JP5263776B2 - 非磁性金属の識別方法 - Google Patents

Description

本発明は、廃家電、廃自動車等のシュレッダー処理施設で回収される非磁性金属破砕片の混合物（ミックスメタル）に含まれる２０〜２００ｍｍ程度の比較的大きな銅、アルミニウム、マグネシウム等を、重液を用いた選別法や人手による選別方法によらずに、材質毎に識別回収するのに適した識別方法に関する。

さらに、本発明は、識別したアルミニウム破砕片に対して、展伸材に由来するものと鋳造材に由来するものとに分離する識別方法に関する。

廃家電、廃自動車などのシュレッダー処理施設では、破砕後、磁力選別により鉄を除いた後、風力選別機やエアテーブルなどにより樹脂などの非金属を除き、渦電流選別機により銅やアルミニウム等の非磁性金属をまとめてミックスメタルとして回収するのが一般的である。

このミックスメタルをリサイクルするには、さらに材質別に選別する必要がある。その手段として、通常は重液を用いた比重選別や人手による選別がよく用いられるが、処理コスト・効率の点で問題があるため、次のような特殊な手段が知られている。

例えば、カラー識別機によって銅を他の金属から選別する方法が公知である（特許文献１参照）。また、本発明と同様な金属破砕片の選別回収技術として、金属塊のインダクタンス検出による方法が公知である（特許文献２参照）。さらに、破砕片の体積を、当該破砕片の存在によって気体容積が変動することを利用して計測し、別途重量値を測定して比重を算出し材質を同定する方法が公知である（特許文献３参照）。

また、廃家電、廃自動車等の中間処理施設で回収されるアルミニウムスクラップには、種々の成分のアルミニウム合金が混在するが、特に展伸材用の合金と鋳造材用の合金が混在した場合には、不純物元素の混入によって、二次合金の用途が鋳物やダイカストに限定されてしまいリサイクルの経済性が低下するという問題がある。

こうした事態を回避するため、アルミニウムスクラップについて展伸材に由来するものと鋳造材に由来するものをさらに選別する技術が要請されているが、これに対応可能な手段としては、蛍光Ｘ線分析やレーザー誘起プラズマ分光分析等によって合金の元素組成を直接測定するしかないのが現状である。

さらに、物体の立体形状測定技術を廃棄物の識別に応用した例としては、２方向に配置したカメラもしくはラインセンサで取得した撮像信号を計算処理して物体の立体形状を導出したケースが公知である（特許文献４、５参照）。

また、前記のように、アルミニウム合金破砕片について展伸材由来のものと鋳造材由来のものを自動選別する手段については、蛍光Ｘ線分析による同定法や、レーザー誘起プラズマ分光分析による同定法がある（非特許文献１参照）。また、X線透過率測定と渦電流検出を組み合わせた多段選別法も開発されている（非特許文献２参照）。

特開平６−１０６０９１公報 特開平９−２４３４４公報 特開平８−７１５２８公報 特開平１１−８３４６１公報 特開平１０−１９２７９４公報

W.L. Dalmijn, Recycling International, (April), 48 (2003) M.B. Mesina, et. al., Int. J. Miner. Process, 82, 222 (2007)

各種金属や樹脂などの非金属が混在した廃棄物を処理する過程において発生する銅、アルミニウム、マグネシウム等の非磁性金属をさらに材質ごとに分離回収する場合、渦電流選別機では十分な精度でこれらを分離できない。

風力選別やエアテーブルは、概ね１０ｍｍ以下の比較的小さな形状の破砕片については適用可能であるが、これより大きく高重量の破砕片では分離が困難である。

カラー選別機では、アルミニウムとマグネシウムのように色調が似ている金属や塗装により着色された金属などの選別には適さない。また、重液を用いた比重選別では廃水処理設備などに要するコストが問題となる。

このため、比較的大きな形状の非磁性金属の破砕片の選別は、主に人手によって行われているが、騒音や汚れなどの作業環境上の問題やコスト増となる問題があった。こうしたことから、上記特許文献２及び３記載の発明がされているが、廃棄物処理の現場ではほとんど用いられていないのが現状である。

