목재 재활용의 판도를 바꾸는 인공 신경망
Jose Matas - Segment Manager Wood
AI 분야의 전문가들와 재활용 업계의 주요 기업들은 기계 인텔리전스가 패널보드 산업의 가장 큰 과제 중 일부를 해결하는 데 도움이 될 수 있다고 확신합니다. AI는 오늘날 꽤나 화제가 되고 있지만, 사실 새로운 개념은 아닙니다. 1940년대부터 존재해 왔지만, 개인용 컴퓨터의 출현과 컴퓨팅 성능이 향상되면서 완전히 다른 의미를 갖게 되었습니다. 우리가 의식하지 못할 수도 있지만, 매일 AI와 상호 작용하고 있습니다. Google 검색, 목적지까지의 가장 빠른 경로를 찾기 위한 내비게이션 시스템 사용, 일상적인 작업을 수행하기 위한 로봇 배치 등 다양한 분야에서 활용되고 있습니다.
선별 시스템 - 재활용을 위한 AI 게이트웨이
우리는 AI 기반 솔루션이 점점 더 강력해지고 소프트웨어가 재활용 성과를 개선하는 핵심 도구가 되는 기술 혁명을 경험하고 있습니다. 폐목재 재활용과 관련하여 공장 운영자는 종종 스케일 문제에 직면합니다.
최대한 많은 재활용 가능한 폐목재를 회수하고 시장의 수요를 충족할 수 있는 가장 순수한 재료 분획물을 만들어 규모를 확장해야 합니다. 딥 러닝 기술 덕분에 이제 가공 목재와 비가공 목재와 같은 목재 카테고리 유형을 감지하고 분리하는 것도 가능해졌습니다.
딥 러닝에 대해 자세히 알아보기
인공 지능은 논리, if-then 규칙, 의사 결정 트리 및 머신 러닝을 사용하여 컴퓨터가 인간 지능을 모방할 수 있도록 하는 모든 기술로 정의될 수 있습니다. 딥 러닝은 대량의 복잡한 데이터를 처리할 수 있는 머신 러닝의 하위 분야로, 매우 이질적인 폐기물 스트림을 선별하는 응용 분야에 유용합니다. 머신 러닝과 달리 딥 러닝은 능동적인 피처 엔지니어링이 필요하지 않으며 충분한 데이터로 학습하면 이미지에서 추가 특성을 추출할 수 있습니다. 가장 유망한 접근 방식으로 간주되는 이 시스템은 다양한 개념을 통합하여 다양한 선별 작업에 대한 미래 지향적인 솔루션을 제공합니다.
그 개념 중 하나는 이미지 분류로, 선별 기계가 MDF와 같은 이미지에서 보이는 것을 분류할 수 있습니다. 물체의 위치는 분류 및 선별 결정에 중요한 정보를 제공하기 때문에 이미지 분류 전에 기존 이미지 처리와 같은 방법을 적용하여 물체를 잘라냅니다.
AI의 또 다른 개념은 물체 감지입니다. 이미지에 목재 칩이 포함되어 있다는 사실을 아는 것만으로는 사실에 기반한 정확한 선별 결정을 내릴 수 없습니다. 또한 기계는 컨베이어 벨트에서 재료의 정확한 위치를 파악해야 합니다. 물체 감지 기능은 벨트에서 목재 칩의 위치를 정확하게 파악합니다.
범주별 분류는 픽셀 수준의 분류를 수행하고 물체의 위치에 대한 보다 자세한 정보를 제공하는 또 다른 방식입니다. 목재 칩은 컨베이어 벨트에 대량으로 공급되기 때문에 쉽게 겹쳐져 분류 및 선별 결정에 부정적인 영향을 미칠 수 있습니다.
개체별 분류라고 하는 또 다른 접근 방식은 고정밀 선별을 위해 대상 재료를 구분합니다. 결과적으로 동일한 재료 등급의 중첩되는 두 개의 물체를 개별 개체로 감지할 수 있습니다.
파티클보드 제조업체를 위한 강력한 도구
이전 글에서 언급한 바와 같이, 폐목재 재활용은 귀중한 비즈니스 기회이자 1차 자원 사용으로 인한 환경 영향을 완화하는 실행 가능한 수단입니다. 폐목재를 수거하면 광범위한 정제 공정을 거쳐 석재, 금속 또는 불활성 물질과 같은 불필요한 물질을 X-Ray 선별 기술을 통해 제거합니다. 그런 다음 깨끗한 목재 칩을 운영자의 요구 사항에 따라 재료 유형별로 추가 선별할 수 있습니다.
