KR102945708B1 - 와류 선별 시스템 및 이의 장치 - Google Patents

와류 선별 시스템 및 이의 장치

Info

Publication number
KR102945708B1
KR102945708B1 KR1020250153313A KR20250153313A KR102945708B1 KR 102945708 B1 KR102945708 B1 KR 102945708B1 KR 1020250153313 A KR1020250153313 A KR 1020250153313A KR 20250153313 A KR20250153313 A KR 20250153313A KR 102945708 B1 KR102945708 B1 KR 102945708B1
Authority
KR
South Korea
Prior art keywords
blade
angle
conveyor
mixture
magnetic field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020250153313A
Other languages
English (en)
Inventor
이영진
김성휘
Original Assignee
주식회사 로보원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 로보원 filed Critical 주식회사 로보원
Priority to KR1020250153313A priority Critical patent/KR102945708B1/ko
Application granted granted Critical
Publication of KR102945708B1 publication Critical patent/KR102945708B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B07C5/34—Sorting according to other particular properties
    • B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
    • 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
    • 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
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Sorting Of Articles (AREA)

Abstract

본 개시는 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 수집부; 상기 컨베이어의 말단부에 위치하여 고속으로 회전하여 자기장을 발생시키는 와류(eddy current) 발생기; 상기 와류 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서 상기 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 분류하는 적어도 하나 이상의 블레이드; 상기 수집부에 의해 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 객체인식모델; 상기 적어도 하나 이상의 블레이드 각각의 각도를 상기 객체인식모델에서 인식한 결과값 간의 상관관계에 기초하여 산출하는 각도산출모델; 및 상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 제어부;를 포함하는 와류 선별 시스템을 제공한다.

