02분반 6조 업크리트

프로젝트 개요

기술개발 과제

국문 : 객체 탐지 기술을 활용한 순환골재 내 건설폐기물 제거

영문 : Construction Waste Elimination in Recycled Aggregates Using Object Detection Technology

과제 팀명

업크리트

지도교수

서명원 교수님

개발기간

2023년 9월 ~ 2023년 12월 (총 4개월)

구성원 소개

서울시립대학교 환경공학부 2020XXX0** 황**(팀장)

서울시립대학교 환경공학부 2020XXX0** 박**

서울시립대학교 환경공학부 2020XXX0** 이**

서울시립대학교 환경공학부 2020XXX0** 최**

서론

개발 과제의 개요

개발 과제 요약

  최근 기후변화와 지구온난화에 대응하기 위해 세계 주요 선진국들은 탄소중립을 지향하고 있다. 파리 협정과 2050 탄소중립 목표를 실현하기 위해 국내에서도 각기 다른 분야에서 노력이 이루어지고 있다. 그중 건설산업에서 배출되는 온실가스는 전 세계 온실가스 배출의 약 25%를 차지하고 있으며, 탄소중립의 주요 대상인 이산화탄소는 전 세계 배출량의 약 37%를 차지한다. 탄소중립 실현을 위해 건설산업에서도 ESG 경영이 부각되고 있다. 1970년대 고도성장기에 급속도로 증가하는 인구를 감당하기 위해 본격적으로 주택들이 공급되었고, 현재 이러한 주택들이 노후화됨에 따라 재건축  재개발이 활발하게 이루어지고 있다. 건설단계에서 자원 낭비를 최소화하거나, 한 번 사용한 자원을 재사용하는 자원순환을 통해 지속가능한 순환 경제의 실현을 위한 자원 순환형 건설이 추진되고 있다. 특히 환경보존 및 기존 골재원 고갈 등에 기인한 골재수급 문제는 건설산업의 위험 요소로 평가된다. 정부는 건설폐기물의 재활용촉진에 관한 법률 시행령 제5조(순환골재 등 의무사용 건설공사의 범위)를 통해 순환골재의 사용을 촉진하고 있다. 여기서 순환골재란 건설폐기물의 “재활용 촉진에 관한 법률” 제2조7호의 규정(건설폐기물을 물리적 또는 화학적 처리과정 등을 거쳐 같은 법 제35조의 규정에 의한 품질기준에 적합하게 한 것)에 적합한 골재를 말한다. 한편 2020년 기준 순환골재 사용 비중은 전국 골재 수요의 14.6%에 불과했다. 현재 생산되는 순환골재는 배출되는 건설폐기물 내 높은 불순물 함유량으로 인해 순환골재의 품질이 낮아 저급골재라는 인식이 확산되어 단순 복토/성토용, 되메우기용, 도로보조기층용 등 저부가가치의 활용이 대부분이며, 콘크리트용 순환골재 등 고부가가치의 활용은 미미하다. 또한 폐콘크리트에 부착되어있는 모르타르 성분으로 인한 강알칼리성 침출수의 문제도 존재한다. 본 과제에서는 순환골재의 저조한 사용률에 대한 이유로 이물질 유입으로 인한 순환골재의 신뢰성 저하와 순환골재의 알칼리성으로 인한 환경오염의 우려라고 판단하였다. 따라서 순환골재의 사용률을 증대시키기 위해 혼합 건설폐기물에서 이미지 분류기술을 활용하여 이물질 선별률을 높이고 화학적 처리를 통해 순환골재의 알칼리성을 조절하고자 한다.

개발 과제의 배경 및 효과

  건설폐기물은 공사를 시작할 때부터 완료할 때까지 발생한 5톤 이상의 폐기물을 말하는데, 노후 건축물의 증가함에 따라 건설폐기물의 양이 지속적으로 증가하는 추세이다. 2014년 하루 18만 톤이 발생하던 것에서 2021년 하루 약 23만 톤으로 하루에 배출되는 양이 약 5만 톤 이상 늘었다. 그중 약 65%는 폐콘크리트였다. 폐콘크리트를 순환골재로 재활용할 경우, 2010년 가격 기준으로 순환골재 1톤당 매립 절감에 따른 편익은 19,801원, 천연골재 대체에 따른 편익은 순환골재 1톤당 7,323원이다. 또한 순환골재를 천연골재 대체재로 사용할 경우, 골재채취로 인해 유발되는 산림 및 녹지 훼손과 건설폐기물의 매립을 최소화하여 최근 논란이 되는 수도권매립지의 수명을 연장할 수 있다.
 하지만, 폐콘크리트 중 약 99%는 재활용하는데 이는 품질과 안전등의 이유로 80% 이상이 성·복토 및 도로 공사용 등 극히 제한된 용도로만 사용되고 있다. 또한 순환골재 사용 촉진을 위한 의무사용제도 도입 등에 따라 순환골재 사용이 국가와 지방자치단체 등 공공기관에서 일정 규모 이상의 건설공사를 진행할 경우, 순환골재를 사용하고 있지만 민간 부문에서는 사용 실적이 저조하다. 실제로 전국의 약 170개의 순환골재 수요자(발주자, 시공자)를 대상으로 조사한 순환골재 활용에 따른 문제점 설문조사 보고에 따르면, 순환골재 사용을 회피하는 이유로는 품질 신뢰성의 문제(47%), 품질인증제도의 인지도 문제(33%), 발주처 사용 제한의 문제(20%)를 들고 있으며, 사용 시 애로사항으로는 환경 문제 제기기(53%), 설계기준 반영(30%), 관리 미흡(10%), 사용기준의 복잡성 문제(7%)를 들고 있다. 또한 순환골재는 일반적으로 모르타르를 포함하고 있어 강알칼리성을 띄기 때문에, 우천 시 알칼리 침출수가 발생할 수 있다. 또한 순환골재에 붙어 있는 모르타르 함량에 따라 골재의 비중, 흡수율 등의 기초 물성이 변하게 되고, 이는 결과적으로 콘크리트의 강도 및 탄성계수에도 영향을 미치게 된다. 이러한 점을 고려하여 순환골재의 품질향상이 필요한 상황이다.
  건설폐기물을 중간처리하는 과정에 사용되는 이물질 분리선별 방법은 인력선별, 비중선별, 스크린선별, 자력선별, 풍력 선별 등이 있다. 가연성 건설폐기물에 가장 많이 활용하는 분리 방식은 송풍기에 의한 분리 방식이다. 일반적으로 직경이 25㎜가 초과하는 가연성 이물질은 초기 트롬멜 등의 분리선별 장치를 통하여 분리되며, 10～25㎜ 정도의 가연성 이물질은 스크린 등을 통과할 때 분리된다. 10㎜ 이하의 가연성 이물질은 골재와 함께 이송되면서 송풍에 의해 선별된다. 송풍 이물질 분리선별 장치의 가장 큰 문제는 분진의 비산과 다량의 토사 및 골재 투입시 이물질 분리 효과의 저하이다. 기존의 송풍은 단순하게 후단에서 바람만을 부여하는 구조로 되어 있어 풍압이 강할 경우 이물질과 함께 골재 및 토사가 배출되며, 대량으로 투입될 시 물질 간의 간격이 좁아 송풍에 의한 이물질의 분리가 어렵다. 종래의 기술을 통해 생산되는 순환골재는 규격별 입자가 골고루 분포하지 못할 뿐만 아니라 토사 미분과 비닐 및 장판 조각, 목재 조각, 나무뿌리, 천 조각, 플라스틱 조각, 스티로폼, 담배꽁초 등 각종 잡쓰레기와 이물질(유기 이물질, 유기 불순물)이 부스러기 형태로 일부 혼재되어 있으므로 이를 재활용하는 경우 강도가 떨어지고 흡수율이 높아 골재로서 품질을 보장할 수 없는 문제점이 있다. 특히 드럼 또는 스크린 등의 선별기로 선별하여도 골재와 유사한 크기의 이물질(미분·비닐·목재·가죽·플라스틱·섬유 등)은 드럼 또는 스크린의 망체를 그대로 통과하여 골재에 혼재되기 때문에 완전한 분리 및 선별이 매우 어려운 문제점이 있다.

