수작업 분류는 힘든 작업입니다. 반복적이고, 작업자를 위험에 노출시키며, 처리량이 증가할수록 신뢰성이 떨어집니다. 이러한 이유로 재활용 공장에서는 센서 기반 분류 및 자동화 시스템을 점점 더 많이 사용하고 있습니다. 이제 인공지능(AI)도 이러한 시스템의 핵심 요소로 자리 잡았는데, 주로 비전 시스템과 로봇 선별기를 통해 품목을 식별하고 오염 물질을 제거하는 데 도움을 줍니다.
이 글에서는 AI 기반 분류 기술이 플라스틱 재활용에 실제로 어떤 역할을 할 수 있는지, 재활용 과정에서 어떤 위치를 차지하는지, 그리고 투자하기 전에 무엇을 확인해야 하는지에 대해 설명합니다.
간략 요약
- AI 기반 비전은 일반적으로 광학 선별을 보완하는 역할을 하며, 전체 설비를 대체하는 것은 아닙니다.
- 최적의 활용 사례는 특정 오염물질 제거, 고품질 연마, 반복적인 분류 작업 구역에서의 노동력 절감입니다.
- 성능은 카메라나 소프트웨어뿐만 아니라 영상 송출 방식과 관리 상태에 크게 좌우됩니다.
“"AI 정렬"과 "광학 정렬"의 차이점: 구매자가 이해해야 할 사항
식물들은 흔히 "AI 분류"라고 말하지만, 대부분의 시스템은 다음과 같은 요소들의 조합입니다. 센서 재료의 특성을 감지하는 기술(일반적으로 광학/근적외선 기반 접근 방식) 소프트웨어 모델 항목을 분류하는 도구(흔히 "AI"로 표시됨) - 액추에이터 물리적으로 물체를 분리하는 장치(공기 분사 장치, 기계식 분리 장치 또는 로봇 그리퍼)
AI는 일반적으로 개선됩니다. 분류 그리고 대상 선택. 이는 안정적인 공급, 적절한 벨트 적재 및 계획적인 유지 보수의 필요성을 대체하는 것은 아닙니다.
현대식 분류 라인에서 AI의 역할은 무엇일까요?
대부분의 고성능 제품 라인은 여러 단계를 결합합니다.
- 기계적 전처리(미세분말 제거, 2D/3D 분리)
- 금속 제거
- 광학적 선별(고분자 및 색 분리)
- 고품질 연마(수동 품질 관리 및/또는 로봇 선별)
Energycle는 생산 사양에 따라 턴키 방식의 재활용 라인에 분류 시스템을 통합합니다. 자세한 내용은 해당 제품 설명서를 참조하십시오. 생활폐기물 분류기 개요.
AI 기반 정렬의 일반적인 사용 사례 (그리고 그 외에 필요한 기능들)
| 사용 사례 | AI가 도움을 줄 수 있는 것 | 상류에서 반드시 사실이어야 하는 것은 무엇인가 | 일반적인 고장 모드 |
|---|---|---|---|
| 고품질 연마("마지막 몇 개의 %" 제거) | 수작업을 최소화하면서 특정 오염 물질을 식별하고 제거합니다. | 안정적인 벨트 적재, 일관된 조명, 제어된 품목 겹침 | 겹치는 자료로 인해 목표물이 가려지고, 결과물의 품질이 저하됩니다. |
| 특정 항목 제거 | 후속 공정에서 결함을 유발하는 문제 항목(예: 잘못된 수지/색상)을 제거하십시오. | 명확한 목표 설정, 훌륭한 프레젠테이션, 그리고 일관성 있는 콘텐츠 제공 | 스트림이 변경되어 모델을 재학습해야 합니다. |
| 반복 작업 영역의 노동력 절감 | 반복적인 수동 분류 작업을 줄이세요 | 정기적인 유지보수 및 청소를 통해 센서의 신뢰성을 유지할 수 있습니다. | 청소/교정을 소홀히 하면 가동 중지 시간이 증가합니다. |
AI 기반 정렬은 어떤 면에서 도움이 될 수 있을까요?
1) 표적 오염물질 제거
로봇 피킹은 하류 공정에서 품질 문제를 일으키는 특정 품목(예: 목표로 하지 않는 플라스틱, 이전에 놓쳤던 금속 또는 심하게 오염된 부품)을 제거할 수 있습니다.
2) 유연한 식별 로직
비전 시스템은 시간이 지남에 따라 새로운 목표물(새로운 포장 형식, 새로운 라벨 유형)을 학습할 수 있으므로 공장에서 기계적 분리 장치를 재구축하지 않고도 조정할 수 있습니다.
