려진 구조들, 재료들, 또는 동작들은 본 개시내용의 양상들을 모호하게 하지 않기 위해 상세하게 도시되지 않거나 설명되지 않을 수 있다.
본 명세서 전반에 걸쳐 "일 실시예", "실시예들", 또는 이와 유사한 언어에 대한 지칭은, 실시예들과 관련하여 설명된 특정 특징, 구조, 또는 특성이 본 개시내용의 적어도 하나의 실시예에 포함된다는 것을 의미한다. 따라서, 본 명세서 전반에 걸쳐 "하나의 실시예에서", "일 실시예에서", "실시예들", "특정 실시예들", "다양한 실시예들"이라는 문구들 및 이와 유사한 언어의 출현들은 모두 동일한 실시예를 지칭할 수 있지만, 반드시 그렇지는 않다. 또한, 본 개시내용의 설명된 특징들, 구조들, 양상들, 및/또는 특성들은 하나 이상의 실시예들에서 임의의 적합한 방식으로 조합될 수 있다. 이에 대응하여, 특징들이 초기에 특정 조합들에서 작용하는 것으로 청구될 수 있는 경우에도, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우들에서 조합으로부터 생략될 수 있고, 청구된 조합은 하위 조합 또는 하위 조합의 변형으로 유도될 수 있다.
특정 실시예들과 관련하여 이익들, 이점들, 및 문제들에 대한 해결책들이 위에서 설명되었다. 그러나, 이익들, 이점들, 문제들에 대한 해결책들 및 임의의 이익, 이점, 또는 해결책이 발생하거나 더욱 두드러지게 될 수 있게 할 수 있는 임의의 엘리먼트(들)는 청구항들의 임의의 또는 전부의 중요하거나, 요구되거나, 필수적인 특징들 또는 엘리먼트들로 해석되지 않아야 한다. 또한, 명시적으로 필수적이거나 중요한 것으로 명백하게 설명되지 않으면, 본 명세서에 설명된 어떠한 컴포넌트도 본 개시내용의 실시에 요구되지 않는다.
본 개시내용을 읽은 당업자들은 본 개시내용의 범위를 벗어나지 않으면서 실시예들에 대한 변경들 및 수정들이 이루어질 수 있다는 것을 인식할 것이다. 본 명세서에 도시되고 설명된 특정 구현들은 본 개시내용 및 그 최선의 모드를 예시할 수 있고, 어떤 방식으로든 본 개시내용의 범위를 달리 제한하려는 의도가 아닐 수 있다는 것을 이해해야 한다. 다른 변형들이 이하의 청구항들의 범위 내에 포함될 수 있다.
본 명세서가 많은 세부사항들을 포함하지만, 이들은 본 개시내용의 범위 또는 청구될 수 있는 것의 범위에 대한 제한들로서가 아니라, 오히려 본 개시내용의 특정 구현들에 특정한 특징들의 설명들로서 해석되어야 한다. 본 명세서의 명칭들은 본 개시내용, 본 개시내용의 실시예들, 또는 명칭들 하에 개시된 다른 사항을 제한하도록 의도되는 것은 아닐 수 있다.
본 명세서에서 "또는"이라는 용어는 포괄적인 것으로 의도될 수 있으며, 여기서 "A 또는 B"는 A 또는 B를 포함하고, 또한 A와 B 모두를 포함한다. 본 명세서에 사용되는 바와 같이, "및/또는"이라는 용어는 실체들의 목록의 맥락에서 사용될 때 실체들이 단독으로 또는 조합하여 존재하는 것을 지칭한다. 따라서, 예컨대, "A, B, C 및/또는 D"라는 문구는 A, B, C 및 D를 개별적으로 포함하지만, A, B, C 및 D의 임의의 그리고 전부의 조합들 및 하위 조합들을 또한 포함한다.