また、前記のように、アルミニウム合金破砕片について展伸材由来のものと鋳造材由来のものを自動選別する手段については、蛍光Ｘ線分析による同定法や、レーザー誘起プラズマ分光分析による同定法（非特許文献１参照）があるが、これらは物体表面近傍の情報を得る分析手法であるため、廃棄物を対象にした場合、汚れや塗装等の影響によって正確な分析ができないことが多い。また、X線透過率測定と渦電流検出を組み合わせた多段選別法（非特許文献２参照）も開発されているが、機器そのものが非常に高価であるため、廃棄物処理の現場への導入は困難である。

本発明は、従来困難とされてきた銅、アルミニウム、マグネシウム等の比較的大きな形状の破砕片に対してその材質を自動的に識別しその結果に基づいて識別すること、ならびに、アルミニウム合金破砕片に対して展伸材と鋳造材に由来するものを自動的に識別しその結果に基づいて識別することが可能な簡素かつ高性能な非磁性金属の識別方法を提供することを目的としている。

本発明は上記課題を解決するために、非磁性金属の破砕片の重量と１台のレーザー３次元計測器による測定によって得られる破砕片の立体形状情報を用いた演算処理工程の結果に基づいて、非磁性金属破砕片の材質や形状を自動的に識別する方法において、
前記演算処理工程は、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値から算出される変数を入力したニューラルネットワークの出力値を比較することにより行い、前記ニューラルネットワークの構造は、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに決定することを特徴とする非磁性金属の識別方法を提供する。

なお、前記演算処理工程は、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値から算出される変数を用いて判別関数の値を算出し、この値と予め設定した閾値とを比較することにより行い、前記判別関数と閾値については、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに多変量解析を行うことによって決定する方法と、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値から算出される変数を入力したニューラルネットワークの出力値を比較することにより行い、前記ニューラルネットワークの構造は、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに決定することを特徴とする非磁性金属の識別方法とを組み合わせて行う方法でもよい。

本発明の非磁性金属の識別方法を用いることで、以下のような顕著な効果が生じる。
（１）従来技術では効率的な識別が困難であった２０〜２００ｍｍの比較的大きな形状を持つ銅、アルミニウム、マグネシウム等の金属破砕片を低コストで材質ごとに識別することが可能である。

（２）アルミニウム合金に対して、破砕片の形態の違いによって展伸材に由来するものと鋳造材に由来するものとを低コストで識別することが可能である。本発明によれば、破砕片の汚れや塗装の影響を受けずに破砕片を識別できる。

（３）物体の立体形状測定技術を廃棄物の識別に応用した例としては、特許文献４、５に示されているような、２方向に配置したカメラもしくはラインセンサで取得した撮像信号を計算処理して物体の立体形状を導出したケースがある。このような公知技術に比較して、本発明では１台のレーザー３次元計測器によって物体の立体形状を数値データとして直接測定するため、識別のための複雑なデータ処理が比較的容易に行えるという利点がある。

本発明に係る非磁性金属の識別方法を実施する装置の全体構成を示す図である。 本発明による金属の識別回収の処理フロー図である。 レーザー光を照射された金属破砕金属片の拡大図である。 金属の材質を判別するためのアルゴリズムの例を示す図である。 金属の材質を判別するためのニューラルネットモデルの例を示す図である。 図１に示す装置で測定した金属破砕金属片の見掛け密度分布を示す図である。 図１に示す装置で検知できない空隙についての説明図である。 図１に示す装置で測定した破砕金属片の立体形状に関する３種の変数と見掛け密度の関係を示す図である。

本発明に係る非磁性金属の識別方法の実施の形態及び実施例を図面を参照して、以下に説明する。

図１に、本発明に係る非磁性金属の識別方法を実施する非磁性金属識別回収装置の全体構成の実施の形態を示す。破砕金属片１を供給する供給装置２、供給装置２から供給された破砕金属片１を搬送するベルトコンベア３、５、破砕金属片１の重量を測定する重量計４、フォトセンサ６、レーザー３次元計測器７、及び分別回収機構を備え、これらの動作を制御装置１９（実際はコンピュータを使用する。）によって統括制御を行うように構成されている。なお、単位時間当たりの処理量をさらに増やす必要がある場合は、本図に示したラインを複数並行に配置して同時に動作させる。

破砕金属片１は、供給装置２からベルトコンベア３に個別に供給され、重量計４に達した際にまず重量が測定され、その結果が制御装置１６に送られる。続いて、フォトセンサ６によって破砕金属片１を検知すると、その検知信号を受けて、上方に吊り下げられたレーザー３次元計測器７が動作し、破砕金属片１の立体形状が計測される。

