[논문 리뷰] Artificial intelligence-based process for metal scrap sorting

Maximilian Auer, Kai Oßwald외 2명|arXiv (Cornell University)|2019. 03. 22.

Mineral Processing and Grinding참고 문헌 2인용 수 4

한 줄 요약

이 논문은 광학 발광 분석법과 지도 학습을 활용한 인공지능 기반 시스템을 제안하여 금속 스크랩의 자동 분류를 수행한다. 전기 아크에 의해 유도된 12종의 공구강 및 고속강의 스펙트럼을 분석함으로써, 파이썬과 scikit-learn를 사용하여 VDI 2221 기준에 부합하는 개발을 수행한 결과, 합금 식별에서 F1 스코어 96.9%를 달성하였으며, 전문가 수준의 성능을 보였다.

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.

연구 동기 및 목표

• 재활용 과정에서 금속 스크랩 합금의 자동 식별을 통해 숙련된 수작업 분류에 의존하는 것을 줄이기 위해.
• 경험이 많은 작업자들이 겪는 정신적 부담과 반복적인 작업을 줄이기 위해 인공지능을 활용한 수단을 제공하기 위해.
• 스펙트럼 데이터를 기반으로 공구강 및 고속강을 신뢰성 있고 빠르며 반복 가능한 방법으로 분류하는 시스템을 개발하기 위해.
• 표준화된 기계 학습 개발 과정을 활용하여 인간 전문가와의 성능을 비교 검증하기 위해.
• 실제 작업장 장비에서 확보한 실세계 데이터를 통합하여 산업 현장의 스크랩 분류 워크플로우에 인공지능을 통합할 수 있는 가능성을 입증하기 위해.

제안 방법

• 산업용 Thorlabs CCS 100 광학 발광 분석기로 12종의 공구강 및 고속강에서 총 7,200개의 스펙트럼(각 합금당 600개)을 촬영하였다.
• 기계 학습 입력에 적합하도록 신호 품질을 향상시키고 데이터를 사전 처리하였다.
• 파이썬 3과 scikit-learn 라이브러리를 사용하여 VDI 2221 기준에 따라 체계적인 소프트웨어 개발 절차를 준수한 지도 학습 기반의 모델을 적용하였다.
• 다양한 알고리즘에 대해 체계적으로 초모수를 평가하고 최적의 모델 설정을 도출하였다.
• 교차 검증 및 F1 스코어와 같은 성능 지표를 활용하여 모델의 일반화 능력과 강건성을 평가하고 검증하였다.
• 표준 작업장 전기 아크 장치를 사용해 확보한 실세계 데이터셋을 기반으로 모델을 훈련 및 테스트하여 산업적 적용 가능성을 확보하였다.

실험 결과

연구 질문

• RQ1 기계 학습 모델이 금속 스크랩 합금을 식별하는 데 있어 숙련된 인간 전문가와 유사한 정확도를 달성할 수 있는가?
• RQ2 광학 발광 분석법과 인공지능을 조합하여 공구강 및 고속강의 다양한 유형을 얼마나 효과적으로 구분할 수 있는가?
• RQ3 이 특정 금속 분류 작업에 최적화된 기계 학습 알고리즘과 초모수 설정은 무엇인가?
• RQ4 자동 스펙트럼 분석을 통해 금속 재활용 현장에서 인간의 노동 부담을 얼마나 줄일 수 있으며, 동시에 높은 정밀도를 유지할 수 있는가?
• RQ5 실제 산업 현장의 작업장 환경에서 확보한 데이터를 활용해 제안된 인공지능 시스템의 신뢰성과 강건성을 검증할 수 있는가?

주요 결과

• 인공지능 기반 시스템은 공구강 및 고속강 12종의 광학 발광 스펙트럼을 기반으로 분류하여 최대 F1 스코어 96.9%를 달성하였다.
• 자동화된 시스템의 성능은 시각적 스파크 테스트를 활용한 숙련된 인간 전문가의 성능과 동일한 수준이었다.
• 모든 12종의 합금에 대해 높은 신뢰성과 일관성을 보였으며, 유의미한 오분류 사례는 관찰되지 않았다.
• 체계적인 초모수 조정을 통해 최적의 기계 학습 모델이 선정되었으며, 이는 VDI 2221 기준에 부합하는 개발 절차의 효과성을 확인하는 데 기여하였다.
• 실제 작업장 장비에서 확보한 산업용 실세계 데이터의 활용으로 모델가 실제 재활용 환경에서 적용 가능한 것으로 입증되었다.
• 결과적으로 인공지능 기반 스펙트럼 분석은 수작업 분류의 실현 가능하고 확장 가능하며 정확한 대안으로서의 가능성을 확인하였다.