본 명세서에 사용되는 용어는 특정 실시예들을 설명하기 위한 목적일 뿐이며, 본 개시내용을 제한하도록 의도되는 것은 아니다. 본 명세서에 사용되는 바와 같이, 단수 형태들의 표현은 맥락상 달리 명백하게 표시되지 않으면, 복수 형태들 역시 포함하도록 의도될 수 있다.
아래의 청구항들에서 모든 수단 또는 단계 플러스 기능 엘리먼트들의 대응하는 구조들, 재료들, 행위들, 및 등가물들은 구체적으로 청구된 다른 청구된 엘리먼트들과 조합하여 기능을 수행하기 위한 임의의 구조, 재료, 또는 행위를 포함하도록 의도될 수 있다.
식별된 속성 또는 상황과 관련하여 본 명세서에 사용되는 바와 같이, "실질적으로"는 식별된 속성 또는 상황을 측정 가능하게 손상시키지 않을 정도로 충분히 작은 편차 정도를 지칭한다. 허용 가능한 정확한 편차 정도는 일부 경우들에서 특정 맥락에 따라 달라질 수 있다.
본 명세서에 사용되는 바와 같이, 복수의 항목들, 구조적 엘리먼트들, 구성 엘리먼트들, 및/또는 재료들은 편의상 공통 리스트에 제시될 수 있다. 그러나, 이러한 리스트들은, 리스트의 각각의 멤버가 별도의 그리고 고유한 멤버로서 개별적으로 식별되는 것처럼 해석되어야 한다. 따라서, 그러한 리스트의 개별 멤버는 반대되는 표시들 없이 공통 그룹에서의 그들의 존재에만 기초하여 동일한 리스트의 임의의 다른 멤버와 사실상 동등한 것으로 해석되지 않아야 한다.
달리 정의되지 않으면, 본 명세서에 사용되는 모든 기술 및 과학 용어들(이를테면, 주기율표 내의 화학 원소들에 사용되는 약어들)은 현재 개시된 청구 대상이 속하는 기술분야의 통상의 숙련자에게 통상적으로 이해되는 것과 동일한 의미를 갖는다. 본 명세서에서 설명된 것들과 유사하거나 동등한 임의의 방법들, 디바이스들, 및 재료들이 현재 개시된 청구 대상의 실시 또는 테스트에 사용될 수 있지만, 대표적인 방법들, 디바이스들 및 재료들이 이제 설명된다.
달리 표시하지 않으면, 본 명세서 및 청구항들에 사용되는 성분들의 양들, 반응 조건들 등을 표현하는 모든 숫자들은 모든 경우들에 "약"이라는 용어로 수정되는 것으로 이해되어야 한다. 따라서, 달리 표시되지 않으면, 본 명세서 및 첨부된 청구항들에 제시된 수치적 파라미터들은 현재 개시된 청구 대상에 의해 획득하고자 원하는 특성들에 따라 달라질 수 있는 근사치들이다. 본 명세서에 사용되는 바와 같이, "약"이라는 용어는 질량, 중량, 시간, 부피, 농도, 또는 백분율의 양 또는 값을 언급할 때, 특정된 양으로부터의, 일부 실시예들에서는 ±20%, 일부 실시예들에서는 ±10%, 일부 실시예에서는 ±5%, 일부 실시예들에서는 ±1%, 일부 실시예들에서는 ±0.5%, 그리고 일부 실시예들에서는 ±0.1%의 변화들을 포함하는 것을 의미하며, 그러한 변화들은 개시된 방법을 수행하는 데 적합하다.
