본 연구에서는 레이저유도붕괴분광(Laser Induced Breakdown Spectroscopy, LIBS)을 이용하여 방사형 기저함수 신경회로망(Radial Basis FunctionNeural Networks, RBFNNs) 분류기 설계방법론을 개발하고 실제 폐소형가전제품의 플라스틱 분류 시스템에 적용하였다. ABS, PP, PS와 같은 검정색 플라스틱을 구별하기 위해, 지능형 알고리즘 중 하나인 방사형 기저함수 신경회로망 분류기를 설계하였다. 획득한 입력변수는 주성분 분석법(Principal Component Analysis, PCA)을 이용하여 축소시켰으며, 군집화기법 중 하나인 K-means 클러스터링 방법을 이용해 여러 그룹으로 분할하였다. 전체 데이터는 학습 데이터와 테스트 데이터를 4:1의 비율로 나누었으며, 제안된 분류기의 성능 및 신뢰도를 평가하기 위하여 5-FCV(5-Fold Cross Validation) 기법을 사용하였다. 입력변수와 클러스터의 개수가 각각 5개인 경우, 제안된 분류기의 분류 성능은 96.78%로 나타났다. 또한, 제안된 분류기는 다른 분류기들과 비교하였을 경우 분류 성능의 관점에서 우수성을 보여주었다.
본 연구에서는 레이저유도붕괴분광(Laser Induced Breakdown Spectroscopy, LIBS)을 이용하여 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks, RBFNNs) 분류기 설계방법론을 개발하고 실제 폐소형가전제품의 플라스틱 분류 시스템에 적용하였다. ABS, PP, PS와 같은 검정색 플라스틱을 구별하기 위해, 지능형 알고리즘 중 하나인 방사형 기저함수 신경회로망 분류기를 설계하였다. 획득한 입력변수는 주성분 분석법(Principal Component Analysis, PCA)을 이용하여 축소시켰으며, 군집화기법 중 하나인 K-means 클러스터링 방법을 이용해 여러 그룹으로 분할하였다. 전체 데이터는 학습 데이터와 테스트 데이터를 4:1의 비율로 나누었으며, 제안된 분류기의 성능 및 신뢰도를 평가하기 위하여 5-FCV(5-Fold Cross Validation) 기법을 사용하였다. 입력변수와 클러스터의 개수가 각각 5개인 경우, 제안된 분류기의 분류 성능은 96.78%로 나타났다. 또한, 제안된 분류기는 다른 분류기들과 비교하였을 경우 분류 성능의 관점에서 우수성을 보여주었다.
In this study, the design methodology of Radial Basis Function Neural Networks is developed with the aid of Laser Induced Breakdown Spectroscopy and also applied to the practical plastics sorting system. To identify black plastics such as ABS, PP, and PS, RBFNNs classifier as a kind of intelligent a...
In this study, the design methodology of Radial Basis Function Neural Networks is developed with the aid of Laser Induced Breakdown Spectroscopy and also applied to the practical plastics sorting system. To identify black plastics such as ABS, PP, and PS, RBFNNs classifier as a kind of intelligent algorithms is designed. The dimensionality of the obtained input variables are reduced by using PCA and divided into several groups by using K-means clustering which is a kind of clustering techniques. The entire data is split into training data and test data according to the ratio of 4:1. The 5-fold cross validation method is used to evaluate the performance as well as reliability of the proposed classifier. In case of input variables and clusters equal to 5 respectively, the classification performance of the proposed classifier is obtained as 96.78%. Also, the proposed classifier showed superiority in the viewpoint of classification performance where compared to other classifiers.
In this study, the design methodology of Radial Basis Function Neural Networks is developed with the aid of Laser Induced Breakdown Spectroscopy and also applied to the practical plastics sorting system. To identify black plastics such as ABS, PP, and PS, RBFNNs classifier as a kind of intelligent algorithms is designed. The dimensionality of the obtained input variables are reduced by using PCA and divided into several groups by using K-means clustering which is a kind of clustering techniques. The entire data is split into training data and test data according to the ratio of 4:1. The 5-fold cross validation method is used to evaluate the performance as well as reliability of the proposed classifier. In case of input variables and clusters equal to 5 respectively, the classification performance of the proposed classifier is obtained as 96.78%. Also, the proposed classifier showed superiority in the viewpoint of classification performance where compared to other classifiers.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
LIBS 장비는 레이저, 분광기, 집광렌즈 및 CCD detector 등으로 구성되어 있다. 분광기를 통하여 레이저가 시료 표면에 조사되면 용융 또는 증발작용으로 플라즈마가 발생된다. 시료 표면에 발생한 플라즈마는 미세입자의 생성과 동시에 빛을 발산하며 이를 집광렌즈를 통하여 수집한 후 CCD detector로 보내어 분석한다3).