기존 선별 방식과 달리 근적외선과 딥 러닝 기술을 결합하면 선별 정확도와 순도 수준에서 최고의 성능을 발휘할 수 있습니다. 정교한 센서와 인공 신경망의 힘을 통해 선별 시스템은 가공 목재와 비가공 목재와 같은 다양한 재료 유형을 구별하도록 훈련됩니다. 가장 순수한 미가공 목재 분획물만이 재활용 함량으로 만든 고품질 파티클보드 생산에 적합하기 때문에 현대 파티클보드 제조 및 목재 재활용 공장에서는 목재의 유형별 분리가 필수적인 단계입니다.
딥 러닝에 대해 자세히 알아보기
Sebastian Solbach, Team Leader Application Development Deep Learning, TOMRA Recycling
딥 러닝 기술은 인공 뉴런으로 구성된 인공 신경망을 기반으로 작동합니다. 다양한 기능의 여러 레이어로 그룹화된 인공 뉴런 네트워크는 물체를 식별하고 분류하는 방법을 학습합니다. 실제로 딥 러닝은 원시 입력 데이터에서 피처 계층 구조를 추출하여 여러 데이터 범주로 그룹화할 수 있습니다.
센서 기반 선별에서 딥 러닝을 활용하기 위해 당사의 엔지니어들은 네트워크를 수천 개의 주석이 달린 이미지에 노출시켜 철저하게 훈련했습니다. 훈련된 네트워크가 센서로 스캔한 물체에 대한 정보를 수신하면 주석이 달린 이미지에서 추출한 피처를 사용하고 이를 재료에 연결하여 스캔된 물체가 무엇일지 예측합니다.
물체 감지 분야의 최근 혁신은 다양한 복합 및 풀링 레이어의 캐스케이드 형식으로 구성된 특수한 유형의 인공 신경망인 복합 신경망에 의해 가능해졌습니다.
첫 번째 레이어 유형(복합 레이어)은 스캔한 물체에서 고유한 피처를 추출합니다. 이러한 피처는 모서리,텍스처 또는 기타 추상적인 물체 속성일 수 있습니다.
두 번째 레이어 유형(풀링 레이어)은 이미지 정보를 압축하여 후속 복합 레이어가 더 큰 그림을 보고 전체 물체의 모양과 같은 추가 피처를 감지할 수 있도록 합니다.
모든 관련 물체 특성이 첫 번째와 두 번째 계층에서 추출된 후, 신경망의 마지막 부분인 “완전 연결 계층(fully connected layers)”이 해당 물체를 특정한 목재 종류로 분류합니다.
각 분류 작업을 수행하고 원하는 결과를 얻기 위해 모든 레이어를 필요에 따라 결합하고 반복할 수 있습니다.
유연성을 높여주는 인공 신경망
딥 러닝 기술의 성능은 인공 신경망을 기반으로 합니다. 인공 신경망은 일반적으로 폐기물 스트림에서 찾을 수 있는 수천 개의 물체 이미지로 훈련되어 재료를 감지하고 분리할 때 활용하는 물체 정보 풀을 보유하고 있습니다. 광범위한 주석이 달린 데이터를 기반으로 시스템은 개별 목재 칩의 패턴과 특성을 인식하고 이 정보를 센서로 스캔한 데이터와 즉시 연결합니다. 그런 다음 목재 칩을 재료 유형별로 분류하고 고객이 정의한 선별 작업에 따라 분리합니다.
딥 러닝 기반 시스템은 운영자에게 훨씬 더 많은 유연성을 제공하여 선별 공정에서 대상 물질의 유형을 선택할 수 있습니다. 예를 들어, MDF와 합판은 가공 목재에서 회수할 수 있습니다. 운영자는 선별 유연성을 활용하여 더 많은 유형의 재활용 가능한 재료를 회수하고 새로운 수익 흐름을 창출할 수 있습니다.
결론적으로, 첨단 NIR 시스템과 딥 러닝을 결합하면 파티클보드 제조업체와 목재 재활용업체는 운영을 최적화하고 제한적이고 값비싼 1차 재료의 비용을 절감할 수 있는 경쟁 우위를 확보할 수 있습니다.