Description

와류 선별 시스템 및 이의 장치{EDDY CURENT SORTING SYSTEM AND DEVICE THEREOF}
본 발명은 와류 선별 시스템에 관한 것으로, 보다 구체적으로, 각도산출모델에 의해 산출된 블레이드의 각도로 혼합체를 선별하는 시스템에 관한 것이다.
'와류 선별(Eddy current separation)"은 전도성 물질(알루미늄, 구리 등)과 비전도성 물질(플라스틱, 유리, 목재 등)을 분리하는 방법이다.
기존의 와류 선별기는 대상물에 작용하는 와류의 세기에만 의존하여 분류를 수행하는 방식이 주를 이루었다. 이러한 방식은 단순히 와류의 강약에 의해 대상물이 낙하하는 궤적이나 비산 거리가 결정된다는 가정에 기반하고 있으나, 실제 환경에서는 다양한 변수들이 동시에 작용하기 때문에 선별 정확도에 한계가 존재한다.
예를 들어, 선별 대상이 3종 이상 혼합된 경우, 각 대상의 크기, 무게, 형상, 밀도와 같은 물리적 성질이 서로 다르게 작용함에도 불구하고, 단순히 와류의 세기만을 기준으로는 이들 간의 미세한 분리 차이를 구현하기 어렵다.
특히 무게가 유사하더라도 표면적이나 형상에 따라 공기 저항이 달라지고, 그 결과 낙하 각도와 비산 거리가 일정하지 않아 선별 효율이 현저히 저하된다.
또한, 기존 장치는 외부 환경의 변화에도 민감하다. 와류 발생 장치의 세기를 일정하게 유지한다 하더라도 주변 공기의 흐름, 습도, 압력 등의 외란 요인에 따라 대상물의 궤적이 쉽게 변동되며, 이로 인해 동일한 조건에서도 선별 결과가 일관되지 않게 된다. 결국, 선별 과정은 작업자의 경험에 따른 수동 조절에 크게 의존하게 되고, 이는 대량 처리 공정에서 생산성 저하와 품질 불균일성 문제를 야기한다.
따라서, 본 발명자들은 상기 문제를 해결하기 위해 일응 노력한 결과, 본 발명의 완성했다.
본 명세서에서 기재된 다양한 실시예들은 대상물이 3개 이상 혼합된 혼합체를 정밀하게 분류하는 와류 선별 시스템을 제공하는 것을 목적으로 한다.
본 개시가 해결하고자 하는 과제들은 상술한 과제에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 수집부; 상기 컨베이어의 말단부에 위치하여 고속으로 회전하여 자기장을 발생시키는 와류(eddy current) 발생기; 상기 와류 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서 상기 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 분류하는 적어도 하나 이상의 블레이드; 상기 수집부에 의해 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 객체인식모델; 상기 적어도 하나 이상의 블레이드 각각의 각도를 상기 객체인식모델에서 인식한 결과값 간의 상관관계에 기초하여 산출하는 각도산출모델; 및 상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 제어부;를 포함하는 와류 선별 시스템을 제공한다.
여기서, 상기 각도산출모델은 상기 객체의 개수, 종류의 비율, 크기, 형상, 상기 자기장의 크기, 상기 컨베이어의 이동 속도, 및 상기 블레이드의 상기 와류 발생기로부터의 위치 중 적어도 하나 이상을 포함하는 학습용 데이터에 의해 학습된 것일 수 있다.
여기서, 상기 적어도 하나 이상의 블레이드는 본체부; 본체부에 연결된 모터; 및 모터의 회전에 의해 굴신되는 꺽임부를 포함할 수 있다.
여기서, 상기 제어부는 상기 산출된 각도에 기초하여 상기 모터를 회전시킬 수 있다.
여기서, 상기 적어도 하나 이상의 블레이드는 제1 위치에서 제1 객체를 분류하는 제1 블레이드; 및 제2 위치에서 제2 객체를 분류하는 제2 블레이드를 포함할 수 있다.
여기서, 상기 제어부는 상기 산출된 각도에 기초하여 제1 블레이드의 모터를 제1 회전각으로 회전시키고, 제2 블레이드의 모터를 제2 회전각으로 회전시킬 수 있다.
다른 실시예에서, 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 단계; 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 단계; 적어도 하나 이상의 블레이드 각각의 각도를 상기 객체를 인식한 결과값 간의 상관관계에 기초하여 산출하는 단계; 상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 단계; 및 와류(eddy current) 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서, 상기 와류 발생기에 의해 발생시킨 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 적어도 하나 이상의 블레이드로 분류하는 단계;를 포함하는 적어도 하나 이상의 프로세서에 의해 수행되는 와류 선별 방법을 제공한다.
또 다른 실시예에서, 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 수집부; 상기 수집부에 의해 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 객체인식모델; 와류(eddy current) 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서 상기 와류 발생기에 의해 발생시킨 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 분류하는 적어도 하나 이상의 블레이드의 각각의 각도를 상기 객체를 인식한 결과값 간의 상관관계에 기초하여 산출하는 각도산출모델; 및 상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 제어부;를 포함하는 와류 선별 장치를 제공한다.
본 발명의 일 실시예에 따르면, 3종 이상의 재료를 동시에 분류할 수 있다.
또한, 분류 정확도를 효과적으로 개선할 수 있고, 기계적 단순 와류 세기 제어를 넘어, 지능형 데이터 분석에 기반하여 최적화된 선별을 제공할 수 있다.
본 개시에 따른 효과들은 상술한 효과에 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 와류 선별 시스템의 환경도이다.
도 2는 일 실시예에 따른 블레이드의 도이다.
도 3은 일 실시예에 따른 와류 선별 시스템을 설명하는 도이다.
도 4는 일 실시예에 따른 와류 선별 방법의 순서도이다.
이하, 첨부된 도면들에 기재된 내용들을 참조하여 본 발명에 따른 예시적 실시 예를 상세하게 설명한다. 다만, 본 발명이 예시적 실시예들에 의해 제한되거나 한정되는 것은 아니다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 것이나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다.