3) 특정 지역의 노동력 감축
자동화를 통해 동일한 처리량을 달성하는 데 필요한 수동 선별 작업대의 수를 줄일 수 있습니다. 특히 대량 분리가 아닌 "마지막 몇 퍼센트의 오염 물질을 제거하는 것"이 목표인 정제 단계에서 더욱 그렇습니다.
AI 정렬이 스스로 해결하지 못하는 문제
- 사료 제공 방식이 부실함물체가 심하게 겹치거나 예측할 수 없이 움직이는 경우, 어떤 센서 시스템도 제대로 작동하지 못합니다.
- 전처리 없이 고농도 오염 물질을 처리하는 방법: 더럽고, 젖었고, 엉킨 재료는 먼저 기계적인 전처리가 필요합니다.
- QC를 제외한 품질 사양샘플링, 베일 검사 및 명확한 합격 기준은 여전히 필요합니다.
APR의 모델 베일 사양은 시장에서 다양한 재활용품에 대한 수용 기준을 정의하는 방식의 한 예입니다. 이를 템플릿으로 활용하여 공장 품질 관리(QC) 언어에 "수용 가능한 것"과 "거부 가능한 것"을 포함시키십시오. (출처: APR 모델 베일 사양)
인공지능 정렬 알고리즘을 평가하는 방법
다음 사항을 요청하십시오. – 정확한 목표 항목 및 예상 출력 사양("성공"의 정의) – 통합 세부 정보(벨트 속도, 조명, 공기 시스템, 유지 보수 접근성) – 시스템 학습 및 업데이트 방법(모델 업데이트 담당자 포함) – 시스템 다운타임 계획(카메라가 오프라인 상태가 되거나 보정값이 오차가 발생할 경우 대처 방법)
다음과 같은 구매 관련 질문을 추가하면 대부분의 예상치 못한 문제를 방지할 수 있습니다. – 목표 순도 및 회수율은 얼마이며, 인수 테스트 중에 어떻게 측정할 것입니까? – 세척/교정 일정은 어떻게 되며, 일정을 지키지 못할 경우 성능에 어떤 영향을 미칩니까? – 현장에 필요한 예비 부품(카메라, 조명, 벨트, 밸브, 그리퍼)은 무엇입니까? – 소프트웨어 업데이트 및 모델 변경 프로세스는 어떻게 되며, 가동 중지 시간은 어떻게 처리됩니까?
스트림에 자동화가 적합한지 평가하고 싶다면 Energycle를 통해 제품 사진과 목표 제품 정보를 공유해 주세요. 연락처 페이지.
투자 수익률(ROI)의 현실: 식물이 AI 분류를 통해 일반적으로 얻는 이점(또는 손해 보는 점)
AI 선별은 일반적으로 다음 조건 중 하나 이상에 해당할 때 유용합니다. – 반복적인 선별 작업 구역에서 노동력이 병목 현상을 일으키거나 안전 문제가 발생할 경우 – 구매자가 오염에 대해 강한 불이익(가격 인하 및 불량품 발생)을 줄 경우 – 대량 광학 선별 후 더욱 엄격한 규격에 맞추기 위해 제품 흐름을 "정제"해야 할 경우
사료 제공 방식이 제대로 제어되지 않거나, 공장에서 인공수정이 상류의 기계적 준비 과정을 대체할 것으로 기대할 때 이러한 방식은 종종 실패합니다.
시운전 및 인수 테스트(AI 측정 가능성 확보)
AI 정렬은 정의된 입력 조건에서 순도와 복구율을 성공 기준으로 정의할 때 최상의 성능을 발휘합니다. 구매하기 전에 공급업체에 다음 사항을 포함하는 인수 계획을 제안해 달라고 요청하십시오.
- 대표적인 입력 자료 (사진, 오염 범위, 습도 조건)
- 정의된 KPI(순도, 회수율, 정상 작동 시 처리량 및 청소 가동 중지 시간)
- 샘플링 방법(샘플을 수집하는 방법과 순도/회수율을 계산하는 방법)
- 유지보수 계획 (렌즈 청소, 에어젯 점검, 모델 업데이트 및 담당자별 업무 내용 포함)
제안서에 측정 가능한 계획 없이 "데모 영상 성능"만 제시되어 있다면, 이는 실제 생산에 투입할 수 있는 조달 패키지가 아닙니다.
FAQ (실제 구매자 질문)
인공지능 분류기가 광학 분류기를 대체할까요?
일반적으로는 그렇지 않습니다. AI는 시스템의 목표물 인식 및 선택 능력을 향상시키는 경우가 많지만, 많은 공장에서는 여전히 광학 선별기가 주요 작업을 담당하고 있습니다. 실제로는 기계적 전처리, 금속 제거, 광학 선별을 거친 후 로봇을 이용해 일부 오염 물질을 제거하는 "연마" 단계를 추가합니다. 광학 선별기를 로봇으로 교체하려면 공급업체에 실제 사용 환경(겹침, 벨트 적재, 수분 함량)에서 처리량과 순도를 입증해 달라고 요청해야 합니다. 시스템은 데모 단계뿐만 아니라 실제 생산 속도에서도 일관되게 재료를 분리해야 합니다.