制御装置１９において、重量と立体形状に関する情報を変数とする演算処理によって破砕金属片１の識別を行う。このときのアルゴリズムについては後記する。識別を終えた破砕金属片１はその結果に基づいて、コンプレッサ１８、電磁バルブ１５、１６、１７及びアクチュエータ１２、１３、１４から成る分別機構（アクチュエータ）によって分別され、それぞれ各回収容器８、９、１０、１１に収納される。

図２に、本発明による金属識別回収の処理フローを示す。

図３に、図１に示す装置のベルトコンベア上においてレーザー光を照射された破砕金属片の拡大図を示す。本レーザー３次元計測器は、一定方向に移動する物体をフォトセンサで検出すると、瞬時に横幅２５ｃｍ程度のスリット状のレーザー光を斜め前方から照射し、物体表面での反射光ラインの位置変化をＣＣＤによって検出して、立体形状をデジタルデータとして記録する。

図１に示す装置において識別に用いる測定値は、重量、体積、鉛直上方への投影面積（以下、面積と表記）、縦長（縦方向長）、横長（横方向長）、最大高、鉛直上方への投影面の重心点の高さ（以下、「重心点高」と表記）である。

破砕金属片の識別を行うにあたっては、まず、識別対象とする破砕金属片について代表的な複数のサンプルを抽出して繰り返し測定を行い、表１（判別分析又は／およびニューラルネットワークに用いる変数を示す表）に示す１４通りの変数値ついてのデータベースを作成する。このとき、ある破砕金属片を測定したときに得られる１４個の変数値の組み合わせを１ケースとしてデータベースに登録する。

これらの変数値は、破砕金属片の立体形状の他に、搬送方向に対する破砕金属片の配向（具体的にはコンベアに置かれた破砕金属片の向き）にも依存するので、同一の破砕金属片でも配向が異なる場合は異なる値を取る。このため、複雑な形状を有する破砕金属片に対しては、できるだけ多くの配向についての測定データを収集し、それぞれ別のケースとしてデータベースに登録する。

ここでいうデータとは、ある破砕金属片をある配向で測定したときに得られる（Ｘ_１〜Ｘ_１４）の数値の組み合わせである。これを１ケースとし、同一の破砕金属片でも配向が異なる場合は、別のケースとしてデータベースに登録する。

また、本発明による「識別」とは、「測定されたあるケースがどの材質に該当するのか、あらかじめ登録した大量のケースデータに照らし合わせて判定する」という作業なので、例えば１０円玉のように完全に対称な形状のものは１ケースの登録でも十分であるが、識別の精度をあげるためには、複雑な形状を持つ破砕金属片ほど、登録するケース数を多くするとよい。

次に、データベースに登録した全ケースを変数値Ｘ_１の大きさの順にソートし、Ｘ_１について適当な境界値を設定して複数のケース群にグループ分けする。ここで、変数値Ｘ_１とは、図１に示す装置で測定された重量値を体積値で除した値であり、以下、見掛け密度と表記する。

見掛け密度の大きさに従ってグループ分けされた各ケース群に対し、多変量解析法の一種である判別分析法及びニューラルネットワークのいずれか１つ又は両方を適用して、あるケースとして測定される破砕金属片の材質を識別するためのアルゴリズムをあらかじめ決定する。

（多変量解析法の適用）
多変量解析法及び判別分析法の詳細は、例えば「応用統計ハンドブックp３１８〜p３２８、養賢堂（１９８６）」に示されているが、その概要は、次のとおりである。多変量解析法とは、同時に調査して得られた複数の項目（本発明では「変数」に相当する。）からなる資料（本発明では「ケース群」に相当する。）の項目間の関連を調べ、全体として資料を理解・分析する統計解析の方法である。判別分析法とは、この資料を所望の目的に沿って２つのグループに分ける際の、合理的に判別する基準（本文における判別関数）を探索する多変量解析の一つの方法である。

ここでは、破砕金属片の材質を目的変数、立体形状に関する表１に示した１４通りの変数を説明変数として、式１で記述される判別関数Ｚ（Ｘ）を算出する。すなわち、判別関数Ｚ（Ｘ）のａ、ｂ、ｃ．．．の１５個の数値を算出する。そして、これら１５個の数値を判別関数Ｚ（Ｘ）のａ、ｂ、ｃ．．．に入れた判別関数Ｚ（Ｘ）の式に、各ケースのＸ_１〜Ｘ_１４の変数値を代入して算出される判別関数値（各ケースについての判別得点）は、破砕金属片の材質に関連した値となる。