제안 방법
3. 군집화 알고리즘 중 하나인 K-means 클러스터링 방법을 사용하여 획득한 데이터를 특성별로 그룹화 하여 각 클러스터의 중심을 구하였으며, 획득한 중심점의 분산을 구한 후 가우시안 함수에 대입하여 적합도를 0과 1사이의 값으로 나타내었다.
따라서, 본 연구에서는 실시간으로 재질 분석이 가능한 레이저유도붕괴분광(Laser Induced Breakdown Spectroscopy, LIBS) 분광기를 이용하여 검정색 플라스틱의 재질별 특성을 분석하였으며, 지능형 알고리즘 중하나인 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks, RBFNNs)을 활용하여 분류기를 설계하였다. 분류기의 설계를 위하여 검정색 플라스틱으로의 각 재질별 시료로부터 데이터를 획득하였으며, 획득한 데이터는 설계한 방사형 기저함수 신경회로망(RBFNNs) 등의 알고리즘으로 시뮬레이션을 수행 하였다.
본 연구에서는 폐소형가전 재활용 공정에서 배출되는 검정색 플라스틱을 재질별로 선별하기 위해 방사형 기저함수 신경회로망(RBFNNs) 분류기를 설계하였다. 분류기 설계를 통해 분류성능을 확인하였으며, 그 결과를 요약하면 다음과 같다.
따라서, 본 연구에서는 실시간으로 재질 분석이 가능한 레이저유도붕괴분광(Laser Induced Breakdown Spectroscopy, LIBS) 분광기를 이용하여 검정색 플라스틱의 재질별 특성을 분석하였으며, 지능형 알고리즘 중하나인 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks, RBFNNs)을 활용하여 분류기를 설계하였다. 분류기의 설계를 위하여 검정색 플라스틱으로의 각 재질별 시료로부터 데이터를 획득하였으며, 획득한 데이터는 설계한 방사형 기저함수 신경회로망(RBFNNs) 등의 알고리즘으로 시뮬레이션을 수행 하였다. 또한, 본 연구에서 설계한 분류기의 성능 검증을 위하여 WEKA 3.
대상 데이터
1. 본 연구에서 사용한 검정색 플라스틱의 재질은 ABS 18개, PP 22개, PS 11개, PA 11개로 모두 62개의 시료를 사용하였으며, LIBS 분광기를 이용하여 모두 558개의 분광데이터를 획득하였다.
[Step 1] LIBS 장비를 이용해 검은색 플라스틱의 재질별 데이터를 획득한다.
시료 표면에 오염물질이 존재할 경우 데이터 획득 시 노이즈가 발생할 수 있으며 노이즈를 포함한 데이터는 우수한 성능의 분류기 설계가 곤란하다. 본 연구에서는 Table 2와 같이 검정색 플라스틱 재질별 시료 62개를 분석하여 558개의 데이터를 획득 하였다. 획득한 데이터는 각 재질별 평균값을 이용하여 스펙트럼을 구하였으며 그 결과는 Fig.
본 연구에서는 검정색 플라스틱 ABS, PP, PS, PA 등 각각의 재질별 데이터를 획득하였으며8), 시료 표면의 오염물질 제거를 위하여 2회의 레이저를 조사한 후 데이터를 수집하였다. 시료 표면에 오염물질이 존재할 경우 데이터 획득 시 노이즈가 발생할 수 있으며 노이즈를 포함한 데이터는 우수한 성능의 분류기 설계가 곤란하다.
데이터처리
2. LIBS 장비를 통해 얻은 데이터의 입력변수는 모두 12267개로, 이를 사용하여 알고리즘을 실행할 경우 처리속도 등의 문제가 발생할 수 있으므로 주성분 분석법(PCA)을 이용하여 입력변수를 축소시켜 처리속도의 문제점을 해소하였다.
LIBS 장비를 이용하여 획득한 검정색 플라스틱의 재질별 데이터를 바탕으로 주성분 분석법(PCA)을 수행하여 2개의 입력변수(2차원)로 축소하였으며 그 결과를 Fig. 4에 제시하였다.