Fig 1. 순환골재 생산 공정에 따른 시스템 경계.

 일반적으로 순환골재로 사용하는 폐콘크리트는 알칼리성을 띄어 그 상태로 자연환경에 노출되면 다양한 문제를 일으킬 수 있다. 폐기물학회에 따르면 순환골재의 사용에 따라 알칼리수가 용출되고 이에 따라 토양과 지하수의 오염이 발생할 수 있다고 지적한다. 또한 폐콘크리트가 미분화되어 더욱 용출되기 쉬운 것도 문제이다. 이를 위해 국내에서는 순환골재 생산 시 파쇄, 박리 등의 공정을 통해 용출수 저감을 방지하고자 하였다. 그러나, 해당 방법들은 pH 저감 효과가 미미한 것으로 나타났으며, 이를 해결하기 위해 노력을 거듭하고 있다. pH 저감을 위해 사용하는 대표적인 방법으로, 이산화탄소를 이용한 탄산칼슘화 공정이 있다. 탄산칼슘화는 아래와 같은 반응이 일어난다. 

[식1] 탄산칼슘화 공정.

 탄산칼슘화 공정은 폐콘크리트의 주성분이 수산화칼슘인 것을 고려하여 사용하는 방법이다. 수산화칼슘이 이산화탄소와 반응하면 pH가 감소함과 동시에 탄산칼슘을 생산할 수 있어 해당 방법을 이용하고 있다. 더 자세하게, 이산화탄소를 사용하는 방법은 유량, 압력 접촉 면적과 같은 변수에 따라 달라진다. 일반적으로 사용하는 방법은 아래와 같다.

Fig 2. 이산화탄소를 사용한 폐콘크리트 중화반응 장치.

 그림과 같이 순환골재의 pH를 낮추기 위하여 이산화탄소와 접촉시켜 이를 통해 pH를 낮추는 방법이다. 단순히 강하게 교반하는 것만으로도 pH를 낮추는 효과가 있기에 이산화탄소를 추가적으로 공급하지 않는다. 하지만 그림과 같이 대기 중의 이산화탄소로만 중화반응을 유도하는 것은 시간이 오래 걸린다는 단점이 있다. 한편, 골재 세척수에 이산화탄소를 용해시켜 탄산나트륨을 제조하는 방법도 있지만, 이산화탄소는 용해도가 낮아 시간이 오래 걸리고 기체 이산화탄소를 직접 순환골재에 접촉시킬 경우 과도한 이산화탄소 유실과 같은 문제가 발생할 수 있다. 더불어 이산화탄소를 생산하기 위한 과대한 비용이 발생하게 된다. 이런 단점들을 극복하기 위해서 고안한 방법이 산성 용액을 사용하는 방법이다. 산성 용액과 직접적으로 작용하여 그 중화반응 유도 시간을 줄이고, 아울러 다양한 산성 용액을 사용하여 용액의 종류에 따라 순환골재 중화반응에 가장 적합한 용액을 찾는 것을 본 설계의 목적으로 한다. 
 기존 논문에 따르면 이런 습식 공정은 처리 전에 건식과 달리 세척과정을 거치어, pH 저감제로 제1인산나트륨, 염화암모늄 등을 사용한다. 이들을 사용한 반응은 아래와 같다. 

[식2] 제1인산나트륨 수화물 반응식.

 제1인산나트륨 수화물은 인체에 무해하며 환경 영향성이 적은 식용 인산나트륨으로 물에 해리된 후 인산이온(HPO4-)과 순환골재에서 용출된 칼슘이온(Ca2+)이 반응하여 침전물을 생성하게 되며 이로 인해 골재표면에 코팅막을 형성하고 pH저감효과를 가지게 된다. 또한 공통이온효과로 인하여 인산이온이 물에 해리되면 음이온인 수산화물의 용출이 적게 일어나게 된다.

[식3] 염화암모늄 반응식.

 수산화암모늄의 해리로 인해 수산화이온(OH-)에 의한 염기성 보다 염산의 해리로 인한 수소 이온의 산성이 강해 전체적으로 약산성의 pH를 가진다. 염화암모늄 해리로 인해 수용액이 약산성을 띄며 이는 인산이온과 칼슘 이온의 반응이 용이하게 일어나도록 한다.
 본 설계는 위와 같은 산성 용액을 사용해서 반응조에 파쇄된 건설폐기물을 침지시켜 순환골재 품질기준을 맞춘 pH9.8 이하의 양질의 순환골재를 얻고자 한다.
 건설산업은 탄소배출이 타 산업들과 비교하면 높은 축에 속하므로 2050년 탄소중립을 위해 탄소배출 감소가 필요한 상황이다. 따라서 자원순환을 통해 지속가능한 건설산업 생태계 구축이 필요하다고 생각된다. 실제로 건식 순환골재 CO2 배출량은 2.977 kg-CO2/ton, 습식순환골재 CO2 배출량은 3.983 kg-CO2/ton, 천연골재 CO2 배출량은 4.290 kg-CO2/ton으로 평가되었다. 또한 경제적 측면에서도 단위용적당 콘크리트의 단가 감소율은 치환율 0% 대비 30%는 3.56%, 50%는 8.73%, 100%는 12.95%로 도출되었으며 최대 5,486원까지 감소하는 것으로 도출되었다. 따라서, 위와 같은 순환골재의 문제점을 해결한다면 자원보존, 환경보호, 경제적 이익, 지속 가능성 향상 측면에서 효과가 있을 것으로 보인다. 순환골재를 얻기 위한 과정에서 나뭇가지, 폐플라스틱, 폐비닐 등과 같은 불순물을 제거하기 위해 기계학습을 이용한 화상 선별을 도입하고 순환골재의 미분말의 강알칼리성을 중화하여 고품질의 순환골재를 얻고자 한다. 고품질의 순환골재를 통해 현재 소비자의 부정적 인식을 바꾸고 자원순환을 통해 탄소중립에 이바지할 수 있을 것으로 보인다.

개발 과제의 목표 및 내용

 순환골재의 특징인 모르타르 부착량, 이물질 함유량, 미분량은 대표적인 문제점이며, 이로 인한 품질저하 및 품질편차 증대는 순환골재의 활용에 매우 큰 장애요인이다. 건설폐기물에는 다양한 물질이 섞여 있으므로, 이물질을 제거하는 여러 단계의 과정을 거치더라도 순환골재에는 일부의 이물질이 포함될 수밖에 없다. 순환골재에 포함되는 이물질은 그 종류가 다양하고 특성도 다르며, 어떠한 이물질이 얼마만큼 포함되느냐에 따라서 순환골재 및 순환골재 콘크리트의 품질에 영향을 미치게 된다. 폐콘크리트는 현재 관련 법령의 미비로 적절한 처리 없이 순환골재로 사용하기 때문에 이물질이 섞여 들어간다는 문제가 있다, 따라서 이 문제를 해결하기 위해 인공지능을 사용한 화상 선별 시스템을 이용할 수 있다. 실제로 국내 플라스틱 재활용 시장에서 기물 선별 장비 생산, 폐기물 선별공정 설계 전문회사인 ACI가 딥러닝 기반 인공지능을 이용한 재활용 폐기물 선별 로봇을 선보이고 있다. 일반 재활용 쓰레기는 현재 다수의 인력을 통해 수작업으로 분류가 이루어지고 있다. 그리고 투명 PET의 경우 재활용의 가치가 높아 고품질 원료로 선호되고 있기에 따로 선별하는 것이 중요하다.

Fig 3. AMP Robotics의 로봇 시스템인 AMP 콜텍(Cortex).