ここで、材質とは銅、アルミ、マグネシウムといった金属の種別のことであり、これを（例えば銅とアルミを判別する際には）銅を０、アルミを１といった具合に異なる整数値で表して、この値を各ケースデータに追加して全１５個の変数を用いて判別分析を行う。このような、判別分析における「正解」を表す変数のことを目的変数と呼ぶ。

判別分析は、２グループにしか分離できないので、３種の金属が混在するケース群に対しては、例えば、まず「銅とアルミを０、マグネシウムを１」としてマグネシウムを分離後、次の判別分析で「銅を０、アルミを１」とし、銅とアルミを分離するプロセスが必要になる。なお、後記するアルミ鋳造材とアルミ展伸材の判別を行う際は、鋳造材を０、展伸材を１という具合に数値化して判別分析を行う。

ここで判別分析の対象としたすべてのケースの判別得点を算出しその大きさの順にソートすると、材質の違いに応じて判別得点の序列が生じるので、最も判別の精度が高まる判別得点値を閾値として設定し、閾値より大きな判別得点となるケースを材質Ａ、閾値より小さな判別得点となるケースを材質Ｂという具合に識別する。

一般の判別分析では判別得点の正負によって（常に閾値を０とする）２グループに分離する。しかし、破砕片のケースデータを対象にして実際に判別得点の計算を行うと、下記の表６のような状況になることが頻繁にある。このとき、閾値を０とすると判別の的中率は銅２／３、アルミ２／２となるのに対して、閾値を−０．５〜−２．６の値に設定すると的中率は銅３／３、アルミ２／２となり判別の精度が向上する。上記「最も判別の精度が高まる判別得点値」とは、−０．５〜−２．６の任意の値のことであり、例えば、−１．５というように閾値を設定する。

（式１）
Ｚ_ｎ（Ｘ）＝ａ_ｎ＋ｂ_ｎＸ_１＋ｃ_ｎＸ_２＋……＋ｎ_ｎＸ_１３＋ｏ_ｎＸ_１４ （ｎ＝１，２，３……）

（ニューラルネットワークの適用）
本発明の非磁性金属の識別方法において、非磁性金属破砕片の材質や形状を自動的に識別するために破砕片の立体形状情報を用いる演算処理工程として、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値を用いて算出される変数を入力したニューラルネットワークの出力値を比較することにより行ってもよいが、このような非磁性金属の識別方法を実施例２として、以下説明する。

ニューラルネットワーク自体の詳細は、例えば「ニューロコンピュータ工学ｐ３１〜ｐ７５、工業調査会（１９９２）」に示されているが、その概要は、次の通りである。ニューラルネットワークは、人間の脳の構造を真似て作った情報処理の手法であり、多変量解析の判別分析と同様の分析を行うことが可能である。ニューラルネットワークを用いる場合は、変数間の関係を見つけるためのデータ（本発明では「ケース群」に相当）を用意して、このデータを用いてニューラルネットワークを学習し、その後、変数データを入力してニューラルネットワークの出力から結果を解釈するという手順を取る。

ニューラルネットワークの優れた点として、多変量解析のように目的変数と説明変数の関数関係をあらかじめ仮定する必要がないため、任意の関数関係のモデル化が可能であり、一度の計算で２つ以上のグループに識別できる点が挙げられる。また、いったん学習が終了したニューラルネットワークでも学習データを追加して再学習させると、識別性能を向上させることができる。

ニューラルネットワークにはいくつかのモデルが存在し、いずれのモデルを用いても識別は可能であるが、ここでは最も一般的な階層型モデルを用いた例について説明する。図４は、破砕金属片を銅（Ｃｕ）、アルミ鋳造材（Ａｌｃ）、アルミ展伸材（Ａｌｗ）、マグネシウム（Ｍｇ）の４種に識別するためのニューラルネットワークの例である。この場合、入力層には、変数値Ｘ_１〜Ｘ_１４に対応する１４のユニット（ニューロンモデル）を設定し、出力層には銅、アルミ鋳造材、アルミ展伸材、マグネシウムに対応する４つユニットを設定する。また識別するケース群の特性に応じて複数個のユニットを中間層に設定する。これらのユニット間を重みを持つネットワークを介して結合する。