5(Random tree와 유사한 통계학적 분류기)이다. LIBS 장비를 이용해 얻은 데이터를 WEKA 3.8 프로그램의 입력 데이터로 사용하였고, WEKA 3.8 프로그램에서 얻은 분류율과 본 논문에서 제안하는 분류기의 테스트 데이터의 분류율과 비교하였다. 분류율을 비교한 결과 본 연구에서 제안하는 방사형 기저함수 신경회로망(RBFNNs) 알고리즘의 분류율이 WEKA 3.
78%이다. WEKA 3.8 tool을 이용하여 다른 다양한 분류기의 성능과 비교 분석하였으며 그 결과를 Table 5에 제시하였다.
분류기의 설계를 위하여 검정색 플라스틱으로의 각 재질별 시료로부터 데이터를 획득하였으며, 획득한 데이터는 설계한 방사형 기저함수 신경회로망(RBFNNs) 등의 알고리즘으로 시뮬레이션을 수행 하였다. 또한, 본 연구에서 설계한 분류기의 성능 검증을 위하여 WEKA 3.8 프로그램을 이용하였으며, 다양한 분류기와 분류성능을 비교 분석하였다2).
이론/모형
. 또한, 중심점과 폭을 이용하여 알고리즘의 적합도를 구하였으며 최소자승법 (Least Square Estimation, LSE)을 이용하여 연결가중치(w) 학습을 실시하였다. 출력층에서 구한 최종 출력 값은 은닉층에서 얻은 적합도와 연결가중치(w)의 곱을 모두 더하여 계산하였다.
방사형 기저함수 신경회로망(RBFNNs)을 사용하기 전에 10,000개 이상 가지고 있는 입력변수를 축소시켜주기 위해 전처리부분(Preprocessing part)에는 주성분 분석법(PCA)을 사용해 D개의 입력변수를 k개의 입력변 수로 축소시킨다. 그리고 RBFNNs의 조건부(Condition part)에는 K-means 클러스터링 방법을 사용해 특성이비슷한 데이터끼리 묶어주고 중심점을 찾아준다.
분류기의 설계에 사용한 알고리즘은 지능형 알고리즘중 하나인 방사형 기저함수 신경회로망(RBFNNs) 알고리즘을 사용하였으며, Fig. 2에 알고리즘의 구조를 제시 하였다.
분류기의 성능 측정 및 신뢰도 향상을 위한 재샘플링(Resampling)기법 중 대표적인 5-FCV(5-Fold Cross Validation) 교차검증 기법을 사용하였으며 그 결과는 Table 4와 같다.
클러스터링 방법은 획득한 데이터를 비슷한 패턴, 형태 및 속성 등의 기준을 정하여 데이터를 분류하는 방법 중 하나이다. 클러스터링 방법을 사용할 경우 데이터의 개수에 따라 클러스터의 개수를 적절하게 선택하는 것이 중요하며 본 연구에서는 다양한 클러스터링 방법 중 K-means 클러스터링 방법을 사용하였다. Kmeans 클러스터링 방법은 데이터간의 거리를 측정하고 이를 기준으로 데이터를 분류하여 특성을 파악하는 방법이다6).
학습 데이터와 테스트 데이터를 4:1로 분할하여 PCA 분석법을 수행하였으며, 축소된 차원의 개수와 클러스터의 개수의 분류성능은 아래의 식 (16)을 이용하여 계산하였다.
활성함수의 중심점을 구하는 방법은 매우 다양하나본 연구에서는 군집화 알고리즘(clustering algorithms)을사용하여 중심점을 구하였다4). 또한, 중심점과 폭을 이용하여 알고리즘의 적합도를 구하였으며 최소자승법 (Least Square Estimation, LSE)을 이용하여 연결가중치(w) 학습을 실시하였다.
성능/효과
4. 시뮬레이션에 사용한 데이터의 개수가 적어 분류 성능의 측정 및 신뢰도 향상을 위한 재샘플링 기법 중하나인 5-FCV(5-Fold Cross Validation) 교차검증을 실시하였으며, 시뮬레이션 분석 결과 분류율이 약 96.78%의 높은 분류 성능을 확인하였다.
5. 본 연구에서 제안하는 분류기의 성능과 WEKA 3.8 프로그램의 다양한 분류기의 분류성능을 서로 비교 하였을 경우, WEKA 3.8 프로그램에서 가장 높은 분류율은 95.16%였고 본 연구에서 제안하는 분류기의 분류율은 96.78%로 우수성을 확인하였다.
8 프로그램에서 얻은 분류율과 본 논문에서 제안하는 분류기의 테스트 데이터의 분류율과 비교하였다. 분류율을 비교한 결과 본 연구에서 제안하는 방사형 기저함수 신경회로망(RBFNNs) 알고리즘의 분류율이 WEKA 3.8 프로그램을 이용해 얻은 분류율보다 우수한 것으로 확인되었다.