 위 그림과 같이 인공지능을 이용한 이미지 분류 기술을 통하여 건설폐기물 중 순환골재 품질 저하의 원인이 되는 이물질 함유량을 최소화하여 품질향상을 도모하고자 한다. 인공지능을 이용하여 이물질을 이미지 분류한 이후 이미지 분류를 통해 이물질로 결론 난 이물질의 경우 분리해야 하는데 이때 로봇팔을 이용한 분리를 하고자 한다. 인공지능을 활용한 이미지 분류 기술은 이른바 ‘객체 감지(Object detection)과 객체 인식(Object recognition)’으로 나눌 수 있다. 객체 감지는 객체의 위치를 파악하고 그 위치를 경계 상자로 표시하며, 객체 인식은 객체의 종류 또는 클래스를 판별하는 데 중점을 둔다. 일반적으로 객체 감지는 객체 인식을 포함하는 작업 중 하나이다. 따라서 본 과제에서는 재생골재가 아닌 물질의 위치를 확인하고 선별하여야 하므로 객체 감지 기술을 활용한다. 이를 위한 구현방식으로는 주로 딥러닝과 머신러닝 기술이 사용된다. 머신러닝 방식은 다음과 같다. 

① 데이터 수집 및 전처리: 머신러닝 모델을 훈련하기 위해 레이블이 지정된 학습 데이터를 수집하고, 데이터를 전처리하여 모델에 입력으로 사용할 수 있는 형태로 가공한다. 이 단계에서는 주로 특징(Feature) 엔지니어링이 수행된다.

② 특징 추출: 데이터에서 유용한 정보를 추출하기 위해 특징 추출기(Feature Extractor)를 사용한다. 이러한 특징은 주로 사전 지정된 규칙 또는 수작업으로 정의된다.

③ 모델 훈련: 추출된 특징을 입력으로 사용하여 머신러닝 모델을 훈련시킨다. 일반적인 알고리즘으로는 서포트 벡터 머신(SVM), 결정 트리, 랜덤 포레스트 등이 사용된다.

④ 모델 평가 및 튜닝: 훈련된 모델을 평가하고 필요한 경우 하이퍼파라미터를 조정하여 성능을 향상시킨다.

⑤ 예측: 훈련된 모델을 사용하여 새로운 데이터에서 객체를 인식하고 예측한다.

 딥러닝 방식은 다음과 같다.

① 데이터 수집 및 전처리: 머신러닝과 마찬가지로 데이터 수집 및 전처리 과정이 필요하다.

② 신경망 아키텍처 설계: 딥러닝에서는 신경망 아키텍처를 설계한다. 이 아키텍처는 입력 데이터로부터 특징을 자동으로 추출하기 위해 여러 계층으로 구성되며, 주로 합성곱 신경망(CNN)이 객체 인식에 사용된다.

③ 모델 훈련: 딥러닝 모델은 데이터로부터 특징 추출과 분류를 동시에 수행한다. 이러한 모델은 역전파(Backpropagation)와 경사 하강법을 사용하여 가중치를 최적화하며 훈련된다.

④ 모델 평가 및 튜닝: 머신러닝과 마찬가지로 훈련된 딥러닝 모델을 평가하고 하이퍼파라미터를 조정하여 성능을 향상시킨다.

⑤ 예측: 훈련된 딥러닝 모델을 사용하여 새로운 데이터에서 객체를 인식하고 예측한다.

딥러닝 방식과 머신러닝 방식에서 공통적인 요소는 데이터 수집 및 전처리 단계이다. 아무리 성능이 좋은 모델이 만들어지더라도 입력 데이터의 질이 좋지 않으면 결과값도 좋지 않다. 따라서 입력 데이터의 질이 매우 중요한데, 본 과제에서는 순환골재와 그 이외의 이물질을 분류하기 위한 훈련 데이터의 수집을 google image와 자체 제작으로 수행할 예정이다. 순환골재만 존재하는 이미지 데이터와 이물질이 혼입된 순환골재 이미지 데이터를 사용하여 모델을 개발할 예정이다.
 본 설계는 산성용액을 사용하여 폐콘크리트의 pH를 낮추고자 하였다. 이를 위해 고안한 것은 이중 반응조 형태의 구조이다. 반응조를 이중으로 한 것은 반응이 진행됨에 따라 산성용액의 pH가 상승하게 되어 교체해주어야 한다. 해당 작업을 수월하게 함과 동시에 2번 반응조에서도 중화반응을 유도하나, 다만 1번 반응조보단 빠른 반응속도로 고안한다. 

Fig 4. 설계 예상 모식도.

 먼저 첫 번째 반응조에서 제1인산나트륨과 같은 중화제를 투입하여 중화반응을 일으킨다. 차후 실험 및 문헌 조사를 통해 알아낸 적정 값으로 체적과 체류시간을 결정하고, 1차 중화반응이 끝난 순환골재는 2차 반응조로 이동한다. 2차 반응조로 이동하여 미처 중화되지 아니한 pH를 낮추며 또한 일부 폐콘크리트의 일부 수용성 이물질을 제거하여 순환골재의 질적 향상을 도모한다. 또한 본 과정을 수행하기 위해 온도, 압력, 투입 골재량, 산성 용액의 농도 및 pH, 반응조 용량, 체류시간, 반송비 등의 변수를 고려하여 반응조를 설계하도록 한다.
 전반전인 설계의 계획에 대한 설명은 다음과 같다. 먼저 컨베이어 벨트를 타고 이동한 폐콘크리트가 습식 세척을 거친다. 그 후에 이중 반응조를 거쳐 pH를 적정 범위인 9.8 이하까지 낮춘다. 또한 이 과정에서 수용성 이물질을 일부 제거할 수 있다. 마지막으로 AI를 이용한 화상 분리기를 사용하여 폐콘크리트 속, 폐목재와 같은 이물질을 분류하여 양질의 폐콘크리트만을 얻을 수 있도록 한다.

기술 현황

pH 저감 기술

급속 탄산화

 일반적으로 순환골재의 생산기술은 폐콘크리트, 건설폐재류 등의 덩어리를 파쇄, 선별 단계를 여러 차례 거쳐 생산하는 것으로 도로 공사용은 2차파쇄, 콘크리트용은 3차파쇄 이상의 단계를 거쳐 표준 입도 분포에 적합한 골재를 생산하고 있다. 이러한 파쇄과정을 거쳐 생산된 순환골재의 주요 형상은 강도가 높은 천연골재에 모르타르가 부착되어 있거나, 시멘트 또는 모르타르의 파쇄 잔분이 혼합되어 골재의 밀도가 낮고 흡수율은 높은 문제점을 갖고 있어, 순환골재 품질에 부적합한 주요 원인이다. 또한 흡수율이 높은 순환골재를 콘크리트에 사용 시 천연골재를 사용한 콘크리트보다 건조수축이 높은 문제가 제기되었다. 또한 폐콘크리트의 주성분인 시멘트의 특성에 따라 (특히, 산화칼슘과 물의 반응으로 생성된 수산화칼슘) pH가 10을 초과하는 강알칼리성을 갖고 있어, 해안이나 지하수 또는 우수 등에 노출되는 경우 강알칼리성의 용출수에 의해 환경오염이나 생태계의 악영향을 줄 수 있는 문제가 제기되고 있다.

Fig 5. 일반적인 pH에 따른 물고기의 생존 가능성을 나타낸 그래프.

