To produce high-quality recycled raw materials in the recycling industry, plastic wastes must be sorted by their color, appearance, and material. However, when identifying plastic objects in plastic sorting facilities, existing methods face limitations. In a sorting facility, high-throughput moving objects on a conveyor belt must be recognized amid noise signals generated. Thus, a trade-off needs to be ensured between the recognition speed and accuracy. This study researched object recognition, one of the elemental technologies for automating sorting, and identified objects using sensor information in the visible and near-infrared bands with a deep neural network. It proposes a real-time object classification algorithm that is robust to signal noise factors of plastic wastes. The study analyzed the spectrum of the target objects and proposed a data fusion method that combines color-appearance information in visible light and material information in near-infrared light. The fusion image created by combining visible color image and near-infrared image was trained with a deep neural network and applied to an experimental system. The designed system was good at identifying bottle-sized plastic objects in real time, confirming that the proposed algorithm can quickly and accurately identify large amounts of data.
재활용 업계에서 고품질의 재생 원료를 만들기 위해서는 폐플라스틱 객체의 색상, 외형, 재질별로 선별이 확실해야 한다. 그러나 플라스틱 선별 시설에서 객체들을 인식할 때, 기존 방법으로는 한계가 있는 부분이 있다. 선별 시설에서는 인식 대상에서 발생한 신호 잡음 속에서 컨베이어 벨트 위를 빠르게 지나는 대량의 물체들을 인식해야 한다. 따라서 인식 속도와 인식 정확도 사이의 상충관계를 반드시 해결해야 한다. 본 논문에서는 선별 공정 자동화를 위한 요소 기술 중 물체 인식에 관한 연구에 주목했으며, 가시광선-근적외선 대역의 센서 정보와 심층 신경망을 이용하여 객체들을 식별하고 있다. 이 연구에서는 폐플라스틱 객체의 신호 잡음 요인에 강인한 실시간 객체 인식 알고리즘을 제안한다. 인식 대상의 분광 데이터를 분석하고, 가시광선의 색상-외형 정보와 근적외선의 재질 정보를 결합하는 방법을 제안한다. 근적외선 영상과 가시광선 영상을 결합하여 생성한 융합 영상을 심층 신경망으로 학습시켜 실험 시스템에 적용하였다. 설계한 시스템은 실시간으로 병 크기의 플라스틱 객체를 정확히 식별할 수 있었으며, 이를 통해 제안하는 알고리즘이 대량의 데이터를 빠르고 정확하게 식별할 수 있음을 확인하였다.