Claims (20)
- 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치로서,
상기 제1 혼합물의 재료들 각각의 시각적으로 관찰된 특성들을 캡처하도록 구성된 이미지 센서; 및
캡처된 시각적으로 관찰된 특성들에 기초하여 상기 제1 혼합물의 제1 복수의 재료들을 제1 클래스의 재료들에 속하는 것으로 분류하기 위해 이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 기계 학습 시스템을 포함하는 데이터 프로세싱 시스템을 포함하며,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 클래스의 재료들과 고유하게 연관되며,
상기 제1 클래스의 재료들에 속하는 것으로 분류된 상기 제1 혼합물의 복수의 재료들은 상기 제1 클래스의 재료들에 속하는 것으로 분류되지 않은 상기 제1 혼합물 내의 재료들과 상이한 화학 조성을 갖는, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 제1 항에 있어서,
상기 제1 클래스의 재료들과 고유하게 연관된 상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 클래스의 재료들의 하나 이상의 샘플들의 캡처된 시각적으로 관찰된 특성들로부터 생성된, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 제1 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 신경망을 구현하는 인공 지능 시스템이 상기 제1 클래스의 재료들을 표현하는 제어 재료 세트의 시각적 이미지들을 프로세싱한 훈련 단계에서 생성된, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 제1 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 클래스의 재료들이 갖는 상기 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정되는, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 제1 항에 있어서,
상기 제1 클래스의 재료들은 단조 알루미늄 합금들이며,
상기 장치는,
상기 제1 혼합물의 제1 복수의 재료들의 분류의 함수로써 상기 제1 혼합물로부터 상기 제1 혼합물의 상기 분류된 제1 복수의 재료들을 선별(sort)하도록 구성된 제1 선별기 ― 상기 제1 혼합물로부터 상기 제1 혼합물의 상기 분류된 제1 복수의 재료들의 상기 제1 선별기에 의한 선별은 상기 제1 혼합물에서 상기 제1 혼합물의 상기 분류된 제1 복수의 재료들을 뺀 것을 포함하는 제2 혼합물의 재료들을 생성하며, 상기 제2 혼합물의 재료들은 복수의 상이한 주조 알루미늄 합금들을 함유하는 주조 알루미늄 재료 조각들을 포함함 ―;
x선 형광("XRF") 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 상기 제2 혼합물의 제2 복수의 재료들을 제1 특정 주조 알루미늄 합금에 속하는 것으로 분류하도록 구성된 XRF 시스템; 및
상기 XRF 시스템에 의한 상기 제2 혼합물의 제2 복수의 재료들의 분류의 함수로써 상기 제2 혼합물로부터 상기 제2 혼합물의 상기 분류된 제2 복수의 재료들을 선별하도록 구성된 제2 선별기를 더 포함하며,
상기 제2 혼합물로부터 상기 분류된 제2 복수의 재료들의 상기 제2 선별기에 의한 선별은 상기 제2 혼합물에서 상기 제2 혼합물의 상기 분류된 제2 복수의 재료들을 뺀 것을 포함하는 제3 혼합물의 재료들을 생성하며,
상기 제3 혼합물은 상기 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함하는, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 제1 항에 있어서,
상기 제1 혼합물의 재료들은 주조 알루미늄 합금들 및 단조 알루미늄 합금들을 포함하며, 상기 제1 클래스의 재료들은 단조 알루미늄 합금들이며,
상기 장치는,
상기 제1 혼합물의 제1 복수의 재료들의 분류의 함수로써 상기 제1 혼합물로부터 상기 제1 혼합물의 상기 분류된 제1 복수의 재료들을 선별하도록 구성된 제1 선별기 ― 상기 분류된 제1 복수의 재료들은 제1 및 제2 상이한 단조 알루미늄 합금들을 포함함 ―;
상기 분류된 제1 복수의 재료들 중 제2 복수의 재료들을 상기 제1 및 제2 상이한 단조 알루미늄 합금들 중 하나에 속하는 것으로 분류하도록 구성된 레이저 유도 분해 분광법("LIBS") 시스템; 및