 Fig 5는 pH에 따른 물고기의 생존 가능성을 나타낸 예로 pH가 10을 초과하는 경우 물고기가 살지 못하는 것으로 되어있다. 따라서, 순환골재의 pH를 최하 10 이하로 처리하여 사용해야 환경에 미치는 악영향을 감소시킬 수 있다. 또한 강알칼리성의 순환골재는 콘크리트용 골재로 사용 시 알칼리량의 과다로 인한 알칼리 골재 반응이 발생할 가능성이 있어 골재의 팽창에 의한 균열 발생, 팝-아웃 등 성능저하의 원인이 된다.
 이산화탄소는 콘크리트 주성분인 시멘트의 수산화칼슘(Ca(OH)2)과 반응하여 탄산칼슘을 생성하며 pH 10을 초과하는 고알칼리성인 시멘트의 공극을 치밀화하는 동시에, pH를 중성화하는 효과가 있다. 이러한 이산화탄소의 반응 특성을 순환골재에 적용하면 순환골재의 흡수율 저감의 효과가 나타나며, 흡수율이 작아짐에 따라 밀도, 단위용적질량이 높아지고 콘크리트에 사용 시 건조수축을 억제하고 알칼리 골재반응 발생 가능성을 저하시켜 순환골재의 품질이 전반적으로 우수해진다.
 현재 이산화탄소를 순환골재 생산라인에 적용한 기술로써 순환골재 세척수에 이산화탄소를 용해시켜 재활용 세척수를 중성화시키는 기술(대한민국 특허등록 제 805,322호)이 있으나 재활용 세척수를 중성화시키는 비용이 많이 발생하고, 간접적인 방법으로서 순환골재를 중성화시키는 효율이 떨어지고 순환골재의 품질기준에 적합한 순환골재를 생산하기 어려운 문제점이 남아 있다.
 촉진 탄산화 반응을 이용한 순환골재 제조 방법 중 건식은 폐쇄된 챔버 내의 공기 중의 이산화탄소와 순환골재를 직접 탄산화 반응하는 것을 특징으로 하는 촉진 탄산화 반응을 이용한 것이다. 반습식은 챔버 내의 공기 중에 이산화탄소와 순환골재가 탄산화 반응을 일으킬 때, 챔버 내에 물을 분무하거나 이산화탄소가 녹아 있는 탄산수를 챔버 내의 순환골재에 분무하여 탄산화 반응을 시키는 것을 특징으로 하는 촉진 탄산화 반응을 이용한 것이다. 습식 은 이산화탄소가 녹아 있는 탄산수를 채운 챔버 내에 순환골재를 투입하여 수중에서 탄산화 반응을 시키는 것을 특징으로 하는 방법이 있다.

산성 중화

증가하고 있는 건설폐기물을 효율적이고 자원순환에 이바지하기 위해 건설폐기물의 일부는 순환골재로 생산되고 있다. 그러나 순환골재는 폐콘크리트를 원골재로 사용함으로써 중간처리 과정을 통해 순환골재 품질기준에 만족하더라도 순환골재 표면에 부착된 시멘트 페이스트 및 잘게 부서진 시멘트 미분으로 인해 강알칼리 성질을 나타내는 문제점을 지니고 있다. 이는 순환골재에 포함된 시멘트의 주요성분인 석회(CaO)가 물과 반응하여 경화되어 수산화물(C-S-H)과 강알칼리성을 띄는 수산화칼륨(Ca(OH)2)을 생성하여 강알칼리성을 띄게 되기 때문으로 물과 밀접한 수변지역 등에서 강알칼리성 침출수 유출로 인한 피해사례가 지속적으로 보고되고 있다(Jung, 2012).
 생산라인의 추가적인 생산 설비의 요구 없이 기존 생산 공정에 적용이 가능하고 생산량을 만족하기 위해서는 액상 pH 저감제의 활용이 효율적이다. 이러한 이유로 인해 제1인산나트륨계 수화물과 염화암모늄을 물과 혼합한 수용액을 사용하여 강알칼리의 순환골재를 pH 9.8 이하의 성능을 만족시키는 최적의 비율을 도출하고자 연구를 진행하였다.

Fig 6. Process chart of recycled aggregate production.

 제1인산나트륨과 염화암모늄을 사용한 pH 저감 기술의 반응은 아래 식 4와 식 5와 같다.

[식4] 제1인산나트륨 반응식.

[식5] 염화암모늄 반응식.

 pH 저감제로 쓰인 제1인산나트륨의 경우 인체에 무해하고 환경 영향성이 적은 식용 인산나트륨을 물에 해리하여 사용하기에 환경에 악영향을 미치지 않을 것이라 예상한다.
 앞서 언급한 제1인산나트륨과 염화암모늄을 사용한 pH 저감 기술은 산성용액을 통해 순환골재를 중화하는 기술이었다. 산성용액을 이용하여 순환골재를 중화하는 기술 외에 산성을 띄는 비료를 이용하여 중화하는 기술 또한 연구되었다. 비료 처리를 하는 방법은 산성물질을 활용하여 순환 잔골재의 알칼리성을 중화시키는 원리이다. 산성의 비료로서 인산암모늄 및 이인산암모늄이 사용되었다. 질소 및 인산질 비료인 인산암모늄과 이인산암모늄을 이용한 순환잔골재의 알칼리 제거 시험 결과는 다음과 같다.

Fig 7. 인산암모늄과 이인산암모늄을 이용한 순환잔골재의 알칼리 제거 시험 결과.

 그래프에서 MAP(10cm)는 monoammonium phosphate(인산암모늄)을 100mm 높이로 야적했을 때를 나타내며, MAP(20cm)는 monoammonium phosphate(인산암모늄)을 200mm 높이로 야적했을 때를 나타내며, DAP(10cm)는 diammonium phosphate(이인산암모늄)을 100mm 높이로 야적했을 때를 나타내며, DAP(20cm)는 diammonium phosphate(이인산암모늄)을 200mm 높이로 야적했을 때를 나타낸다.
 제1인산나트륨계 수화물과 염화암모늄을 물과 혼합한 수용액 이외에도 마쇄 조건에서 황산을 투입하여 순환골재의 pH를 일정 기준 이하로 조절하는 방법 또한 연구되었다(Kim, 2008).

Fig 8. Low speed wet abrasional crusher.

 마쇄 조건에서 황산을 투입하여 순환골재의 pH를 일정 기준 이하로 조절하는 연구는 순환잔골재와 굵은골재를 중량비율 별로 1차 투입하고 사용할 세척수를 전체골재 용적비율별로 2차 투입한 후 최종적으로 황산을 투입하여 시간별로 마쇄실험을 실시하였다. 순환골재의 품질기준인 pH 9.8을 만족하는 순환잔골재의 제조를 위한 실험 결과 마쇄시간 15분, 굵은골재비 1.0 이상이 최적조건인 것을 알 수 있었다.

이미지 분류 기술

인공지능 신경망

인공지능 신경망이란 생물의 신경망에서 영향을 받은 기계학습의 하나이다. 이는 인간이 컴퓨터의 연산에 직접 개입하지 아니하고도 컴퓨터 지능적인 결정을 내리는데 도움줄 수 있어 4차 산업시대, 핵심 주제 중 하나로 부각되고 있다.

 인공지능 신경망의 원리는 다음과 같다. 인공지능 신경망에서 뉴런을 모방한 하나의 노드(node)가 존재하며 이 노드가 구성한 층을 입력층, 은닉층, 그리고 출력층으로 나눌 수 있다. 입력층과 출력층은 각각 데이터가 입력 및 출력되는 층이며, 은닉층은 각각의 다음의 층에 최적화한 데이터를 마지막의 출력층으로 전달하는 역할을 한다. 

Fig 9. 인공지능 신경망 모식도.

 위의 그림과 같이 하나의 함수처럼 작용하는 노드를 퍼셉트론이라고도 하며, 이 함수와 같은 관계를 인공지능 신경망이라 한다. 
 인공지능 신경망은 기계학습(머신러닝)의 하위분류되며 특정한 프로그래밍 없이도 스스로 학습하여 데이터 기반으로 예측하는 것을 말한다. 본 설계에서는 인공지능 신경망을 이용하여 이미지 학습(분리)을 이용하여 데이터를 일반화하고 이를 통해 폐콘크리트와 이물질을 분류하는 것을 목적으로 한다.

