AI/로봇·드론/VR·AR

Nikkei Robotics_2021.5 Cool Topic (p3-9)

심층학습으로 폐기물 자동 분별하는 로봇 개발
도큐건설, 목재 선별과 리사이클 처리장에서 가동

토목건축 공사를 전개하는 도큐건설이 폐기물 분별 로봇의 실용화에 착수했다. 빌딩 등의 해체 공사도 하청하는 도큐건설은 건물을 해체했을 때 배출되는 폐기물을 현장에서 중장비 등을 이용해 분별했다. 이를 자동화하는 기술을 지금까지 자사 연구소에서 개발해 왔다. 이번에 그 기술을 분별 처리장용으로 응용했다.

빌딩 등을 해체해서 발생하는 건설 폐기물에는 콘크리트나 목재 등 여러 종류의 소재가 섞여 있다. 이 때문에 최종 처리장에서 쓰레기로서 매립하기 전에 해체 현장이나 분별 처리장 등에서 분별하고 있다. 그러나 이 분별은 자동화가 어렵기 때문에 사람이 하는 경우가 많았다. 도큐건설은 심층학습을 이용해 목적한 폐기물을 높은 정밀도로 검출해서, 목재 등의 분별을 자동화할 수 있도록 했다. 분별 작업은 분진이 날리는 환경에서 장시간 동안 해야 하기 때문에 작업자의 부담이 컸다. 로봇으로 자동화함으로써 작업자를 이러한 작업에서 해방시킬 수 있었다.

-- 현장의 분별에 과제 --
도큐건설 기술연구소에서는 15년 이상에 걸쳐 자사 현장용으로 분별 자동화 기술을 연구해 왔다. 도큐건설은 해체 공사를 하청할 때, 많은 노동력과 시간을 들여 현장에서 분별 작업을 했기 때문에 이를 조금이라도 효율화하려고 노력해 왔다. 해체 공사의 폐기물 처리에 관한 법률에서는 가능한 한 분별해서 다시 자원화하는 것을 의무화하고 있다.

폐기물은 목재나 플라스틱 등 다양한 소재가 섞여 있어 기계 등으로도 분별하기 어렵다. 풍력이나 무게 차이를 이용한 분별기도 있다. 그러나 중량물과 경량물처럼 대략적으로밖에 나눌 수 없기 때문에 소재 별로 분별하는 데는 적합하지 않다. 이 때문에 분별처리장 등에서도 소재 별로 분별하는 것은 수작업에 의존하고 있는 것이 실정이다. 대량의 폐기물을 컨베이어 벨트에 올려 사람이 눈으로 보고 각 소재를 분별하고 있다.

도큐건설은 분별을 효율화하기 위해 기존의 분별기와 이미지 처리를 조합해서 여러 종류의 소재를 자동으로 분별하는 시스템은 개발했다. 그러나 대규모 장치였기 때문에 자사의 건설 현장에서 이용하기는 어려웠다. 해체 현장은 중장비나 트럭 등이 복잡하게 혼재해 있어 설치할 공간이 없었던 것이다. “당시에는 폐기물의 색이나 모양을 보고 룰 베이스로 소재를 식별했었기 때문에 분별 정밀도도 그다지 높지 않았다”(도큐건설 기술연구소 나카무라(中村) 그룹리더).

-- 신규로 라인을 부설하지 못하는 사정 --
이 장치는 해체 현장에서 이용하는 것은 시기상조였지만, 운 좋게도 도큐건설의 거래처 중에 흥미를 보인 기업을 찾을 수 있었다. 분별 사이클 처리를 전개하는 이시자카산업(사이타마현)이라는 기업이다. 이시자카산업은 16년 무렵, 자사의 분별 라인의 자동화를 검토하고 있었는데, 도큐건설의 대응을 학술논문을 통해 알고 연락을 취했다. 그 후에 이시자카산업은 자사의 처리 시설을 도큐건설에게 보여주고 자사용 로봇 개발을 타진했다. 도큐건설의 연구소가 개발한 로봇시스템을 베이스로 이시자카산업용 로봇을 만들게 되었다.

폐기물을 자동 분별하는 로봇은 최근에 여러 종류가 등장하고 있고, 이시자카산업도 도입을 검토한 적이 있었다. 산업폐기물 처리업체인 시타라흥산과 오오바구미가 각각 도입한 핀란드 ZenRobotics의 로봇이나, 미국 AMP Robotics의 로봇 등이 그것이다.

이시자카산업은 동업 타사가 도입하고 있는 이들 로봇을 살펴봤지만 대폭의 라인 변경을 해야 했기 때문에 도입을 보류했다. 이들 대부분은 전용 컨베이어 벨트를 깔거나, 로봇의 이동을 위해 천장에 프레임을 장착할 필요가 있었다.