ここで、入力層には、(式２）を用いて０〜１の間に正規化した変数値Ｘ_１〜Ｘ_１４を入力する。中間層の各ユニットにおいては、入力層の各ユニットからの入力値に重みを掛けて総和を取り、Ｓ字状の非線形関数（シグモイド関数）に基づく閾値に応じて、０〜１の値を出力層の各ユニットに出力する。出力層の各ユニットにおいてもこれと同様の計算によって０〜１の値を出力する。

ニューラルネットワークの学習においては、下記の(式２）を用いて変数値Ｘ_１〜Ｘ_１４を正規化した各ケースデータに、銅の場合は（１、０、０、０）、アルミ鋳造材の場合は（０、１、０、０）、アルミ展伸材の場合は（０、０、１、０）、マグネシウムの場合は（０、０、０、１）の４つの整数値（教師信号）を追加した全１８個の変数を用いて、誤差逆伝播法によりユニット間の結合の重みを修正し、ニューラルネットワークを最適化する。

誤差逆伝播法の詳細については、ニューロコンピュータ工学ｐ４６〜ｐ４９、工業調査会（１９９２）」に示されている。誤差逆伝播法における学習回数、許容誤差、補習回数等の条件設定が問題となるが、これらは対象となるケース群の性質に応じて決定する。

学習したニューラルネットワークに下記の(式２）を用いて正規化した変数データＸ_１〜Ｘ_１４を入力して計算を実行したとき、出力層に（ｙ_１、ｙ_２、ｙ_３、ｙ_４）の４つの値を得たとする。このときｙ_１〜ｙ_４を比較して、ｙ_１が最大の場合は銅、ｙ_２が最大の場合はアルミ鋳造材、ｙ_３が最大の場合はアルミ展伸材、ｙ_４が最大の場合はマグネシウムと識別する。このように、ニューラルネットワークを用いた場合は、出力層に出力される４つの数値から直ちに材質が決定される。

（式２）
正規化後の値＝（正規化前の値−最小値）／（最大値−最小値）
（ここで、式２中の最大値と最小値は、あらかじめデータベースに登録した各変数の最大値と最小値を示す）

（多変量解析法とニューラルネットワークの適用）
識別の対象となる材質が２種類に限定され、そのケースデータ数がごくわずかの場合は、一個の判別関数によっても破砕金属片の材質の識別が可能である。しかし、３種以上の材質の識別が必要、かつそのケースデータが大量に存在する場合、一個の判別関数では破砕金属片の材質の正確な識別は不可能である。判別関数を複数個設定し、多段の計算処理をすることで精度を高めることは可能であるが、この場合、識別のためのアルゴリズムが複雑化し、その設定作業が非常に煩雑になる。

ニューラルネットワークを用いた場合は、判別分析よりも格段に多くのケースを扱うことができるが、やはり一段の計算処理ではその精度に限界がある。また、前記のように、ニューラルネットワークの出力値からは、判別分析のようにケースデータ間の序列を判断できないため、その結果を用いてさらにグループ分けを行うのではなく、アルゴリズムの最終段階で用いることが適している。

そこで本発明では、大量のデータを扱う場合には、判別分析とニューラルネットワークを組み合わせたアルゴリズムを設定する方法を用いてもよい。この方法を本発明の実施例３として、以下に、その設定方法についてさらに説明する。

図５は、アルミ展伸材、アルミ鋳造材、銅、マグネシウムの４種の破砕金属片を識別することを想定したアルゴリズムの１例である。ここでは、見掛け密度の違いに応じて、データベースに登録された全ケースを１３グループにグループ分けしている。本例では、見掛け密度が５．０ｇ／ｃｍ^３以上に計測された場合は直ちに銅と識別し、０．６ｇ／ｃｍ^３以下に測定された場合は、直ちにアルミ展伸材と識別することとする。

なお、ケース群をグループ分けする際の見掛け密度の境界値や分割後のグループ数は、識別対象となる母集団の規模、性質に応じて任意に設定してよい。以下に、見掛け密度が２．６〜２．３ｇ／ｃｍ^３にあるケース群について例示する。