이미지 인식

인공지능 신경망을 사용한 이미지 인식은 다음과 같이 설명할 수 있다. 이 과정에서 일반적으로 CNN(Conversional Neural Network)을 사용한다. CNN은 사진 객체의 특징을 맵핑하여 데이터화 하는데 이 과정은 하나의 벡터에 대해 가중연산을 하여 이루어진다. 

Fig 10. 이미지 인식 모식도.

 Fig 10은 이미지를 컴퓨터가 인식하고 하나의 벡터(픽셀)에 대해 그것을 수치화하고, 가중치를 연산하는 모습이다. 

Fig 11. 가중치 연산.

 이 가중치 연산은 Fig 11과 같이 연산이 이루어지는데, 수치가 입력된 행렬에 대하여 전치된(Tranposed) 행렬을 곱하여서 은닉층에 연산이 이루어진다. 이때 최적화는 일반적으로 Linear regression을 통해 이루어진다. 
 Linear regression이란 선형성을 띠지 않는 데이터에 대하여서, 선형함수를 도입하고 그 오차를 줄이는 방식이다. 이는 각 항에 대하여 인과관계를 확인할 수 있는 값을 찾고자 하고자 한다. 일반적으로 오차의 제곱을 확인하는 최소제곱과 이때 발견한 계수를 고윳값으로 사용한다.

Fig 12. Linear Regression.

 이미지 인식은 크게 객체 탐지와 인지로 나눌 수 있다. 객체 인지와 탐지는 위치까지 데이터화하여 파악하고 출력을 알아보는 것에 차이가 있다

객체 인지(Object Recognition)

 객체 인지를 하기 위해선 먼저 이미지 분류(Image Classification)를 하여야 한다. 이미지 분류는 객체의 레이블(픽셀)에 앞서 말한 가중치를 평균 혹은 최대치로 이미지를 축소변환하여 이루어진다. 이때 컴퓨터가 인지하기에 시점 및 크기의 변동, 가림, 조명 등과 같은 문제로 인식에 문제가 발생할 수 있다.
 이런 문제들을 해결하면, 축소변환한 값을 하나의 카테고리로써 K–mean과 같은 방법을 통해 군집화할 수 있다. 군집화하면, 하나의 군집이 어떤 범주에 속하는지, 예를 들어 강아지, 혹은 고양이인지 분류할 수 있게 된다. 
 어떤 인식한 사물에 대하여, 이미지 속 객체의 위치 데이터를 반영하면 객체 인지라 한다. 위의 축소변환할 때, 위치 데이터가 반영될 수 있도록 오차가 줄어들게 하거나, 평균의 최소제곱을 이용하여 실시한다. 이러한 객체 인지는 인공지능 신경망을 활용한 딥러닝 그리고 머신러닝을 사용하여 가능하다. 객체 인지를 하기 위해서 폐콘크리트의 이미지 사진을 대략 10,000장 정도 입력할 것이며 이를 상하좌우 반전시켜 시점의 변동과 같은 오류를 예방하고자 40,000장의 데이터로 만들어 입력하고자 한다. 

객체 탐지(Object Detection)

객체 탐지는 컴퓨터 비전 기술의 세부 분야 중 하나로 주어진 이미지 내에 사용자가 관심 있는 객체를 탐지하는 기술이다. 인공지능 모델이 아래 좌측 같은 그림을 강아지 사진이라고 판별하면 그것은 이미지 분류 모델이다. 반면에 아래 우측과 같이 물체가 있는 위치를 탐지함과 동시에 해당 물체가 강아지라고 분류하면 그것이 객체 탐지 모델이다.

Fig 13. 이미지 분류 모델과 객체 탐지 모델 비교.

Fig 14. 바운딩 영역 픽셀값으로 지정.

 객체 탐지 모델은 다양한 분야에서 활용이 가능하다. 가장 보편적인 활용 사례는 자율 주행 자동차이다. 자율 주행 자동차를 만들기 위해서는 컴퓨터가 주변 사물을 인식하고 위치를 파악해야 한다. 또한, 객체 탐지 기술은 보안 분야에서 효율적인 자원 관리 활용을 위해 사용되기도 한다. CCTV는 보통 쉬지 않고 기록되기 때문에 메모리의 효율성이 떨어진다. 하지만 객체 탐지 기술을 결합하면 특정 사물이 탐지 되었을 때만 기록을 시작할 수 있어 메모리의 효율성을 증가시킨다. 먼저 객체 탐지 모델은 바운딩 박스를 만들어야 한다. 객체 탐지 모델에 사용되는 데이터의 크기가 방대하므로, 바운딩 박스를 활용하여 객체를 올바르게 탐지하고 딥러닝 과정에서 바운딩 박스 영영막 대상이 되기 때문에, 딥러닝을 효율적으로 수행할 수 있다. 바운딩 박스는 타겟의 위치를 X와 Y축을 이용하여 사각형으로 표현한다. 예를 들면, 아래와 같은 바운딩 박스의 값은(X최소값, Y최소값, X최대값, Y최대값)으로 표현된다. 이때 효율적인 연산을 위해 X, Y 값은 최대값 1로 변환해주어야 한다.
 객체 탐지 모델은 크게 One-Stage 모델과 Two-Stage 모델로 구분할 수 있다. 아래 그림은 객체 탐지 모델의 계보도이다.

Fig 15. 객체 탐지 알고리즘 타임라인.

 2012년 이후 등장한 딥러닝 기반의 객체 탐지 모델 종류는 One-Stage Detector, Two-Stage Detector로 나눌 수 있다. 두 종류의 흐름을 이해하기 위해선 Classification과 Region Proposal의 개념을 이해해야 한다. Classification은 특정 물체에 대해 어떤 물체인지 분류를 하는 것이고, Region Proposal은 물체가 있을만한 영역을 빠르게 찾아내는 알고리즘이다. Two-Stage Detector은 객체를 검출하는 정확도 측면에서는 좋은 성능을 냈지만, 예측 속도가 느려 실시간 탐지에는 제한됐다. 이러한 속도 문제를 해결하기 위해 Classification과 Region Propsal을 동시에 하는 One-Stage Detector가 제안되었다.

One-stage Detector는 Classification, Regional Proposal을 동시에 수행하여 결과를 얻는 방법이다. 아래 그림과 같이 이미지를 모델에 입력 후, Conv Layer를 사용하여 이미지 특징을 추출한다.

Fig 16. One-Stage Detector 구조.

 Two-stage Detector는 Classification, Regional Proposal을 순차적으로 수행하여 결과를 얻는 방법이. 아래 그림과 같이 Region Proposal과 Classification을 순차적으로 실행하는 것을 알 수 있다.

Fig 17. Two-Stage Detector 구조.

 One-Stage Detector와 Two-stage Detector 별로 여러 구조가 존재한다. R-CNN, Fast R-CNN, Faster R-CNN은 Two-Stage Detector이며 YOLO, SSD, RetinaNet은 One-Stage Detector이다. 
 R-CNN은 Selective Search를 이용해 이미지에 대한 후보영역(Region Proposal)을 생성한다. 생성된 각 후보영역을 고정된 크기로 wrapping하여 CNN의 input으로 사용한다. CNN에서 나온 Feature map으로 SVM을 통해 분류, Regressor을 통해 Bounding-box를 조정한다. 강제로 크기를 맞추기 위한 wrapping으로 이미지의 변형이나 손실이 일어나고 후보영역만큼 CNN을 돌려야하하기 때문에 큰 저장공간을 요구하고 느리다는 단점이 있다.

Fig 18. R-CNN 구조.

 Fast R-CNN은 각 후보영역에 CNN을 적용하는 R-CNN과 달리 이미지 전체에 CNN을 적용하여 생성된 Feature map에서 후보영역을 생성한다. 생성된 후보영역은 RoI Pooling을 통해 고정 사이즈의 Feature vector로 추출하며, Feature vector에 FC layer를 거쳐 Softmax를 통해 분류, Regressor를 통해 Bounding-box를 조정한다.

Fig 19. Fast R-CNN 구조.