분별처리장에서는 라인을 새로 부설하려면 행정기관의 허가를 새로 받아야 하기 때문에 가동까지 시간이 걸린다. 이시자카산업은 라인을 신설하기 위한 신규 공간 확보는 어려웠다. 기존 라인을 철거하면 라인 쇄신은 가능하지만 그럴 경우 사업을 일시 중단해야 한다. 또한 이시자카산업의 분별 라인은 천장이 낮은 건물 안에 있어 천장에 프레임 등은 설치할 수도 없었다.

-- 2대로 1시간에 목재 2,000개를 분별 --
도큐건설이 이시자카산업을 위해 개발한 분별시스템은 폐기물의 소재를 판정하는 식별 센서 1대와, 목표한 소재를 추출하는 6축 로봇 암 2대로 구성된다. 폐기물에는 목재가 많이 포함되어 있기 때문에 우선은 목재를 분별 대상으로 선택했다. 목재는 부수어서 나무토막으로 가공하면 판매가 가능한 상품이 되기도 한다. 2대로 1시간당 약 2,000개의 목재를 추출, 한 사람 분의 작업량을 충당한다.

이시자카산업의 분별 라인에서는, 폐기물은 하나의 라인 위를 돌려 여러 사람이 분별하고 있다. 폐기물이 컨베이어 위를 몇 바퀴 도는 동안에 목재나 플라스틱, 금속 등을 추출한다. 흙을 제거하기 위해 폐기물은 미리 채에 걸러, 3cm 이상 크기의 폐기물을 분별 라인으로 보낸다.

2대의 로봇은 라인의 하류 측에 설치했다. 분별 라인의 뒤에는 파쇄기로 폐기물을 잘게 부수는 공정이 있다. 이 때문에 파쇄기가 망가지지 않도록 긴 폐기물이나 금속 등은 최대한 상류 측에서 제거하고 있다. 로봇으로 분별할 경우도 이들 소재는 피킹 작업에 방해가 되기 때문에 상류에서 제거한 후에 로봇을 두는 편이 좋다고 생각했다.

폐기물은 초당 약 67cm의 속도로 컨베이어 벨트 위로 내려온다. 로봇이 파지하기 전에 충분한 시간을 사용해 대상물을 인식할 수 있도록, 식별 센서는 로봇과는 별도로 상류 측에 만들었다.

로봇은 라인의 한쪽 편에 나란히 설치해서, 각 로봇의 앞으로 흘러 오는 폐기물을 분별한다. 2대의 로봇의 담당 구역은 서로 독립적이며 중복되지 않는다. 식별 센서는 상류 측에 밖에 없기 때문에 같은 영역을 중복해서 담당하게 하면, 첫 번째 로봇이 목재를 빼서 폐기물의 배치가 변경되었을 경우에 두 번째 로봇이 대응하지 못하게 되기 때문이다. 각각 컨베이어 위에서 약 67cm의 범위를 담당한다. 두 번째 로봇은 첫 번째 로봇이 담당한 구역은 그대로 통과한다.

피킹한 목재는 근처에 놓아 둔 바구니에 담는다. 일련의 작업은 3초 정도면 끝난다. 바구니가 가득 차면 작업자가 바구니에서 목재를 꺼낸다. 그 후에 폐기 구멍을 통해 아래층의 집적장으로 떨어뜨린다. 바구니는 로봇의 옆구리에 있어 작업자가 바구니를 꺼낼 때는 로봇에게 접근하게 된다. 때문에 로봇 주변에는 안전책을 만들었다.

컨베이어 벨트 위를 다니는 목재를 확실하게 피킹할 수 있도록 핸드는 흡인식으로 했다. 그리퍼 타입도 검토했지만 폐기물 목재는 모양이 일정하기 않기 때문에 그리퍼의 회전각을 라인 속도에 맞춰서 계획하기가 어려워서 채용하지 않았다. 목재를 바늘과 같은 것으로 찔러서 빼내는 것도 검토했지만 최종적으로는 채용하지 않았다. 찌르기 위해 힘을 가하면 로봇 암에 부하가 걸려 긴급 정지할 가능성이 있었기 때문이다.

효율적으로 피킹 작업을 할 수 있도록 핸드에는 흡인부를 2대 설치했다. 흡인부를 좌우로 회전시킴으로써 2개의 목재를 연속해서 피킹한다. 검출한 목재가 여러 개 있는 경우에는 큰 것이나 목재라는 신뢰도가 높은 것을 우선적으로 집도록 했다.