상기 LIBS 시스템을 사용한 상기 제2 복수의 재료들의 분류의 함수로써 상기 분류된 제1 복수의 재료들로부터 상기 분류된 제2 복수의 재료들을 선별하도록 구성된 제2 선별기를 더 포함하는, 복수의 상이한 클래스들의 재료들을 포함하는 제1 혼합물의 재료들을 취급하기 위한 장치. - 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법으로서,
센서를 사용하여 상기 제1 이종 혼합물의 재료들의 각각의 재료 조각의 특성들을 캡처하는 단계; 및
이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 인공 지능 시스템을 사용하여, 상기 제1 이종 혼합물의 재료들의 각각의 재료 조각의 상기 캡처된 특성들에 기초하여 상기 제1 이종 혼합물의 재료들 중 특정 재료들에 제1 분류를 제1 유형의 재료들에 속하는 것으로 할당하는 단계를 포함하며,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 유형의 재료들과 고유하게 연관되며,
상기 제1 유형의 재료들에 속하는 것으로 할당된 상기 제1 이종 혼합물의 재료들 중 특정 재료들은 상기 제1 유형의 재료들에 속하는 것으로 할당되지 않은 상기 제1 이종 혼합물 내의 재료들과 상이한 화학 조성을 갖는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 제1 분류의 함수로써 상기 제1 이종 혼합물로부터 상기 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 상기 선별은 상기 제1 이종 혼합물의 재료들에서 상기 제1 이종 혼합물의 재료들 중 상기 선별된 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성함 ―;
LIBS 시스템을 사용하여, 상기 제2 이종 혼합물의 재료들 중 특정 재료들에 제2 분류를 제2 유형의 재료들에 속하는 것으로 할당하는 단계; 및
상기 제2 분류의 함수로써 상기 제2 이종 혼합물로부터 상기 제2 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계를 더 포함하는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 제1 분류의 함수로써 상기 제1 이종 혼합물로부터 상기 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 상기 선별은 상기 제1 이종 혼합물의 재료들에서 상기 제1 이종 혼합물의 재료들 중 상기 선별된 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성함 ―;
XRF 시스템을 사용하여, 상기 제2 이종 혼합물의 재료들 중 특정 재료들에 제2 분류를 제2 유형의 재료들에 속하는 것으로 할당하는 단계; 및
상기 제2 분류의 함수로써 상기 제2 이종 혼합물로부터 상기 제2 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계를 더 포함하는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 유형의 재료들의 제어 샘플의 이전에 생성된 분류로부터 생성된, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 센서는 이미지 데이터를 생성하기 위해 상기 제1 이종 혼합물의 재료들의 각각의 재료 조각의 시각적 이미지들을 캡처하도록 구성된 카메라이고, 그리고
상기 캡처된 특성들은 시각적으로 관찰된 특성들이며,
상기 이전에 생성된 신경망 파라미터 세트는 제1 클래스의 재료들이 갖는 상기 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정되는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 제1 이종 혼합물의 재료들은 주조 알루미늄 합금들 및 단조 알루미늄 합금들을 포함하며,
상기 제1 유형의 재료들은 단조 알루미늄 합금들이며,
상기 방법은,
상기 제1 분류의 함수로써 상기 제1 이종 혼합물로부터 상기 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 상기 제1 이종 혼합물의 재료들 중 특정 재료들은 제1 및 제2 상이한 단조 알루미늄 합금들을 포함함 ―;
레이저 유도 분해 분광법("LIBS") 시스템을 사용하여, 상기 제1 이종 혼합물의 재료들 중 특정 재료들의 복수의 재료들을 상기 제1 및 제2 상이한 단조 알루미늄 합금들 중 하나에 속하는 것으로 분류하는 단계; 및