まず、このクループにある全ケースを対象として１段目の判別分析１を行う。前記の方法によって、判別関数Ｚ_１（Ｘ）を算出するとともに、関数Ｚ_１（Ｘ）による判別得点についての閾値α_１を決定する。そして、各ケースの判別得点を閾値α_１と比較することによって全ケースを２グループに分割する。この段階では、各グループには、アルミ展伸材、アルミ鋳造材、銅、マグネシウムが混在しており、判別得点の違いによって材質を指定することはできない。

次に、分割された２つのグループについて、それぞれのグループに所属するケース群を対象として２段目の判別分析２および３を行い、判別関数Ｚ_２（Ｘ）、Ｚ_３（Ｘ）を決定するとともに、判別得点Ｚ_２値、Ｚ_３値についての閾値α_２、α_３を決定する。さらに、判別得点と閾値を比較することによって、両グループを規模の小さな２つのグループに分割する。このときのグループ数（閾値の数）についても、取り扱う母集団の規模、性質に応じて任意に設定可能である。

このように、３段目のニューラルネットワークにおいて対象となるケース数ができるだけ少なくなるように、小さなグループに分割することによって、識別精度が向上する。なお２段目の判別分析における閾値の決定においては判別の精度は問題とせずに、分割後のグループに含まれるケース数を概ね７００ケース以下にすることが肝要である。

なお、上記２段目の判別分析２を行い、判別関数Ｚ_２（Ｘ）（もしくはＺ_３（Ｘ））を決定する場合について、１段目と２段目の判別関数Ｚ_１（Ｘ）と判別関数Ｚ_２（Ｘ）（もしくはＺ_３（Ｘ））は、同じではない。例えば、１段目の判別分析でＡ，Ｂ，Ｃ，Ｄのケース群をＡ，Ｂのケース群とＣ，Ｄのケース群に分離する場合は、Ａ，Ｂ，Ｃ，Ｄの４つのケースの情報に基づいて判別関数が算出されるのに対して、２段目の判別分析でＡ，Ｂのケース群をＡとＢに分離する場合は、ＡとＢの２つのケースの情報だけで判別関数を算出する。

このように、１段目と２段目では、判別分析の対象となるケース群に含まれるケースの“メンバー”が異なるので、これらを分離するための判別関数も当然異なることになる。

図５に示すように、２段目の判別分析２においてＺ_２値が閾値α_２より大きなグループに移行したケース群については、ニューラルネットワーク１によって計算処理を行う。前記の方法によって、階層型モデルを設定し、対象ケース群を学習させることで、最適なニューラルネットワーク構造（中間層ユニット数、ユニット間の結合の重みと閾値）を決定する。

２段目の判別分析２においてＺ_２値が閾値α_２より小さなグループに移行したケース群についても、ニューラルネットワーク２において、これと同様の計算処理を行う。判別分析の場合と同様の理由で、ニューラルネットワーク１とニューラルネットワーク２の構造は異なることになる。

１段目の判別分析の結果によって判別分析３に移行したケース群ついてもこれと同様の手順を取る。また、これと異なる見掛け密度区間に属するケース群ついても、まったく同様の手順で判別関数と閾値、ならびに最適なニューラルネットワーク構造を設定し、材質の識別に至るアルゴリズムを決定する。

このように決定したすべての判別関数について、ａ、ｂ、ｃ．．．の１５個の数値と判別閾値α_１、α_２、α_３組み合わせを制御装置に記憶させる。また、すべてのニューラルネットワーク構造を制御装置に記憶させる。

以上の準備が終了後、材質が未知の試料を搬送して識別を行う。重量計と３次元計測器で得られる測定値を用いて、上記の判別関数の値を算出し、この値を事前に設定した判別の閾値と比較することによってアルゴリズムを分岐し、最終的に２段の判別分析と１段のニューラルネットワークによって破砕金属片の材質を識別する。

表２〜４を用いて、材質が未知の破砕金属片について識別過程をより具体的に説明する。表２は、上述の手順によって決定した、見掛け密度区間２．６〜２．３ｇ／ｃｍ^３にある判別関数の係数値とその閾値を示している。

今、ある破砕金属片に対して表３に示した７個の測定値を得たとすると、表１に示した定義に基づいて、表３に示したＸ_１〜Ｘ_１４の変数値が直ちに算出される。この場合、本破砕金属片の見掛け密度値は２．３０ｇ／ｃｍ^３であり、図５に示した手順によって識別を行うことができる。