또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 특정한 경우, 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 본 명세서에서 사용된 단수형은 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 본 명세서 전체에서 기재된 "a, b 및/또는 c 중 적어도 하나"의 표현은, 'a 단독', 'b 단독', 'c 단독', 'a 및 b', 'a 및 c', 'b 및 c', 또는 'a, b, c 모두'를 포괄할 수 있다.
한편, 본 명세서에서 사용되는 "제1 및/또는 제2" 등의 용어는 다양한 구성요소들을 설명하기 위하여 사용될 수 있으나, 이는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 목적으로만 사용될 뿐, 해당 용어로 지칭되는 구성요소로 한정하기 위한 것은 아니다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않는 한, 제1 구성요소는 제2 구성요소로 명명될 수 있으며, 제2 구성요소 또한 제1 구성요소로 명명될 수 있다.
또한, 본 명세서에 기재된 "부”, "모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 본 명세서에서 본 개시의 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 실시 예는 하나 이상의 마이크로프로세서의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.
본 개시에 따른 실시 예에서, 인공지능과 관련된 기능은 프로세서 및 메모리를 통해 구현될 수 있다. 이 때, 프로세서는 CPU(Center Processing Unit), AP(Application Processor), DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU(Graphic Processing Unit), VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 및 NPU(Neural network Processing Unit)와 같은 인공지능 전용 프로세서 중 어느 하나일 수 있다. 프로세서는 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라 입력 데이터를 처리할 수 있다. 또는, 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 본 개시에 따른 일부 실시 예에서, 인공지능과 관련된 기능은 복수의 프로세서들을 통해 구현될 수 있다.
본 개시에 따른 실시 예에서, 기 정의된 동작 규칙 또는 인공지능 모델은 기계학습을 수행하도록 구성될 수 있다. 여기서, 기계학습을 수행하도록 구성된다는 것은, 기 정의된 동작 규칙 또는 인공지능 모델이 학습 알고리즘을 기반으로 다수의 학습 데이터들을 이용하여 학습되어 원하는 특성(또는 목적)을 수행하도록 구성됨을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 구현되는 장치 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다.
인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구현될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘에 기반하여 동작할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크는 복수의 신경망 레이어(layer)들로 구성될 수 있으며, 예시적으로 뉴럴 네트워크는 입력 레이어(input layer), 은닉 레이어(hidden layer) 및 출력 레이어(output layer)를 포함할 수 있다. 복수의 신경망 레이어들 각각은 적어도 하나의 노드(node) 및 적어도 하나의 가중치(weight)를 포함할 수 있으며, 이전(precious) 레이어의 연산 결과와 가중치 간의 연산을 통해 신경망 연산을 수행할 수 있다. 복수의 신경망 레이어들이 가지고 있는 적어도 하나의 가중치는 인공지능 모델의 학습 결과에 의하여 최적화될 수 있다. 예를 들어, 학습 과정동안 인공지능 모델에서 획득한 손실(loss) 값 또는 비용(cost) 값이 감소 또는 최소화되도록 적어도 하나의 가중치가 갱신될 수 있다. 뉴럴 네트워크는 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.
인공지능 모델의 학습 방법은 학습 방식에 따라 입력 데이터 및 출력 데이터가 훈련 데이터로써 제공되어 문제(입력 데이터)에 대응하는 정답(출력 데이터)이 정해져 있는 지도학습(supervised learning), 출력 데이터 없이 입력 데이터만 제공되어 문제(입력 데이터)에 대응하는 정답(출력 데이터)이 정해지지 않은 비지도학습(unsupervised learning) 및 현재 상태(state)에서 어떤 행동(action)을 취할 때마다 보상(reward)이 부여되고, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning) 등으로 구분될 수 있다. 또는, 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있다.
본 개시의 실시 예에서, 인공지능 모델은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘 중 적어도 하나를 이용할 수 있으며, 상술한 예시들은 본 개시의 실시 예에 따라 이용되는 인공지능 구조 및 알고리즘의 예를 나열한 것인 뿐, 본 개시의 실시 예에 따라 이용되는 인공지능 구조 및 알고리즘을 제한하는 것은 아니다.
이하, 본 개시의 다양한 실시 예들은 첨부된 도면을 참조하여 상세하게 설명될 것이다. 실시 예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략할 것이다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다. 마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 본 명세서에서, 전문에 걸쳐 동일한 참조 부호는 동일한 또는 대응하는 구성 요소를 지칭할 수 있다.
도 1은 일 실시예에 따른 와류 선별 시스템의 환경도이다.
본 명세서에서, 용어 '와류 선별(Eddy current separation)"은 전도성 물질(알루미늄, 구리 등)과 비전도성 물질(플라스틱, 유리, 목재 등)을 분리하는 방법을 의미할 수 있다.