상기 LIBS 시스템을 사용한 상기 복수의 재료들의 분류의 함수로써 상기 제1 이종 혼합물의 재료들 중 특정 재료들로부터 상기 분류된 복수의 재료들을 선별하는 단계를 더 포함하는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 제1 유형의 재료들은 단조 알루미늄 합금들이며,
상기 방법은,
상기 제1 분류의 함수로써 상기 제1 이종 혼합물로부터 상기 제1 이종 혼합물의 재료들 중 특정 재료들을 선별하는 단계 ― 상기 제1 이종 혼합물로부터 상기 제1 이종 혼합물의 재료들 중 특정 재료들의 선별은 상기 제1 이종 혼합물에서 상기 제1 이종 혼합물의 재료들 중 특정 재료들을 뺀 것을 포함하는 제2 이종 혼합물의 재료들을 생성하며, 상기 제2 이종 혼합물의 재료들은 복수의 상이한 주조 알루미늄 합금들을 함유하는 주조 알루미늄 재료 조각들을 포함함 ―;
x선 형광("XRF") 시스템을 사용하여, 상기 XRF 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 상기 제2 이종 혼합물 중 특정한 것들을 제1 특정 주조 알루미늄 합금에 속하는 것으로 분류하는 단계; 및
상기 XRF 시스템에 의한 상기 제2 이종 혼합물 중 특정한 것들의 분류의 함수로써 상기 제2 이종 혼합물로부터 상기 제2 이종 혼합물 중 특정한 것들을 선별하는 단계를 더 포함하며,
상기 제2 이종 혼합물로부터 상기 제2 이종 혼합물 중 특정한 것들의 선별은 상기 제2 이종 혼합물에서 상기 제2 이종 혼합물 중 특정한 것들을 뺀 것을 포함하는 제3 혼합물의 재료들을 생성하며,
상기 제3 혼합물은 상기 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함하는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 신경망을 구현하는 인공 지능 시스템이 제1 클래스의 재료들을 표현하는 제어 재료 세트의 시각적 이미지들을 프로세싱한 훈련 단계에서 생성된, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 제7 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 유형의 재료들이 갖는 상기 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정되는, 복수의 상이한 유형들의 재료들을 포함하는 제1 이종 혼합물의 재료들을 취급하기 위한 방법. - 데이터 프로세싱 시스템에 의해 실행될 때 프로세스를 수행하는 컴퓨터 판독 가능 저장 매체 상에 저장된 컴퓨터 프로그램 제품으로서,
상기 프로세스는,
제1 혼합물의 재료들 각각의 특성들을 수신하는 것; 및
이전에 생성된 신경망 파라미터 세트로 구성된 신경망을 구현하는 인공 지능 시스템을 사용하여, 상기 수신된 특성들에 기초하여 상기 제1 혼합물의 제1 복수의 재료들에 제1 분류를 제1 클래스의 재료들에 속하는 것으로 할당하는 것을 포함하며,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 클래스의 재료들과 고유하게 연관되며,
상기 제1 클래스의 재료들에 속하는 것으로 할당된 상기 제1 혼합물의 제1 복수의 재료들은 상기 제1 클래스의 재료들에 속하는 것으로 할당되지 않은 상기 제1 혼합물 내의 재료들과 상이한 화학 조성을 갖는, 컴퓨터 프로그램 제품. - 제16 항에 있어서,
상기 이전에 생성된 신경망 파라미터 세트는 제1 유형의 재료들의 제어 샘플의 이전에 생성된 분류로부터 생성된, 컴퓨터 프로그램 제품. - 제16 항에 있어서,
캡처된 특성들은 카메라에 의해 캡처된 시각적으로 관찰된 특성들이며,
상기 이전에 생성된 신경망 파라미터 세트는 상기 제1 클래스의 재료들이 갖는 상기 화학 조성을 표시하는 시각적으로 식별 가능한 특성들을 표현하도록 지정되는, 컴퓨터 프로그램 제품. - 제16 항에 있어서,
상기 제1 클래스의 재료들은 주조 알루미늄 합금들이며,
상기 컴퓨터 프로그램 제품은,
상기 제1 분류의 함수로써 상기 제1 혼합물로부터 상기 제1 혼합물의 제1 복수의 재료들의 선별을 지시하는 것 ― 상기 제1 혼합물로부터 상기 제1 혼합물의 상기 제1 복수의 재료들의 선별은 제2 혼합물의 재료들을 생성하며, 상기 제2 혼합물의 재료들은 복수의 상이한 단조 알루미늄 합금들을 함유하는 단조 알루미늄 재료 조각들을 포함함 ―;
제1 특정 단조 알루미늄 합금에 속하는 것으로 상기 제2 혼합물 중 특정한 것들에 할당된 제2 분류를 레이저 유도 분해 분광법("LIBS") 시스템으로부터 수신하는 것; 및