まず、表２中のＺ_１の列に示した係数ａ〜ｏと表３中の変数値Ｘ_１〜Ｘ_１４を式１に代入することによってＺ_１＝−０．９１を得る。この値をあらかじめ設定した閾値α_１＝０．６を比較すると、Ｚ_１＞α_１となるので、アルゴリズムは判別分析２側に移行する。

続いて、表２中のＺ_２の列に示した係数と変数値から同様の計算によってＺ_２＝−０．０６を得る。この値をあらかじめ設定した閾値α_２＝０．７を比較すると、Ｚ_２＞α_２となるので、アルゴリズムはニューラルネット１側に移行する。

続いて、あらかじめ設定したニューラルネットワーク1を用いた計算により、出力値Y _１=１．０、Y _２=０．０、Y _３=０．０、Y _４=０．０を得る。出力値Y_１〜Y _４のうち最も大きな値はY _１であるので、最終的に本破砕金属片は銅であると識別される。

表４は、これと同様の計算手順によって、アルミ鋳造材と識別される破砕金属片の例である。

以下に、上記方法によって破砕金属片の識別が可能となる理由をさらに補足して説明する。図６は、ある廃自動車シュレッダー処理施設から入手した３種の金属破砕金属片（アルミ３００個、マグネシウム２５０個、銅（真鍮を含む、以下、銅と表記）１０５個）について、コンベア上での配向が異なる状態で各破砕金属片について１５回ずつ測定した際の見掛け密度の頻度分布を示している。

図中、アルミについては鋳造材（ｃａｓｔ）と展伸材（ｗｒｏｕｇｈｔ）を別々に示している。また、マグネシウムについては、全サンプルが鋳造材であり、銅については鋳造材と展伸材を区別せずに表示している。本図から、図１に示す装置で測定される見掛け密度は、破砕金属片の種類によらず真密度（Ａｌ２．７、Ｍｇ１．７、Ｃｕ７．９−８．９ｇ／ｃｍ^３）よりも小さな値となることがわかる。

その理由は、本３次元計測器は一定方向から見た情報に基づく計測であるため、レーザー光が到達しない死角域が発生した場合、影に相当する部分を体積に含めて余計にカウントするためである。

展伸材に多く見られる板状・薄手の部材が屈曲した破砕金属片では、破砕金属片の内部やコンベアとの隙間において、このような検知できない空隙が多く生じ、その占める割合が相対的に高くなるため、鋳造材に多く見られる塊状・厚手の破砕金属片と比較して見掛け密度の誤差が大きくなったものと考えられる（図７にこの概念図を示す）。

銅については、鋳造材を主体とする約半数が見掛け密度３．４ ｇ／ｃｍ^３以上に測定されているが、薄手の管材ではやはり誤差が大きくなり、低い密度域にまで分布が広がっている。従って、破砕金属片の重量と体積を測定して見掛け密度を比較するだけではこれらの正確な識別は困難である。

図８は、図６と同一の試料について、破砕金属片の立体形状に関する３種の変数について、０．２ ｇ／ｃｍ^３間隔の見掛け密度の区間ごとの平均値をプロットしたものである。図８（ａ）に見られるように、マグネシウムの破砕金属片は概ねＸ_１＝０．７〜１．８ ｇ／ｃｍ^３見掛け密度値を取るが、同じような見掛け密度となるアルミ展伸材やアルミ鋳造材と比較すると、これらよりも面積Ｘ_３が小さくなる傾向がある。

また、図８（ｂ）及び（ｃ）に見られるように、アルミ鋳造材と銅との見掛け密度の重なりが問題となるＸ_１＝１．８ ｇ／ｃｍ^３以上では、物体の高さに関する指標であるＸ_８やＸ_１１値に両者の違いがある。また、アルミ鋳造材とアルミ展伸材についても、これらの見掛け密度が重なり合うＸ_１＝１．２〜１．６ ｇ／ｃｍ^３の範囲において、いずれの変数にも顕著な違いが見られる。

このことから、見掛け密度をある狭い区間に限定して考えれば、同一区間に存在するアルミ鋳造材、アルミ展伸材、マグネシウム、銅の破砕金属片の立体形状には統計的に見て何らかの違いがあり、多変量解析とニューラルネットワークによってその特徴を上手く抽出することでこれらの識別が可能となる。

廃自動車のシュレッダー処理施設の非鉄金属選別ラインから採取した、銅（真鍮を含む）、アルミニウム合金（展伸材）、アルミニウム合金（鋳造材）、マグネシウム合金の４種類の金属破砕金属片（２０〜２５０ｍｍ程度）を材質別に識別する試験を実施した。

