[論文レビュー] Artificial intelligence-based process for metal scrap sorting

Maximilian Auer, Kai Oßwald+2 more|arXiv (Cornell University)|Mar 22, 2019

Mineral Processing and Grinding参考文献 2被引用数 4

ひとこと要約

本論文では、光学発光分光法と教師あり機械学習を用いたAIベースの金属スクラップ自動分類システムを提案する。電気アーキによる発光スペクトルを12種類の工具鋼および高速度鋼から分析することで、Pythonおよびscikit-learnを用いてVDI 2221準拠の開発プロセスを経て、合金識別において96.9%のF1スコアを達成した。これは熟練した人間の専門家と同等の性能を示している。

ABSTRACT

Machine learning offers remarkable benefits for improving workplaces and working conditions amongst others in the recycling industry. Here e.g. hand-sorting of medium value scrap is labor intensive and requires experienced and skilled workers. On the one hand, they have to be highly concentrated for making proper readings and analyses of the material, but on the other hand, this work is monotonous. Therefore, a machine learning approach is proposed for a quick and reliable automated identification of alloys in the recycling industry, while the mere scrap handling is regarded to be left in the hands of the workers. To this end, a set of twelve tool and high-speed steels from the field were selected to be identified by their spectrum induced by electric arcs. For data acquisition, the optical emission spectrometer Thorlabs CCS 100 was used. Spectra have been post-processed to be fed into the supervised machine learning algorithm. The development of the machine learning software is conducted according to the steps of the VDI 2221 standard method. For programming Python 3 as well as the python-library sklearn were used. By systematic parameter variation, the appropriate machine learning algorithm was selected and validated. Subsequent validation steps showed that the automated identification process using a machine learning approach and the optical emission spectrometry is applicable, reaching a maximum F1 score of 96.9 %. This performance is as good as the performance of a highly trained worker using visual grinding spark identification. The tests were based on a self-generated set of 600 spectra per single alloy (7,200 spectra in total) which were produced using an industry workshop device.

研究の動機と目的

• リサイクルにおける金属スクラップ合金の自動同定を実現し、熟練した人的な分類に依存するのを低減すること。
• 熟練した作業員が直面する高い認知的負荷と単調さを解消するため、AIを活用した自動分類を実現すること。
• スペクトルデータに基づいて工具鋼および高速度鋼を信頼性高く、迅速かつ再現可能に分類する手法を開発すること。
• 標準化された機械学習開発プロセスに従い、AIシステムの性能を人間の専門家と比較して検証すること。
• 実際のワークショップ設備から得た実データを用いて、AIを産業的スクラップ分別プロセスに統合する可能性を示すこと。

提案手法

• 産業用Thorlabs CCS 100光学発光分光計を用いて、12種類の工具鋼および高速度鋼から合計7,200スぺクトル（1合金あたり600スぺクトル）を収集した。
• スぺクトルデータの前処理を実施し、信号品質を向上させ、機械学習の入力に適した状態に整えた。
• Python 3およびscikit-learnライブラリを用いて、体系的ソフトウェア開発のためのVDI 2221基準に準拠した教師あり機械学習を適用した。
• 複数のアルゴリズムに対して体系的なハイパーパramータチューニングを実施し、最適なモデル構成を同定した。
• 交差検証およびF1スコアなどのパフォーマンス指標を用いて、モデルの汎化性能および頑健性を評価・検証した。
• 標準的なワークショップ用電気アーキ装置を用いて収集した実世界のデータセットを活用し、モデルの工業的妥当性を確保した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、金属スクラップ合金の識別において熟練した人間の作業者と同等の分類精度を達成できるか？
• RQ2 光学発光分光法とAIを組み合わせることで、工具鋼および高速度鋼の異なる種別をどれほど効果的に区別できるか？
• RQ3 この特定の金属分別タスクに最適な機械学習アルゴリズムおよびハイパーパramータ設定は何か？
• RQ4 自動スペクトル分析を導入することで、金属リサイクルにおける人的作業負荷をどの程度軽減できるか、かつ高精度を維持できるか？
• RQ5 本研究で提案するAIシステムは、ワークショップ環境からの実産業データを用いて、信頼性および頑健性を検証できるか？

主な発見

• AIベースのシステムは、光学発光スペクトルから12種類の工具鋼および高速度鋼を分類する際、最大で96.9%のF1スコアを達成した。
• 自動化されたシステムの性能は、視覚的スパークテストを用いた熟練した人間の専門家と同等であった。
• 全12合金種別において高い信頼性と一貫性を示し、顕著な誤分類は観察されなかった。
• 体系的なハイパーパramータチューニングにより最適な機械学習モデルが特定され、VDI 2221準拠の開発プロセスの有効性が裏付けられた。
• ワークショップ装置から得た実産業データの活用により、モデルが実際のリサイクル環境に適用可能であることが保証された。
• 結果から、AI駆動のスペクトル分析は金属リサイクルにおける手作業による分別の代替手段として実用的で、スケーラブルかつ正確であることが確認された。