본 명세서에서, 와류 선별 시스템은 자석 회전 장치를 이용하여 교번 자기장을 형성하고, 전도성 물질이 자기장 안을 통과하면 와전류(Eddy current)가 발생하고, 이로 인해 물질 내부에 자기장이 유도되어, 유도된 자기장과 회전 자석의 자기장이 서로 반발하면서 전도성 물질이 튕겨나듯 분리되도록 구성되는 시스템일 수 있다.
도 1을 참고하면, 일 실시예에 따른 와류 선별 시스템은 네트워크(10), 와류 선별 장치(20, 이하 '장치'), 카메라(100), 컨베이어(200), 와류 발생기(300), 및 블레이드(400)를 포함할 수 있다.
와류 선별 시스템은 네트워크(10)를 통해 장치(20), 카메라(100), 컨베이어(200), 와류 발생기(300), 및 블레이드(400)가 연결되어 데이터를 송수신할 수 있다.
네트워크(10)는 장치(20), 카메라(100), 컨베이어(200), 와류 발생기(300), 및 블레이드(400)가 데이터 송수신 가능하게 연결하는 역할을 수행하는 것으로서, 통신 방식이나 종류는 제한되지 않는다. 예를 들어, 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스 일 수 있다. 예를 들어, HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 의미할 수 있으나, 이에 한정되지 않는다.
장치(20)는 와류로 혼합체의 객체를 선별/분류하는 장치로, 네트워크(10)를 통해 송수신한 데이터를 사용하여 컨베이어를 통해 이동하는 객체를 인식하고, 인식한 결과값에 기초하여 블레이드의 각도를 산출하여 산출된 각도를 이용하여 블레이드(400)의 구동을 조절하는 장치일 수 있다.
카메라(100)는 컨베이어를 통해 이동하는 혼합체의 영상을 촬영하는 장치일 수 있다. 카메라(100)는 일반 카메라, 흑백 카메라, 적외선 카메라, 열화상 카메라, 하이퍼스펙트럼/멀티스펙트럼 카메라 등을 의미할 수 있으나, 객체의 종류, 크기, 및 무게 등을 인식할 수 있는 카메라면 제한되지 않는다.
본 명세서에서 용어, '혼합체'는 객체의 혼합을 의미할 수 있다. 즉, 적어도 둘 이상의 객체의 혼합을 의미할 수 있다. 여기서, 객체는 소재(예를 들어, 전도성 물질과 비전도성 물질), 종류, 크기, 및 무게 등에 의해 구분될 수 있으나 이에 제한되지 않는다.
컨베이어(200)는 롤러와 벨트를 이용하여 물체나 자재를 연속적으로 이송하는 장치일 수 있다. 컨베이어(200)는 객체를 공급하는 공급 컨베이어, 및 후단으로 객체를 이동시켜 배출하는 배출 컨베이어를 포함할 수 있다. 구체적으로, 컨베이어(200)는 객체를 와류 발생기(300)쪽으로 이송시킬 수 있다. 카메라(100)는 공급 컨베이어에서 움직이는 객체를 촬영할 수 있다. 배출 컨베이어의 이동 방향에는 블레이드(400)가 위치할 수 있다.
와류 발생기(300)는 자석 회전 장치를 이용하여 교번 자기장을 형성시키는 장치일 수 있다. 와류 발생기(300)는 컨베이어(200)의 말단부에 위치하여 고속으로 회전하여 자기장을 발생시킬 수 있다. 구체적으로, 와류 발생기(300)는 공급 컨베이어의 말단부에 위치할 수 있다. 예를 들어, 와류 발생기(300)는 복수의 영구자석이 원주 방향으로 배치된 회전 자석부와, 이를 회전 가능하게 지지하는 드럼 하우징을 포함할 수 있다.
구체적으로, 와류 선별 시스템에서 컨베이어(200)는 물체를 와류 발생기(300)쪽으로 이송시키고, 와류 발생기(300)는 고속으로 회전해 자기장을 발생시킬 수 있다. 전도성 물질이 자기장 안을 통과하면 와전류가 발생하고, 이로 인해 전도성 물질이 튕겨나듯 분리될 수 있다. 이때, 튕겨나듯 분리될 때 객체 별로 서로 다른 궤적으로 낙하될 수 있다.
여기서, 객체별로 소재(예를 들어, 전도성 물질과 비전도성 물질), 크기, 무게, 형상별로 서로 다른 크기의 와전류가 발생되어 서로 다른 궤적으로 와류 발생기(300)로부터 낙하될 수 있다.
블레이드(400)는 와류 발생기(300)로부터 이격된 위치에서 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 혼합체를 물리적으로 분류하는 장치일 수 있다.
와류 선별 시스템에서 블레이드(400)는 적어도 하나 이상일 수 있다. 예를 들어, 제1 블레이드는 제1 위치에 존재할 수 있고, 제2 블레이드는 제2 위치일 수 있으며, 제1 위치와 제2 위치는 와류 발생기(300)로부터 서로 다른 거리로 이격된 위치일 수 있다.
블레이드(400)의 구조는 도 2를 참조하여 상술하겠다.
장치(20)는 수집부(21), 메모리(22), 및 제어부(23)를 포함할 수 있다.
도 1에 도시된 시스템은 본 실시 예와 관련된 구성요소만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
수집부(21)는 컨베이어(200)를 통해 이동하는 혼합체의 영상을 수집할 수 있다. 구체적으로, 수집부(21)는 카메라(100)가 촬영한 컨베이어를 통해 이동하는 혼합체의 영상을 수집할 수 있다. 여기서, 혼합체는 객체의 혼합을 의미할 수 있다.
메모리(22)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 장치(20)에 포함될 수 있다. 또한, 메모리(22)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.
메모리(22)는 객체인식모델 및 각도산출모델을 포함할 수 있다.
객체인식모델은 수집부(21)에 의해 수집된 영상에 기초하여 혼합체에 포함된 적어도 둘 이상의 객체를 인식할 수 있다. 예를 들어, 객체인식모델은 객체탐지, 객체인식, 객체분류 알고리즘을 학습된 딥러닝 모델로, YOLO 계열, CNN, TRANSFORMER 등일 수 있으나 이에 제한되지 않는다. 예를 들어, 객체인식모델은 수집부(21)에 의해 수집된 영상에 기초하여 혼합체에 포함된 적어도 둘 이상의 객체를 탐지할 수 있다. 객체인식모델은 객체의 종류를 분류할 수 있다. 객체인식모델은 분류된 종류들의 비율을 산출할 수 있다.
각도산출모델은 적어도 하나 이상의 블레이드 각각의 각도를 객체인식모델에서 인식한 결과값 간의 상관관계에 기초하여 산출할 수 있다. 예를 들어, 각도산출모델은 객체인식모델에서 인식한 결과값인 객체의 개수, 및 객체 종류의 비율 중 적어도 하나 이상을 포함하는 학습용 데이터에 의해 학습된 것일 수 있다.
여기서, 학습용 데이터는 객체의 크기, 형상, 자기장의 크기, 컨베이어의 이동 속도, 및 블레이드의 와류 발생기로부터의 위치 중 적어도 하나 이상을 더 포함할 수 있다. 여기서, 자기장의 크기는 객체의 종류, 크기, 형상, 및 속도 중 적어도 하나 이상에 의해 결정될 수 있다.