평균적으로 분류율은 약 95%(100개 중 95개는 제대로 분류)로 확인하였고, 그중에서도 가장 높은 분류율은 주성분 분석법(PCA 분석)을 이용하여 줄인 입력변수의 개수를 5개로 축소하고, 클러스터의 개수를 5개로 정하였을 경우 약 96.78%이다. WEKA 3.
후속연구
6. 다양한 시료로부터 많은 데이터를 획득하고 알고리즘의 개선을 통해 분류 성능을 향상시킨다면 재활용 현장에 적용이 가능할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
폐가전제품의 재활용 활성화를 위한 정책으로 무엇이 있는가?
최근 들어 전기밭솥, 선풍기, 전기히터 등 폐소형가전의 발생량이 급증하고 있으며, 정부는 폐가전제품의 재활용을 활성화하기 위한 환경성보장제(Eco-Assurance System of Electrical and Electronic Equipment and Vehicles, Eco-AS), 폐가전제품 무상방문수거 및 폐전기· 전자제품 재활용 목표관리제 등을 시행하고 있다. 폐가 전제품의 재활용을 통하여 소각 또는 매립량을 최소화할 수 있을 뿐만 아니라 지구온난화 가스의 배출량 저감이 가능하다.
레이저유도붕괴분광 분광기가 필요한 이유는 무엇인가?
생활계에서 발생하는 폐플라스틱의 재질별 선별을 위한 근적외선분광법(Near-Infrared Ray, NIR)을 개발하여 선별장에 일부 적용하여 가동되고 있으나1) 검정색 플라스틱의 경우 근적외선의 빛을 모두 흡수하기 때문에 재질별 인식 및 선별이 불가능하다는 단점을 가지고 있다. 최근에는 FT-IR/ATR이나 Raman 분광법을 이용한 검정색 플라스틱의 재질별 인식 및 선별을 위한 기술이 개발되었으나, 재질별 인식 및 식별에 소요되는 시간 때문에 대량생산을 위한 현장 적용에는 어려운 실정이다.
근적외선분광법의 단점은 무엇인가?
생활계에서 발생하는 폐플라스틱의 재질별 선별을 위한 근적외선분광법(Near-Infrared Ray, NIR)을 개발하여 선별장에 일부 적용하여 가동되고 있으나1) 검정색 플라스틱의 경우 근적외선의 빛을 모두 흡수하기 때문에 재질별 인식 및 선별이 불가능하다는 단점을 가지고 있다. 최근에는 FT-IR/ATR이나 Raman 분광법을 이용한 검정색 플라스틱의 재질별 인식 및 선별을 위한 기술이 개발되었으나, 재질별 인식 및 식별에 소요되는 시간 때문에 대량생산을 위한 현장 적용에는 어려운 실정이다.
참고문헌 (8)
Park, E. K. et al., 2016 : Environmental Impact Assessment on Dismantling . Crushing . Sorting Process for Recycling of Used Small Household Appliances, J. of Korean Inst. of Resources Recycling, 25(2), pp. 17-24.
Albert Bifet. et al., 2015 : Efficient online evaluation of big data stream classifiers, In proc 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 59-68.
Kingo Azuma and Takashi Kimura, 2016 : Plasma parameters of titanium-based metallic plasma generated by compact-type high-powerpulsed sputtering penning discharge, IEEE Transactions on Plasma Science, 44(12), pp. 3201-3206.
Choi, W. Y. and Oh, S. K., 2014 : Design of meteorological radar pattern classifier using clustering-based RBFNNs : Comparative studies and analysis, Journal of KIIS, 24(5), pp. 536-541.
Kim, S. H. and Oh, S. K., 2016 : RBFNNs-based recognition system of vehicle license plate using distortion correction and local binarization, The Transactions of KIEE, 65(9), pp. 1531-1540.
Oh, S. K. and Park, H. S., 2000 : Multi-FNN identification by means of HCM clustering and its optimization using genetic algorithms, Journal of KIIS, 10(5), pp. 487-496.
Kim, W. D. et. al., 2010 : Structural design of FCM-based fuzzy inference system : A comparative study of WLSE and LSE, The Transactions of KIEE, 59(5), pp. 981-989.
Chung, H. S. et al., 1994 : Status of discarded home electric appliances treatment, J. of Korean Inst. of Resources Recycling, 3(2), pp. 24-27.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.