まず、無作為に抽出した破砕金属片について、図１の装置を用いて配向を変えながら測定を繰り返し、表１に示した１４の変数についてのデータベースを作成した。データベースに登録したサンプル数は、銅：４０２２ケース（個数１０５）、アルミ鋳造材：５０１１ケース（個数１０４）、アルミ展伸材：７１９３ケース（個数１９２）、マグネシウム：１０５４４ケース（個数２４６）である。

判定アルゴリズムは図５と同様のものとし、見掛け密度を１３区間に分割、各区間において３通りの判別関数とその閾値、４通りのニューラルネットワークを設定して、２段の判別分析と１段のニューラルネットワークによって材質を識別する形式とした。

その後、データベースに未登録の破砕金属片２００個（銅５０個、アルミ鋳造材５０個、アルミ展伸材５０個、マグネシウム５０個）について、配向を変えながら各５回測定を行い、材質の的中率を調べた結果を表５に示す。配向の違いにより、的中率は概ね８５〜９８％の間で変動するが、全測定の平均では銅、アルミ、マグネシウムのいずれも９０％以上の的中率で識別が可能であった。

以上のとおり、廃自動車等のシュレッダー処理施設において、渦電流選別機の後に本発明による非磁性金属選別装置を配置することにより、非磁性金属破砕金属片の混合物に含まれる２０〜２００ｍｍ程度の比較的大きな銅、アルミニウム、マグネシウム等を、重液を用いた選別法や人手による選別方法によらずに材質毎に識別回収することが可能となる。なお、ニューラルネットワークの特性として、データを逐次追加して学習させることが可能であるので、本発明による非磁性金属の識別方法は、測定データの蓄積に応じて識別精度を向上させることができる。

以上、本発明に係る非磁性金属の識別方法の実施の形態及び実施例を図面を参照して説明したが、本発明はこのような実施例に限定されることなく、特許請求の範囲記載の技術的事項の範囲内で、いろいろな実施例があることは言うまでもない。

本発明に係る非磁性金属の識別方法は、事前に行うデータ収集において、対象物を適宜変更することにより、金属以外の識別にも応用可能である。こうしたことから、本発明は廃自動車等のリサイクルの効率化や経済性の向上に寄与するものと考えられる。

さらに発明に係る非磁性金属の識別方法は、事前のデータ収集において識別対象物を変更すれば、他の物体の識別にも応用可能である。例えば各種工業製品の製造工程管理、食品や農水産物等の識別といった分野にも応用できる。

１ 破砕金属片
２ 供給装置
３、５ ベルトコンベア
４ 重量計
６ フォトセンサ
７ レーザー３次元計測器
８、９、１０、１１ 回収容器
１２、１３、１４ アクチュエータ
１５、１６、１７ 電磁バルブ
１８ コンプレッサ
１９ 制御装置

Claims (2)

1. 非磁性金属の破砕片の重量と１台のレーザー３次元計測器による測定によって得られる破砕片の立体形状情報を用いた演算処理工程の結果に基づいて、非磁性金属破砕片の材質や形状を自動的に識別する方法において、
   前記演算処理工程は、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値を用いて算出される変数を入力したニューラルネットワークの出力値を比較することにより行い、
   前記ニューラルネットワークの構造では、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに決定することを特徴とする非磁性金属の識別方法。
2. 非磁性金属の破砕片の重量と１台のレーザー３次元計測器による測定によって得られる破砕片の立体形状情報を用いた演算処理工程の結果に基づいて、非磁性金属破砕片の材質や形状を自動的に識別する方法において、
   前記演算処理工程は、
   破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値を用いて算出される変数を用いて判別関数の値を算出し、この値と予め設定した閾値とを比較することにより行い、前記判別関数と閾値については、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに多変量解析を行うことによって決定することと、破砕片の見掛け密度、体積、面積、縦長、横長、最大高、及び重心点高の測定値を用いて算出される変数を入力したニューラルネットワークの出力値を比較することにより行い、前記ニューラルネットワークの構造では、あらかじめ破砕片の上記変数に関する測定データを見掛け密度の大きさ別にグループ分けしたデータベースを作成し、このグループごとに決定することとを組み合わせて行うことを特徴とする非磁性金属の識別方法。