각도산출모델은 객체인식모델에서 인식한 결과값에 기초하여 적어도 하나 이상의 블레이드의 각도를 산출할 수 있다. 여기서, 각도는 회전각, 경사각일 수 있으나 이에 제한되지 않는다. 예를 들어, 경사각은 블레이드의 본체와 꺽임부 사이의 각일 수 있고, 회전각은 본체와 꺽임부가 일직선 상일 때를 0도라고 설정하여 꺽임부가 모터에 의해 회전하는 각을 의미할 수 있다.
제어부(23)는 각도산출모델이 산출된 블레이드의 각도에 기초하여 블레이드의 구동을 조절할 수 있다. 이하, 블레이드의 구동에 대해 도 3을 참조하여 상술하겠다.
장치(20)는 프로세서, 통신 모듈, 및 입출력 인터페이스를 포함할 수 있다.
프로세서는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리 또는 통신 모듈에 의해 다른 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다.
통신 모듈은 네트워크를 통해 사용자 단말(미도시)과 장치(20)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 장치(20)가 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 장치(20)의 프로세서의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈과 네트워크(10)를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다.
입출력 인터페이스는 장치(20)와 연결되거나 장치(20)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다.
도 2는 일 실시예에 따른 블레이드의 도이다.
도 2를 참고하면, 일 실시예에 따른 블레이드(400)는 본체부(401), 모터(402), 및 꺽임부(403)를 포함할 수 있다.
본체부(401)는 블레이드의 주된 몸체 부분을 의미하고, 본체부(401)의 일단에 모터(402) 및/또는 꺽임부(403)가 연결될 수 있다. 본체부(401)는 와류 발생기(300)로부터 이격된 위치에 존재할 수 있다.
모터(402)는 제어부(23)가 전달한 블레이드의 각도에 기초하여 회전하는 구성일 수 있다. 모터(402)는 꺽임부(403)와 연결되어 회전 시에 꺽임부의 각도를 변경할 수 있다.
꺽임부(403)는 모터(402)와 연결되어 블레이드의 각도에 기초하여 들어 올려지거나 내려지는 구성일 수 있다. 꺽임부(403)는 모터(402)의 회전에 의해 굴신될 수 있다. 꺽임부(403)는 수평면에 대해 0도 내지 90도의 각도로 존재하기 때문에 수평면에 대해 서로 다른 궤적으로 낙하된 혼합체를 분류할 수 있다.
도 3은 일 실시예에 따른 와류 선별 시스템을 설명하는 도이다.
도 3을 참고하면, 혼합체(1000)는 컨베이어를 통해 이동할 수 있다. 카메라(100, 도 3에서 미도시)는 컨베이어를 통해 이동하는 혼합체의 영상을 수집할 수 있다. 예를 들어, 혼합체는 플라스틱, 인쇄회로기판(PCB), 및 알루미늄의 혼합일 수 있다. 객체인식모델은 수집된 영상에 기초하여 혼합체에 포함된 적어도 둘 이상의 객체를 인식하여 객체의 개수, 종류, 종류들의 비율 등을 산출할 수 있다.
제1 블레이드(410)는 제1 위치, 제2 블레이드(420)는 제2 위치, 제3 블레이드(430)는 제3 위치에 존재할 수 있다. 여기서 제1 위치 내지 제3 위치는 서로 다른 위치로, 와류 발생기로부터 컨베이어의 이동방향으로 이격된 위치일 수 있다. 각도산출모델은 객체인식모델에서 인식한 결과값인 객체의 개수, 및 객체 종류의 비율 중 적어도 하나 이상을 포함하는 학습용 데이터에 의해 학습된 것일 수 있다. 여기서 학습용 데이터는 객체의 크기, 형상, 자기장의 크기, 컨베이어의 이동 속도, 및 블레이드의 와류 발생기로부터의 위치 중 적어도 하나 이상을 더 포함할 수 있다.
각도산출모델은 객체인식모델에서 인식한 결과값에 기초하여 제1 블레이드(410) 내지 제3 블레이드(430)의 각도를 산출할 수 있다.
제1 블레이드(410)는 제1 본체부, 제1 모터, 및 제1 꺾임부를 포함할 수 있다. 제2 블레이드(420)는 제2 본체부(421), 제2 모터(422), 및 제2 꺾임부(423)를 포함할 수 있다. 제3 블레이드(430)는 제3 본체부(431), 제3 모터(432), 및 제3 꺾임부(433)를 포함할 수 있다.
즉, 각도산출모델에 의해 산출된 각도는 제1 블레이드(410), 제2 블레이드(420), 및 제3 블레이드(430)에 전달될 수 있다. 구체적으로, 각도산출모델에 의해 산출된 각도에 기초하여 제1 모터, 제2 모터(422), 및 제3 모터(432)가 회전될 수 있다.
구체적으로, 각도산출모델에 의해 산출된 각도에 기초하여 제1 모터는 제1 회전각으로, 제2 모터(422)는 제2 회전각으로, 제3 모터(432)는 제3 회전각으로 회전할 수 있다. 따라서, 제1 블레이드(410), 제2 블레이드(420), 및 제3 블레이드(430)는 서로 다른 각도로 수평면에서 굴신될 수 있다.
예를 들어, 각도산출모델은 객체인식모델에서 인식한 결과값인 객체의 개수가 기 설정된 값 초과인 경우, 본체부와 꺽임부와의 각도를 기준 각도보다 크게, 또는 회전각을 작게 산출할 수 있다. 이에 따르면, 불량인 객체를 우수하게 선별할 수 있다.
자기장을 발생시키는 와류 발생기(300)에 의해 플라스틱, 인쇄회로기판(PCB), 및 알루미늄의 각 객체는 서로 다른 크기의 와전류가 발생되어 서로 다른 궤적으로 와류 발생기(300)로부터 낙하될 수 있다. 예를 들어, 플라스틱, 인쇄회로기판(PCB), 및 알루미늄의 각 객체는 비산 거리, 낙하 각도, 궤적 곡률, 낙하 시간 등등이 상이할 수 있다.
예를 들어, 알루미늄, 인쇄회로기판, 플라스틱 순서대로 큰 와전류의 크기가 발생될 수 있다. 알루미늄은 가장 큰 비산 거리로 낙하될 수 있고, 인쇄회로기판은 그 다음 비산 거리, 플라스틱은 가장 작은 비산 거리로 낙하될 수 있다.
제1 블레이드(410), 제2 블레이드(420), 제3 블레이드(430)는 서로 다른 객체를 분류할 수 있다. 예를 들어, 플라스틱은 제1 블레이드(410)를 통과하지 못할 수 있고, 인쇄회로기판은 제1 블레이드(410)는 통과하나, 제2 블레이드(420)를 통과하지 못할 수 있고, 알루미늄은 제1 블레이드(410), 및 제2 블레이드(420)를 통과하나, 제3 블레이드(430)를 통과하지 못할 수 있다.
따라서, 서로 다른 위치에 존재하는 제1 블레이드(410), 제2 블레이드(420), 및 제3 블레이드(430)는 혼합체를 분류할 수 있다.