상기 제2 분류의 함수로써 상기 제2 혼합물로부터 상기 제2 혼합물 중 특정한 것들의 선별을 지시하는 것을 더 포함하며, 상기 제2 혼합물로부터 상기 제2 혼합물 중 특정한 것들의 선별은 제3 혼합물의 재료들을 생성하며,
상기 제3 혼합물은 상기 제1 특정 단조 알루미늄 합금과 상이한 제2 특정 단조 알루미늄 합금에 속하는 재료들을 포함하는, 컴퓨터 프로그램 제품. - 제16 항에 있어서,
상기 제1 클래스의 재료들은 주조 알루미늄 합금들이며,
상기 컴퓨터 프로그램 제품은,
상기 제1 분류의 함수로써 상기 제1 혼합물로부터 상기 제1 혼합물의 제1 복수의 재료들의 선별을 지시하는 것 ― 상기 제1 복수의 재료들은 복수의 상이한 주조 알루미늄 합금들을 포함함 ―;
x선 형광("XRF") 시스템에 의해 생성된 스펙트럼 데이터의 함수로써 제1 특정 주조 알루미늄 합금에 속하는 것으로 상기 제1 복수의 재료들 중 특정 재료들에 할당된 제2 분류를 상기 XRF 시스템으로부터 수신하는 것; 및
상기 제2 분류의 함수로써 상기 제1 복수의 재료들로부터 상기 제1 복수의 재료들 중 특정 재료들의 선별을 지시하는 것을 더 포함하며,
상기 제1 복수의 재료들로부터의 상기 제1 복수의 재료들의 선별은 제2 혼합물의 재료들을 생성하며,
상기 제2 혼합물은 상기 제1 특정 주조 알루미늄 합금과 상이한 제2 특정 주조 알루미늄 합금에 속하는 재료들을 포함하는, 컴퓨터 프로그램 제품.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/491,415 | 2021-09-30 | ||
| US17/673,694 | 2022-02-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240090253A true KR20240090253A (ko) | 2024-06-21 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11964304B2 (en) | Sorting between metal alloys | |
| US11278937B2 (en) | Multiple stage sorting | |
| US20210346916A1 (en) | Material handling using machine learning system | |
| US11969764B2 (en) | Sorting of plastics | |
| WO2022170262A1 (en) | Sorting of plastics | |
| US20220355342A1 (en) | Sorting of contaminants | |
| WO2023055418A1 (en) | Multiple stage sorting | |
| WO2023076186A1 (en) | Metal separation in a scrap yard | |
| KR20240090253A (ko) | 다단계 선별 | |
| US20240207899A1 (en) | Sorting between metal alloys | |
| US20240133830A1 (en) | Correction techniques for material classification | |
| US12017255B2 (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 | |
| US20220203407A1 (en) | Sorting based on chemical composition | |
| US20230053268A1 (en) | Classification and sorting with single-board computers | |
| WO2023003669A9 (en) | Material classification system | |
| WO2023003670A1 (en) | Material handling system | |
| US20230173543A1 (en) | Mobile sorter | |
| WO2023055425A1 (en) | Sorting based on chemical composition | |
| US20220371057A1 (en) | Removing airbag modules from automotive scrap | |
| CN116917055A (zh) | 基于化学组合物的分拣 | |
| WO2023137423A1 (en) | Scrap data analysis | |
| WO2022251373A1 (en) | Sorting of contaminants | |
| US20230044783A1 (en) | Metal separation in a scrap yard | |
| JP2024518687A (ja) | 自動車スクラップからのエアバッグモジュールの除去 |