DOI QR Code
The field of recycling for waste electronic components, which is the typical example of an urban mine, requires the development of useful sorting techniques. In this study, a sorter based on image identification by deep learning was developed to select electronic components into four groups. They were recovered from waste printed circuit boards and should be separated to depend on the difference after treatment. The sorter consists of a workstation with GPU, camera, belt conveyor, air compressor. A small piece (less than 3.5 cm) of electronic components on the belt conveyor (belt speed: 6 cm/s) was taken and learned as teaching data. The accuracy of the image identification was 96% as kinds and 99% as groups. The optimum condition of sorting was determined by evaluating accuracies of image identification and recovery rates by blowdown when changing the operating condition such as belt speed and blowdown time of compressed air. Under the optimum condition, the accuracy of image classification in groups was 98.7%. The sorting rate was more than 70%.
도시광산의 대표적인 사례인 폐 전자부품 재활용 분야는 유용한 선별기술의 개발이 필요하다. 본 연구에서는 전자부품들을 4개의 그룹으로 선별하기 위해 딥러닝에 의한 이미지 식별을 기반으로 한 선별기를 개발하였다. 전자부품들은 폐 인쇄회로기판으로부터 회수되었으며, 처리 후 차이점에 따라 분리되어야 한다. 선별기는 GPU, 카메라, 컨베이어벨트, 공기 압축기로 이루어진 워크스테이션으로 구성되어있다. 컨베이어벨트(벨트 속도: 6cm/s) 위에 있는 작은 크기(3.5cm 이하)의 전자부품들을 데이터로 가져와 학습했다. 이미지 식별의 정확도는 종류에 따라 96%, 그리고 그룹에 따라 99%였다. 벨트속도와 압축공기의 블로다운 시간과 같은 작동조건에 변화를 주었을 때, 이미지 식별의 정확도 그리고 블로다운에 의한 회수율을 측정하여 선별의 최적 조건을 결정했다. 최적조건에서 이미지 분류의 정확도는 그룹별로 98.7%였다. 선별 효율은 70% 이상이었다.