도 1 내지 도 3을 참고하면, 일 실시예에 따른 와류 선별 시스템은 객체의 개수, 종류, 크기, 형상, 자기장의 크기, 컨베이어의 이동 속도, 및 블레이드의 와류 발생기로부터의 위치에 따라 적어도 하나 이상의 블레이드의 각도를 정밀하게 조절하여 컨베이어를 통해 이동하는 혼합체를 고효율로 선별할 수 있다.
도 4는 일 실시예에 따른 와류 선별 방법의 순서도이다.
도 4를 참고하면, 와류 선별 방법은 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 단계(S100), 수집된 영상에 기초하여 객체를 인식하는 단계(S200), 블레이드의 각도를 객체를 인식한 결과값 간의 상관관계에 기초하여 산출하는 단계(S300), 산출된 각도에 기초하여 적어도 하나 이상의 블레이드의 구동을 조절하는 단계(S400), 및 와류 발생기에 의해 발생시킨 자기장에 의해 낙하된 객체를 블레이드로 분류하는 단계(S500)를 포함할 수 있다.
도 4는 단계 S100 내지 S500이 순차적으로 수행되는 것을 도시하였으나, 이에 한정되지 않고 단계의 순서가 변경되거나, 일부 단계가 생략되거나, 새로운 단계가 추가될 수도 있다.
S100 단계는 수집부(21)에 의해 컨베이어(200)를 통해 이동하는 혼합체의 영상을 수집하는 단계일 수 있다. 구체적으로, 수집부(21)는 카메라(100)가 촬영한 컨베이어를 통해 이동하는 혼합체의 영상을 수집할 수 있다. 여기서, 혼합체는 객체의 혼합을 의미할 수 있다.
여기서, 카메라(100)는 일반 카메라, 흑백 카메라, 적외선 카메라, 열화상 카메라, 하이퍼스펙트럼/멀티스펙트럼 카메라 등을 의미할 수 있으나, 객체의 개수, 종류, 크기, 및 무게 등을 인식할 수 있는 카메라면 제한되지 않는다.
S200 단계는 객체인식모델에 의해 수집된 영상에 기초하여 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 단계일 수 있다. 예를 들어, 객체인식모델은 수집부(21)에 의해 수집된 영상에 기초하여 혼합체에 포함된 적어도 둘 이상의 객체를 탐지할 수 있다. 객체인식모델은 객체의 종류를 분류할 수 있다. 객체인식모델은 분류된 종류들의 비율을 산출할 수 있다.
S300 단계는 각도산출모델에 의해 적어도 하나 이상의 블레이드 각각의 각도를 객체인식모델에서 인식한 결과값 간의 상관관계에 기초하여 산출하는 단계일 수 있다.
예를 들어, 각도산출모델은 객체인식모델에서 인식한 결과값인 객체의 개수, 및 객체 종류의 비율 중 적어도 하나 이상을 포함하는 학습용 데이터에 의해 학습된 것일 수 있다.
여기서, 학습용 데이터는 객체의 크기, 형상, 자기장의 크기, 컨베이어의 이동 속도, 및 블레이드의 와류 발생기로부터의 위치 중 적어도 하나 이상을 더 포함할수 있다.
S400 단계는 제어부(23)에 의해 각도산출모델이 산출된 블레이드의 각도에 기초하여 블레이드의 구동을 조절하는 단계일 수 있다.
구체적으로, 각도산출모델에 의해 산출된 각도가 블레이드(400)에 전달되어 모터(402)가 회전되고, 모터(402)에 연결된 꺾임부(403)가 굴신될 수 있다.
S500 단계는 와류 발생기에 의해 발생시킨 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 혼합체를 적어도 하나 이상의 블레이드로 분류하는 단계일 수 있다.
와류 발생기(300)는 컨베이어(200)의 말단부에 위치하여 고속으로 회전하여 자기장을 발생시킬 수 있다. 혼합체에 포함된 적어도 하나 이상의 객체는 서로 다른 크기의 와전류가 발생되어 서로 다른 궤적으로 와류 발생기로부터 낙하될 수 있다.
여기서, 적어도 하나 이상의 블레이드는 와류 발생기로부터 서로 다른 거리만큼 이격된 위치에 존재할 수 있다.
서로 다른 위치에 존재하는 제1 블레이드(410), 제2 블레이드(420), 및 제3 블레이드(430)는 혼합체를 분류할 수 있다.
상술된 방법 및/또는 다양한 실시예들은, 디지털 전자 회로, 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합으로 실현될 수 있다. 본 개시의 다양한 실시예들은 데이터 처리 장치, 예를 들어, 프로그래밍 가능한 하나 이상의 프로세서 및/또는 하나 이상의 컴퓨팅 장치에 의해 실행되거나, 컴퓨터 판독 가능한 기록 매체 및/또는 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 상술된 컴퓨터 프로그램은 컴파일된 언어 또는 해석된 언어를 포함하여 임의의 형태의 프로그래밍 언어로 작성될 수 있으며, 독립 실행형 프로그램, 모듈, 서브 루틴 등의 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨팅 장치, 동일한 네트워크를 통해 연결된 복수의 컴퓨팅 장치 및/또는 복수의 상이한 네트워크를 통해 연결되도록 분산된 복수의 컴퓨팅 장치를 통해 배포될 수 있다.
상술된 방법 및/또는 다양한 실시예들은, 입력 데이터를 기초로 동작하거나 출력 데이터를 생성함으로써, 임의의 기능, 함수 등을 처리, 저장 및/또는 관리하는 하나 이상의 컴퓨터 프로그램을 실행하도록 구성된 하나 이상의 프로세서에 의해 수행될 수 있다. 예를 들어, 본 개시의 방법 및/또는 다양한 실시예는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 특수 목적 논리 회로에 의해 수행될 수 있으며, 본 개시의 방법 및/또는 실시예들을 수행하기 위한 장치 및/또는 시스템은 FPGA 또는 ASIC와 같은 특수 목적 논리 회로로서 구현될 수 있다.
컴퓨터 프로그램을 실행하는 하나 이상의 프로세서는, 범용 목적 또는 특수 목적의 마이크로 프로세서 및/또는 임의의 종류의 디지털 컴퓨팅 장치의 하나 이상의 프로세서를 포함할 수 있다. 프로세서는 읽기 전용 메모리, 랜덤 액세스 메모리의 각각으로부터 명령 및/또는 데이터를 수신하거나, 읽기 전용 메모리와 랜덤 액세스 메모리로부터 명령 및/또는 데이터를 수신할 수 있다. 본 발명에서, 방법 및/또는 실시예들을 수행하는 컴퓨팅 장치의 구성 요소들은 명령어들을 실행하기 위한 하나 이상의 프로세서, 명령어들 및/또는 데이터를 저장하기 위한 하나 이상의 메모리 디바이스를 포함할 수 있다.
상술된 내용은 본 개시를 실시하기 위한 구체적인 실시 예들이다. 본 개시는 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 개시는 상술된 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함할 것이다. 따라서, 본 개시의 범위는 상술된 실시 예들에 국한되어 정해져서는 안 되며 후술하는 특허청구범위뿐만 아니라 본 개시의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.