견적서를 비교할 수 있도록 공급업체에 어떤 정보를 제공해야 할까요?
다음 세 가지를 제공하십시오. (1) 명확하게 정의된 입력 스트림(사진, 오염 물질 목록, 수분 상태, 부피 밀도), (2) 명확하게 정의된 출력 사양(목표 폴리머, 색상 제한, 오염 제한), (3) 합격 테스트를 위한 측정 방법. 이러한 정보가 없으면 공급업체는 추측에 기반한 견적을 제시하게 되고, 성능 주장을 비교할 수 없게 됩니다. APR의 모델 베일 사양은 귀사의 공장에서 다른 등급 시스템을 사용하더라도 시장에서 사양이 어떻게 구성되는지 보여주는 유용한 예입니다. 각 공급업체에게 목표와 KPI를 귀사의 사양 언어에 맞춰 매핑하도록 요청하십시오. (출처: APR 모델 베일 사양)
AI 정렬 성능에 가장 중요한 유지 관리 작업은 무엇입니까?
청소 및 교정. 카메라, 조명, 렌즈 및 공기 시스템은 시간이 지남에 따라 성능이 저하될 수 있으며, 광학 부품에 오염 물질이 쌓이면 인식 정확도가 급격히 떨어질 수 있습니다. 문서화된 청소 일정, 교대 근무당 예상 소요 시간, 그리고 청소가 소홀해졌을 때 발생하는 정상적인 성능 저하 정도를 확인하십시오. 또한 필요한 예비 부품 재고와 고장난 카메라 또는 조명 모듈을 교체하는 데 걸리는 시간도 문의해야 합니다. 고성능 시스템을 구매한 후 시스템 성능을 일관되게 유지하는 데 필요한 일상적인 유지 보수 비용을 충분히 투자하지 않으면 투자 수익률(ROI)을 가장 빠르게 잃게 됩니다.
플라스틱 재활용 과정에서 AI 시스템이 가장 자주 실패하는 부분은 어디일까요?
공급물의 상태는 중요합니다. 겹치는 품목, 고르지 않은 벨트 적재, 엉킨 자재는 감지 및 선별 정확도를 떨어뜨립니다. 오염도가 높은 자재의 경우에도 전처리가 필요합니다. 그렇지 않으면 AI 시스템이 소프트웨어로 기계적 문제를 해결하려고 시도하게 됩니다. 위험을 줄이는 가장 쉬운 방법은 실제 운영 조건(벨트 속도, 품목 겹침, 습도, 오염도)과 일치하는 자재 시험 또는 상세 시뮬레이션을 요구하는 것입니다. 공급업체가 공급물 상태 변화에 따른 성능 변화를 설명할 수 없다면, 초기 가동 후 불안정한 출력 품질을 예상해야 합니다.
데이터와 모델 업데이트의 소유권은 누구에게 있습니까?
이는 단순히 기술적인 문제가 아니라 계약과 관련된 질문입니다. 어떤 데이터가 저장되는지, 어디에 저장되는지, 누가 사용할 수 있는지 등을 문의하세요. 또한 모델 업데이트는 어떻게 처리되는지, 자동 업데이트가 가능한지, 업데이트 시 시스템 가동 중단이 필요한지, 새로운 포장 형식이나 오염 물질에 맞춰 시스템을 재학습시킬 수 있는지 등을 명확히 하세요. 공급업체가 소프트웨어 약관이나 제품 라인을 변경할 경우 어떻게 되는지 또한 분명히 해야 합니다. 좋은 제안서는 데이터 소유권, 업데이트 주기, 대체 모드 등을 가동 시간 계획의 일부로 다루고, 계약서의 작은 글씨로 처리하지 않습니다.
재활용 인프라에 대한 주장의 타당성을 검증하려면 어떤 자료를 활용할 수 있을까요?
미국의 경우, EPA는 재활용 인프라 평가 및 데이터 수집 보고서를 발행하는데, 이를 통해 국가 차원에서 수거, 재활용 시설(MRF), 처리 용량에 대한 논의가 어떻게 이루어지는지 파악할 수 있습니다. 이 보고서는 특정 AI 시스템의 성공 여부를 알려주지는 않지만, "기술 잠재력"과 "시스템 용량"에 대한 논의를 구분하는 데 도움이 됩니다. 이러한 거시적 맥락을 구매자의 요구 사항 및 시험 데이터와 함께 활용하십시오. (출처: ) 미국 환경보호청(EPA) 재활용 인프라 보고서)