 Faster R-CNN은 Selective Search 부분을 딥러닝으로 바꾼 Region Proposal Network(RPN)을 사용한다. RPN은 Feature map에서 CNN 연산시 sliding-window가 찍은 지점마다 Anchor-box로 후보영역을 예측한다. Anchor-box란 미리 지정해놓은 여러 개의 비율과 크기의 Bounding-box이다. RPN에서 얻은 후보영역을 IoU순으로 정렬하여 Non-Maximum Suppression(NMS) 알고리즘을 통해 최종 후보영역을 선택한다. 선택된 후보영역의 크기를 맞추기 위해 RoI Pooling을 거치고 이후 Fast R-CNN과 동일하게 진행한다.

Fig 20. Faster R-CNN 구조.

 YOLO는 Bouning-box와 Class probability를 하나의 문제로 간주하여 객체의 종류와 위치를 한번에 예측한다. 이미지를 일정 크기의 그리드로 나눠 각 그리드에 대한 Bounding-box를 예측한다. Bounding-box의 confidence score와 그리드셀의 class score의 값으로 학습하게 된다. 간단한 처리과정으로 속도가 매우 빠르지만 작은 객체에 대해서는 상대적으로 정확도가 낮다.

Fig 21. YOLO 구조.

 SSD는 각 Covolutional Layer 이후에 나오는 Feature map마다 Bounding-box의 Class 점수와 Offset(위치좌표)를 구하고, NMS 알고리즘을 통해 최종 Bounding-box를 결정한다. 이는 각 Feature map마다 스케일이 다르기 때문에 작은 물체와 큰 물체를 모두 탐지할 수 있다는 장점이 있다.

Fig 18. SSD 구조.

Fig 22. Focal Loss.

 RetinaNet은 모델 학습 시 계산하는 손실 함수(loss function)에 변화를 주어 기존 One-Stage Detector들이 지닌 낮은 성능을 개선했다. One-Stage Detector는 많게는 십만개 까지의 후보군 제시를 통해 학습을 진행한다. 그 중, 실제 객체인 것은 일반적으로 10개 이내이고, 다수의 후보군이 background 클래스로 잡힌다. 상대적으로 분류하기 쉬운 background 후보군들에 대한 loss값을 줄여줌으로써 분류하기 어려운 실제 객체들의 loss 비중을 높이고, 그에 따라 실제 객체들에 대한 학습에 집중하게 할 수 있다. RetinaNet은 속도 빠르면서 Two-Stage Detector와 유사한 성능을 보인다.

특허

촉진 탄산화 반응을 이용한 순환골재 제조방법 (출원번호 : 10-2009-0119653, 특허권자 : 한국건설기술연구원)

Fig 23. 촉진탄산화 반응을 이용한 순환골재 제조방법 대표도.

 본 발명의 목적은 종래의 재활용 세척수의 중성화시키는 비용이 많이 발생하고, 간접적인 방법으로서 순환골재의 중성화 효율이 떨어지며, 결정적으로 순환골재의 품질기준에 적합한 순환골재를 생산하기 어려운 문제를 직접적으로 순환골재를 탄산가스에 의해 중성화시켜 해결한 것으로 순환골재 제조공정에 있어서 챔버 내에 농도 3% 이상의 이산화탄소를 공급하여 압력 1~10기압, 온도 -10~100℃에서 1~30분간 탄산화 반응을 촉진하는 공정을 포함하는 것을 특징으로 하는 순환골재 제조방법에 관한 것이다.
 순환골재의 중성화반응 방식에 따라 챔버 내 기중 상태의 이산화탄소와 반응시키는 건식방법, 표면에 수분을 스프레이로 살수하여 표면습윤상태에서 이산화탄소를 반응시키는 반습식 방법, 이산화탄소를 용해한 탄산수에 순환골재를 반응시키는 습식방법에 대하여 pH의 변화를 측정하였다. 내부 온도는 20℃, 중성화 반응 시간 5분으로 동일한 조건에서 건식 및 반습식의 챔버내 이산화탄소 농도는 100%로 3기압을 유지하였고, 습식방식의 탄산수 생성조건은 1기압, 농도 100%의 이산화탄소를 순환골재가 담긴 물에 용해하며 교반하여 pH 변화를 측정하였을 때 pH가 8~9 사이에 모두 포함되어 있어, 순환골재의 pH를 감소시키는 데 유용하다고 할 수 있다.
 반응생성물인 CaCO3의 순환골재 공극 충전으로 인한 순환골재의 흡수율 저감 및 밀도 증진 효과에 의해 순환골재 품질에 적합한 순환골재 생산이 가능하고, 콘크리트 사용 시 천연골재를 사용한 보통콘크리트의 건조수축률과 유사한 건조수축률을 나타낸다. 이산화탄소 저장에 따른 대기 중의 이산화탄소 전환효과가 있으며, 순환골재에서 강알칼리성을 나타내는 Ca(OH)2의 탄산화 반응에 의한 pH 저감효과가 있어, 토양, 수질환경 및 생태계 영향을 최소화하는 친환경적인 순환골재의 생산이 가능하다. 순환골재를 콘크리트에 사용 시 순환골재에 부착 또는 함유된 모르타르의 추가적인 알칼리량에 의해 팽창 및 균열을 유발하는 알칼리 골재반응의 가능성을 촉진 탄산화에 의해 순환골재의 알칼리량을 저감시켜 제어할 수 있다. 또한 고온, 고농도의 이산화탄소 가스에 의하여 순환골재의 촉진탄산화 반응 시 순환골재의 건조효과가 현저하다.

pH 저감 기술 특허 - 순환골재의 이물질 제거 및 알카리 저감장치 (출원번호 : 10-2011-0087052, 특허권자 : 한국건설기술연구원)

Fig 24. 순환골재의 이물질 제거 및 알카리 저감장치 도면도.

 위 발명은 폐콘크리트 등의 건설폐기물로부터 순환골재 생산에 있어 순환골재에 혼합되어있는 폐종이, 폐비닐, 폐플라스틱 등의 이물질을 풍력 선별로 제거함과 동시에 순환골재의 표면에 묻어 있거나 순환골재에 혼합되어있는 폐콘크리트 성분으로 인한 높은 알칼리성을 이산화탄소 가스 접촉을 통해 저감하여 순환골재의 재활용 비율을 향상시킬 수 있는 순환골재의 이물질 제거 및 알칼리 저감장치에 관한 것이다. 
 6조는 위 특허에서 사용한 풍력 선별과 이산화탄소를 이용한 알칼리성 저감 대신 이미지 분류를 통한 화상 로봇 선별과 산성용액을 이용한 알칼리성 저감을 통해 순환골재의 고품질화를 도모하고자 한다.

이미지 분류 기술 특허 - 폐기물 재활용 분류 시스템 (출원번호 : 10-2013-0014844, 특허권자 : 한국쓰리알환경산업(주))

본 발명은 폐기물 분류 시스템에 관한 내용이다. 수거된 재활용 폐기물을 크기별로 분리하는 선별 분리기를 통해 선별된 재활용 폐기물을 물체인식기반 선별부로 이송시키며, 촬영 장치에 의해 영상정보에서 유리 재질, 플라스틱 재질의 폐기물을 판별한다. 물체인식기반 선별부에서 분리하여 각 폐기물별로 저장호퍼부에 저장되도록 한다. 또한 동종의 재질이더라도 색상 또는 재료 등에 따른 세부적인 분류가 자동적인 수행이 가능하다.

Fig 25. 공정도.