Claims (8)

  1. 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 수집부;
    상기 컨베이어의 말단부에 위치하여 고속으로 회전하여 자기장을 발생시키는 와류(eddy current) 발생기;
    상기 와류 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서 상기 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 분류하는 적어도 하나 이상의 블레이드;
    상기 수집부에 의해 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 객체인식모델;
    상기 적어도 하나 이상의 블레이드 각각의 각도를 상기 객체인식모델에서 인식한 결과값 간의 상관관계에 기초하여 산출하는 각도산출모델; 및
    상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 제어부;를 포함하는
    와류 선별 시스템.
  2. 제1항에 있어서,
    상기 각도산출모델은
    상기 객체의 개수, 종류의 비율, 크기, 형상, 상기 자기장의 크기, 상기 컨베이어의 이동 속도, 및 상기 블레이드의 상기 와류 발생기로부터의 위치 중 적어도 하나 이상을 포함하는 학습용 데이터에 의해 학습된 것인
    와류 선별 시스템.
  3. 제1항에 있어서,
    상기 적어도 하나 이상의 블레이드는
    본체부; 본체부에 연결된 모터; 및 모터의 회전에 의해 굴신되는 꺽임부를 포함하는
    와류 선별 시스템.
  4. 제3항에 있어서,
    상기 제어부는 상기 산출된 각도에 기초하여 상기 모터를 회전시키는
    와류 선별 시스템.
  5. 제1항에 있어서,
    상기 적어도 하나 이상의 블레이드는
    제1 위치에서 제1 객체를 분류하는 제1 블레이드; 및
    제2 위치에서 제2 객체를 분류하는 제2 블레이드를 포함하는
    와류 선별 시스템.
  6. 제5항에 있어서,
    상기 제어부는
    상기 산출된 각도에 기초하여 제1 블레이드의 모터를 제1 회전각으로 회전시키고, 제2 블레이드의 모터를 제2 회전각으로 회전시키는
    와류 선별 시스템.
  7. 적어도 하나 이상의 프로세서에 의해 수행되는 와류 선별 방법으로서,
    컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 단계;
    수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 단계;
    적어도 하나 이상의 블레이드 각각의 각도를 상기 객체를 인식한 결과값 간의 상관관계에 기초하여 산출하는 단계;
    상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 단계; 및
    와류(eddy current) 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서, 상기 와류 발생기에 의해 발생시킨 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 적어도 하나 이상의 블레이드로 분류하는 단계;를 포함하는
    와류 선별 방법.
  8. 컨베이어를 통해 이동하는 혼합체의 영상을 수집하는 수집부;
    상기 수집부에 의해 수집된 영상에 기초하여 상기 혼합체에 포함된 적어도 둘 이상의 객체를 인식하는 객체인식모델;
    와류(eddy current) 발생기로부터 상기 컨베이어의 이동방향으로 이격된 위치에서 상기 와류 발생기에 의해 발생시킨 자기장에 의해 객체 별로 서로 다른 궤적으로 낙하된 상기 혼합체를 물리적으로 분류하는 적어도 하나 이상의 블레이드의 각각의 각도를 상기 객체를 인식한 결과값 간의 상관관계에 기초하여 산출하는 각도산출모델; 및
    상기 산출된 각도에 기초하여 상기 적어도 하나 이상의 블레이드의 구동을 조절하는 제어부;를 포함하는
    와류 선별 장치.
KR1020250153313A 2025-10-22 2025-10-22 와류 선별 시스템 및 이의 장치 Active KR102945708B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020250153313A KR102945708B1 (ko) 2025-10-22 2025-10-22 와류 선별 시스템 및 이의 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020250153313A KR102945708B1 (ko) 2025-10-22 2025-10-22 와류 선별 시스템 및 이의 장치