-- 겹쳐있는 폐기물을 식별 --
폐기물은 산처럼 쌓여서 내려온다. 그래서 도큐건설은 위에 있는 폐기물을 이미지처리로 검출하도록 했다. 이전에 해체 현장용으로 개발한 시스템의 경우는, 폐기물을 검출하기 쉽도록 상류 공정에서 산을 평평하게 다지면서 컨베이어로 내려왔다. 대형 롤 모양의 브러시로 평평하게 다졌지만, 이러한 기기는 공간을 차지하기 때문에 이시자카산업의 라인에는 설치할 수 없었다.

이번 시스템에서는 로봇이 피킹하기 쉬운 최상층의 폐기물을 검출하도록 했다. 폐기물은 컨베이어 벨트 위를 지날 때 단차를 만들어 낙하시키고 있다. 이 때, 목재나 종이 등 가벼운 것이 위로 오는 경향이 있다. 목재도 대부분 이 최상층에 오도록 되어 있다.

폐기물의 촬영에는 RGB 카메라와 3D 스캐너를 이용했다. 이들을 하나의 상자 모양으로 묶은 것이 식별 센서다. 우선, 3D 스캐너를 통해 얻어진 거리 이미지와 휘도 이미지에서 엣지 영역을 추출하고 영역을 세그먼테이션한다. 또한 최상층에 있는 영역을 추출하기 위해 거리 이미지를 이용해서 근접해 있는 영역끼리에서 어느 쪽이 위에 있는지를 비교한다. 마지막으로 컬러 이미지를 겹쳐서 최상층의 폐기물 이미지를 잘라내도록 했다.

-- 목재의 추정에는 CNN --
다음으로 최상층의 폐기물 속에서 목재만을 추출해낼 수 있도록 소재를 추정한다. 추정에는 심층신경망(Deep Neural Network, DNN)의 일종인 합성곱 신경망(Convolutional Neural Networks, CNN)을 이용했다. 폐기물에 포함된 목재는 잘게 부서져 있거나 모양이 일정하지 않은데다 비에 젖으면 종이 등과 구별하기 어렵다. 이 때문에 기존의 방법으로는 식별하기 어려웠다.

학습용 데이터를, 목재와 그 이외의 폐기물을 조합해서 약 5만 장 수집했다. 폐기물을 현지에서 촬영하고 어노테이션(Annotation) 작업을 했다. 식별용 CNN의 구축에는 이미지인식 라이브러리인 ‘HALCON’를 이용했다. 목재의 식별 정밀도는 95%다.

초기에는 실제 라인에서 제대로 식별을 못하는 경우도 있었다. 이시자카산업이 제공한 샘플 폐기물은 100개 정도로, 목재 수가 다른 것과 비교해 적었다. 또한 샘플은 말라 있거나 먼지가 묻어 있지 않은 경우도 있어, 현장에서 취급하는 폐기물과는 괴리가 있었기 때문이다.

당초에는 식별 정밀도를 올리기 위해 다양한 목재의 이미지 데이터를 생성해 학습했었다. 예를 들면, 이미지 생성 기술의 일종인 DCGAN(Deep Convolutional GAN) 등도 이용했었다. 최종적으로는 학습에 충분한 실물 이미지를 수집할 수 있었기 때문에 실용화에서는 DCGAN의 이용을 보류했다.

-- 운용하면서 재학습도 --
분별 로봇은 사이타마현에 있는 이시자카산업의 분별 처리장에서 21년 4월부터 본격 가동을 시작했다. 현재는 로봇을 이용한 분별에서는 종이를 목재로 잘못 인식하는 등 정밀도 면에서 과제는 있다. 앞으로도 다양한 모양의 목재에 대응해 나갈 필요가 있기 때문에 현장에서 운용하면서 정밀도를 높여 나간다.

예를 들면, 목재가 아닌 폐기물을 로봇이 잘못해서 집었을 경우에는 다시 라벨링을 하고 재학습한다. 잘못된 것이 바구니에 들어간 순간에 작업자가 버튼을 눌러 그 시각을 기록한다. 그 시각에서 역산해서 판정에 사용한 이미지를 자동 보존해 두고, 나중에 라벨링을 다시 한다. 당분간은 이러한 작업을 로봇 도입으로 부담이 가벼워진 작업자가 실시한다. 그러나 항상 옆에 붙어서 감시하는 것은 어렵기 때문에 분별 정밀도가 떨어졌을 때 실시하는 것을 검토하고 있다고 한다.

폐기물의 상태에 따라서 식별 한계값은 변한다. 예를 들면, 비가 오는 날에는 젖은 목재가 검게 변하기 때문에 다른 쓰레기와 구별하기 어려워진다. 이럴 때는 목재라고 판정하는 신뢰도 한계값을 높인다. 단, 신뢰도를 너무 높이면 로봇에 의한 추출 가동률이 떨어지기 때문에 트레이드오프가 있다.

 -- 끝 --

Copyright © 2020 [Nikkei Robotics] / Nikkei Business Publications, Inc. All rights reserved.