 더 자세히 설명하자면, 재활용 폐기물 분류 단말은 입출력인터페이스, 획득부, 물체인식부, 재질 판정부, 제어부, 저장부를 포함함으로써, 압전센서 상으로 지나가는 것으로 인식된 재활용 폐기물에 대한 촬상장치로의 촬영제어명령에 따라 촬상장치에 의해 영상정보에서 유리 재질의 재활용 폐기물인지 플라스틱 재질의 폐기물인지를 판별한 뒤, 제2이송벨트를 제어하는 물체인식기반 선별부로 판별 정보를 전송하여 상기 판별 정보와 매칭되는 각 재활용 폐기물별로 플라스틱 저장호퍼부 또는 유리 저장호퍼부로 저장되도록 한다. 
 재활용 폐기물 분류 단말을 좀 더 구체적으로 살펴보면, 획득부는 제1이송벨트를 통해 이동하는 재활용 폐기물의 촬영 시에 촬상장치에 의해 감지되는 광신호를 전기적 신호를 변환한 뒤, 전기적 신호로부터 얻어지는 아날로그 영상신호를 디지털 데이터로 변환하는 신호처리부를 포함하여 이루어진다. 이렇게 신호처리부는 촬상장치로부터 수신된 광신호를 상술한 바와 같은 과정을 통해 영상정보를 획득한다. 물체인식부에서는 영상정보에서 유리, 플라스틱 재질인지 판별하고 저장부에서 다양한 유리 및 플라스틱 재질의 재활용 폐기물의 조직 패턴 정보가 저장되어 있는데, 물체 인식부에서 이러한 정보를 자체 정보, 기울어진 것, 역으로된 것, 약간 각도가 기울진 것 등과 영상정보에 포함된 조직 패턴을 비교하여 영상정보 속의 재활용 폐기물이 유리인지 플라스틱인지 여부를 판별한다. 또한 물체인식부에서 플라스틱인 경우 세부 재질(PE, PET, PS 등) 별로 선별이 가능하며, 유리 재질의 경우 세부 색상(갈색, 흰색, 초록생) 별로 선별이 가능하다.

객체 인지 특허 - 이미지분석 기반의 혼합 고철 폐기물 분류 및 거래비용 산출 장치 및 방법 (출원번호 : 10-2023-0054904, 특허권자 : 주식회사 예본스틸)

폐콘크리트를 특히, 객체 인지를 이용하여 분류하는 방식을 사용하는 실제 사례는 아직 없다. 그 이유로는 우선 객체 인지가 입력된 데이터의 위치 정보를 반영할 수 없고 이에 폐콘크리트와 이물질을 분류할 수 없기 때문이다. 그러나 비슷한 예로 이미지분석 기법을 활용하여 고철 폐기물을 분류하는 사례가 있다. 이는 객체 인지가 아닌 객체 탐지를 사용한 사례가 있다.
 또한 AI 선별 로봇을 활용하여 혼합폐기물의 고효율 선별 시스템을 적용하기도 한다. 이도 마찬가지로 객체 탐지를 활용한 기술이며 객체 인지의 경우 출력이 원활하게 이루어지지 않는 단점 때문에 이용하지 않고 있다.

시장 분석

표 1. 이미지 분류 및 pH 저감 기술의 SWOT.

 기존 공정에 비해 이미지 분류 및 pH 저감 기술의 강점은 순환골재의 품질 향상과 자원순환에 이바지할 수 있다는 점이다. 기존 공정을 통해 생산된 순환골재의 경우 품질이 나쁘다는 사회적 인식이 강하여 공공건물 이외에는 거의 사용이 되지 않을 만큼 활용도가 낮았다. 그러나 기존 공정에 이미지 분류 및 pH 저감 기술을 추가하였을 때 순환골재의 품질 향상을 이룰 수 있고 이를 통해 공공건물 이외에 다른 곳에서도 쓰일 수 있다. 또한 순환골재의 사용량이 늘게 된다면 최종적으로 자원순환에 이바지할 수 있다.
 이미지 분류 및 pH 저감 기술의 위협이 되는 부분은 순환골재의 사회적 인식과 고품질 순환골재의 필요성이 부족하다는 점이다. 현재 순환골재가 사용되지 않는 가장 큰 이유가 소비자가 가지고 있는 순환골재의 품질에 대한 의문이기 때문에 이러한 사회적 인식을 단기간에 바꾸기 어렵다. 이런 사회적 인식으로 인해 고품질 순환골재를 생산하여도 품질이 떨어진다고 이미 여기고 있는 소비자의 선택을 받지 못할 수도 있다.
 기존 공정에 비해 이미지 분류 및 pH 저감 기술의 약점은 추가 공정 도입에 따른 비용 발생과 알칼리성을 중화하기 위해 투입한 용액, 즉 폐수 처리 설비가 필요하다는 점이 있다. 기존 공정에 추가로 이미지 분류 및 선별 장치를 추가하기 때문에 관리 비용과 운전 비용이 발생하게 된다. 이러한 비용은 기존 순환골재와 가격 경쟁력을 저하시키는 요인이 될 수 있다. 또 순환골재의 알칼리성을 중화하기 위해 투입하는 산성용액을 처리하기 위한 폐수 처리 설비가 필요하다. 이 경우도 비용 증가의 요인이 되며, 폐수의 경우 처리하지 않고 방류한다면 환경오염의 문제가 될 수 있다.
 이미지 분류 및 pH 저감 기술이 잡아야 할 기회에는 노후화된 건물의 증가로 건설폐기물의 증가한다는 점과 정부의 2050 탄소중립 계획에 이바지할 수 있다는 점이 있다. 1980년대 전후로 하여 건설되었던 콘크리트 구조물의 철거 및 재개발 사업 증가로 인해 건설폐기물의 발생량이 증가하는 추세이다. 건설폐기물이 증가하고 있으므로 이를 통해 순환골재의 생산량도 증가할 수 있으며, 고품질의 순환골재 생산을 통해 자원순환에 이바지할 수 있다. 이러한 맥락에서 순환골재의 고품질화를 통한 순환골재의 사용량을 늘려 자원순환 및 정부의 2050 탄소중립 계획에 이바지할 수 있다.

표 2. 이미지 분류 및 pH 저감 기술의 SWOT.

개발과제의 기대효과

기존 공정에 이미지 분류 및 pH 저감 기술을 활용한 순환골재 품질 개선 시스템을 도입했을 때 얻을 수 있는 기술적, 경제적, 사회적 효과를 분석한 결과는 다음과 같다.

기술적 기대효과

 앞서 언급한 이미지 분류 기술과 pH 저감 기술을 통해 증가하는 건설폐기물을 이용한 순환골재의 고품질화를 도모할 수 있다. 이미지 분류 기술의 경우 기존 공정에 존재하는 분류 기술과 결합하여 기존 분류 기술을 통해 제거하지 못한 이물질들을 제거할 수 있는 분류 기술을 만들 수 있을 것으로 생각한다. 또한 pH 저감 기술을 통해 순환골재의 알칼리성을 중화할 수 있다. 앞선 연구와 실험 결과를 통해 산성 물질을 이용하여 순환골재의 알칼리성을 중화하는 방안이 가장 효과적인 것을 알 수 있었다. 따라서 pH 저감 기술로는 산성용액을 이용해 순환골재의 알칼리성을 저감하는 공정을 기존 공정에 추가하고자 한다.
 기존 순환골재 공정에 이미지 분류 기술과 pH 저감 기술을 추가하여 현재 생산되는 순환골재보다 고품질의 순환골재를 생산하는 것이 프로젝트의 목표이다. 기존 공정에 위 기술을 추가하여 고품질의 순환골재를 생산할 수 있게 된다면 현재 공공기관 건물 건설과 성·복토용 등과 같이 제한적으로 사용되는 순환골재가 더 많은 곳에서 쓰일 수 있을 것으로 생각한다.

경제적, 사회적 기대 및 파급효과

건설폐기물 증가에 따른 재자원화 및 골재수급 안정화 측면에서 보자면 순환골재 사용에 대한 중요성은 더욱 커지고 있는데, 순환골재 생산 및 사용과 관련된 흐름은 다음과 같다.

Fig 26. 순환골재 시장의 흐름.