Publications (1)

Publication Number Publication Date
KR102945708B1 true KR102945708B1 (ko) 2026-03-30

Family

ID=99264299

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020250153313A Active KR102945708B1 (ko) 2025-10-22 2025-10-22 와류 선별 시스템 및 이의 장치

Country Status (1)

Country Link
KR (1) KR102945708B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05253513A (ja) * 1991-11-08 1993-10-05 Natl Recovery Technol Inc 粒子分離装置
WO2009007134A1 (en) * 2007-07-11 2009-01-15 Toratec Gmbh Procedure and unit for the separation of non-ferrous metals and stainless steel in bulk material handling
KR20140034766A (ko) * 2011-02-28 2014-03-20 아이나쉬코 알 앤드 디 비. 브이. 와전류 분리 장치, 분리 모듈, 분리 방법 및 와전류 분리 장치 조절 방법
US20170326597A1 (en) * 2014-12-15 2017-11-16 Hochschule Rapperwil Method and device for bulk sorting machines

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05253513A (ja) * 1991-11-08 1993-10-05 Natl Recovery Technol Inc 粒子分離装置
WO2009007134A1 (en) * 2007-07-11 2009-01-15 Toratec Gmbh Procedure and unit for the separation of non-ferrous metals and stainless steel in bulk material handling
KR20140034766A (ko) * 2011-02-28 2014-03-20 아이나쉬코 알 앤드 디 비. 브이. 와전류 분리 장치, 분리 모듈, 분리 방법 및 와전류 분리 장치 조절 방법
US20170326597A1 (en) * 2014-12-15 2017-11-16 Hochschule Rapperwil Method and device for bulk sorting machines

Similar Documents

Publication Publication Date Title
CN113743426B (zh) 一种训练方法、装置、设备以及计算机可读存储介质
Ling et al. Precise detection for dense PCB components based on modified YOLOv8
JP6757378B2 (ja) 画像識別装置、画像識別方法及び画像識別プログラム
CN109002766B (zh) 一种表情识别方法及装置
Cheng et al. Random cropping ensemble neural network for image classification in a robotic arm grasping system
CN107437094B (zh) 基于机器学习的木板分拣方法及系统
US20220038620A1 (en) Aesthetic Learning Methods and Apparatus for Automating Image Capture Device Controls
CN112819019B (zh) 分类模型生成装置及其分类模型生成方法
Speck et al. Ball localization for robocup soccer using convolutional neural networks
Kurniati et al. GLCM-based feature combination for extraction model optimization in object detection using machine learning
CN114548253A (zh) 一种基于图像识别及动态匹配的数字孪生模型构建系统
Ravi et al. Sign language recognition with multi feature fusion and ANN classifier
Ye et al. IC solder joint inspection based on an adaptive-template method
CN108492301A (zh) 一种场景分割方法、终端及存储介质
CN112257506A (zh) 果蔬大小识别方法、装置、电子设备以及计算机可读介质
Puig et al. CleverTrash: an IoT system for waste sorting with deep learning
KR102945708B1 (ko) 와류 선별 시스템 및 이의 장치
WO2020086520A1 (en) Artificial intelligence based motion detection
CN114511877A (zh) 一种行为识别方法、装置、存储介质及终端
KR20220170702A (ko) 마늘 선별시스템
Mefteh et al. A novel multispectral corner detector and a new local descriptor: an application to human posture recognition
CN111046861B (zh) 识别红外影像的方法、构建识别模型的方法及应用
KR102945711B1 (ko) 지능형 고가치 우선 선별 시스템 및 이의 방법
CN116724224A (zh) 加工面判定装置、加工面判定程序、加工面判定方法、加工系统、推论装置及机器学习装置
Zhao et al. An efficient parts counting method based on intensity distribution analysis for industrial vision systems

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PA0302 Request for accelerated examination

St.27 status event code: A-1-2-D10-D17-exm-PA0302

St.27 status event code: A-1-2-D10-D16-exm-PA0302

PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

F11 Ip right granted following substantive examination

Free format text: ST27 STATUS EVENT CODE: A-2-4-F10-F11-EXM-PR0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

U11 Full renewal or maintenance fee paid

Free format text: ST27 STATUS EVENT CODE: A-2-2-U10-U11-OTH-PR1002 (AS PROVIDED BY THE NATIONAL OFFICE)

Year of fee payment: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

Q13 Ip right document published

Free format text: ST27 STATUS EVENT CODE: A-4-4-Q10-Q13-NAP-PG1601 (AS PROVIDED BY THE NATIONAL OFFICE)