 건설 현장에서 발생하는 폐기물은 건설폐기물 운반업자를 통해 건설폐기물 처리업자(중간처리업체)로 전달되고, 건설폐기물 처리업자는 적정처리 과정을 통해 순환골재를 생산한다. 이렇게 생산된 순환골재는 다시 건설 현상의 수요자에게 공급된다(Fig. 23. 참조).
 한편, 산업 측면에서 녹색경제를 실현하는 핵심축이 녹색산업이라고 할 수 있는데 UNIDO(2011)는 녹색산업을 크게 두 가지 측면, 즉 자원 생산성 향상, 오염 예방 등을 통한 기존 산업의 녹색화와 환경 신기술과 환경 서비스 등을 통한 새로운 녹색시장 창출로 정의하였다.
 건설폐기물의 재활용 및 자원화를 통하여 기존의 산업을 녹색화할 수 있으며, 순환골재라고 하는 녹색자원의 안정적 생산공급을 위해 민간시장(녹색시장) 창출 및 활성화에 기여할 수 있기 때문이다.
 생산된 순환골재의 가치에 대한 직접편익과 부지 매입 및 건설비용, 인건비, 매립·복토비, 침출수 처리비 등의 측면에서 매립 절감에 따른 간접편익이 예상된다. 또한 순환골재의 대체에 따라 천연골재의 생산 비용 저감, 복구 공사 및 하자 보수 비용 저감 등의 측면에서 순환골재의 대체에 따른 간접편익이 발생할 것으로 보인다. 표 3의 편익 중 세부 사항은 표 4에 나타나 있다.

비용 - 편익 분석 결과

표 3. 건설폐기물 재활용의 경제성.

표 4. 건설폐기물 재활용의 경제성 중 편익 세부 사항.

 위 비용-편익 분석은 순환골재의 실질재활용률 향상을 위한 제도개선 방안(한국기술융합연구원, 2013)에서 발췌한 것으로, 2010년 순환골재 가격과 물가 기준으로 작성된 것이다. 본 과제에서는 순환골재 생산과정에서 수선별은 객체 탐지를 활용한 선별로 대체하게 된다. 이에 따라 편익과 비용이 발생하게 되는데 그 항목은 아래와 같다.

표 5. 객체 탐지 기술을 적용한 건설폐기물 재활용의 경제성.

 따라서 기존의 순환골재 생산과정과 객체 탐지 기술을 적용했을 때 편익/비용이 높으면 된다. 이를 계산하는 과정은 아래와 같다. 
 먼저 본 설계과정에서 개발한 모델이 적용될 로봇팔에 대한 정확한 정보가 제공되지 않아, 실제 재활용 쓰레기 선별 로봇에 대한 정보를 활용하였다. 재활용 쓰레기 선별 로봇인 에이테크의 에이트론은 하루 8시간 작동 시, 3년 6개월 정도에 초기 투자 비용을 회수할 수 있다고 한다. 또한 에이트론 속도와 분리의 정확도 측면에서 1대는 작업자 2명을 대체한다고 한다. AI로봇팔의 유지관리 비용은 한달간 2,000,000~3,000,000원이다. 하지만 이는 작업자 2명을 대체하므로 1달간 1,000,000~1,500,000원이라고 볼 수 있다. 이에 따라 표 6과 같이 편익/비용이 1을 넘어 경제성이 타당하다고 볼 수 있다.

표 6. 비용과 시간에 따른 AI 기술 도입 시 노동자 임금으로의 환산.

사회적 효과

플랜트 운전 작업자가 직접 확인하면서 작업을 시행하며, 공정별 중요 점검 지점에 작업 보조자를 배치하여 확인하거나, CCTV 등을 통해 수시로 확인하며, 공정 진행 및 안전 상태를 예의 주시하면서 공정을 진행하고 있다. 이 작업은 상당한 소음과 진동과 분진이 발생하는 업종이며, 중대 재해가 발생하기 쉬운 위험한 환경의 현장이 매우 많다. AI를 적용한 순환골재 분류 방법이므로, 안전사고가 줄어들고, 생산성은 증대할 것으로 보인다. 환경적 측면에서 pH 저감효과가 있어, 토양, 수질환경 및 생태계 영향을 최소화하는 친환경적인 순환골재의 생산이 가능할 것이다. 순환골재 등을 천연골재 대체재로 재활용할 경우 골재채취로 인해 유발되는 산림 및 녹지 훼손을 최소화하는 등 환경보호 효과가 발생할 것으로 기대된다.

기술개발 일정 및 추진체계

개발 일정

표 7. 개발 일정.

구성원 및 추진체계

표 8. 구성원 및 추진체계.

설계

설계사양

pH 저감

 비료를 이용하거나, 마쇄 단계에서 황산을 투입해 중화하는 것과 같이 산성 물질을 이용해 알칼리를 중화하는 여러 방법이 존재한다. 이 중 pH 저감제로 쓰이는 제1인산나트륨의 경우 인체에 무해하고 환경 영향성이 적은 식용 인산나트륨을 물에 해리하여 사용하기에 환경에 악영향을 미치지 않을 것이라 예상하였기 때문에 이번 설계에서 사용하고자 하였다. 제1인산나트륨과 염화암모늄을 사용한 pH 저감 기술의 반응은 아래 식 4와 식 5와 같다.

[식4] 제1인산나트륨 반응식.

[식5] 염화암모늄 반응식.

 요구사항은 크게 제품 요구사항과 기초 요구사항으로 나누었다. 제품 요구사항에는 제품이 필요로 하는 요구사항을 명시하였으며 기초 요구사항에는 제품을 사용하는데 있어서 제품 외적으로 필요한 배경과 기반이 되는 요구사항을 명시하였다.

이미지 데이터 학습

표 9. 설계 요구사항.

  먼저 제품 요구사항으로는 순환골재 데이터 및 이물질 이미지 데이터 확보, 이미지 데이터 처리 능력, 이물질의 정확한 분류가 있다. 순환골재 중 이물질만을 분류하는 인공지능 모델을 구축하기 위해서는 이를 학습시키기 위한 이미지 데이터가 필요하다. 필요한 이미지 데이터는 순환골재와 예상되는 이물질 데이터가 필요하며, 학습의 효율성 및 정확성을 위해 다양한 경우의 수로 조합해야 한다. 예를 들면, 순환골재만 존재하는 이미지, 하나의 종류만 존재하는 이물질 이미지, 다양한 조합으로 구성한 이물질 이미지, 순환골재와 이물질이 혼재되어있는 이미지 등 데이터가 필요하다. 데이터의 양과 질은 전체적인 모델의 성능을 좌지우지하기 때문에 중요도를 ‘상’으로 설정하였다. 
실제 현장에서는 빠른 속도로 순환골재가 연속적으로 투입되기 때문에 이물질 분류를 위해서는 신속한 이미지 데이터 처리능력 확보가 중요하다. 또한 처리능력을 바탕으로 순환골재가 아닌 이물질만을 정확히 분류해야한다. 따라서 이미지 데이터 처리능력과 이물질의 정확한 분류의 중요도를 ‘상’으로 설정하였다.
 기초 요구사항으로는 전처리된 순환골재 및 이물질, 적절한 컨베이어 벨트 속도, 적절한 밀도가 있다. 건설현장에서 전처리되지 않고 투입되는 순환골재 및 이물질들은 크기가 크고 무겁다. 따라서 전처리되지 않은 순환골재 중 이물질을 로봇이 선별하기에는 어려움이 존재한다. 또한 본 설계를 진행함에 따라 전처리되지 않은 순환골재 및 이물질의 이미지 데이터 확보가 어렵기 때문에 인공지능 모델 학습에 어려움이 따른다. 따라서 ‘전처리된 순환골재 및 이물질이’라는 가정사항은 필수적이므로 중요도를 ‘상’으로 설정하였다.
적절한 밀도와 속도는 이물질 분류 성능에 중요한 영향을 미친다. 순환골재의 밀도가 높아 이물질이 순환골재 사이에 껴있거나 가려져 있으면 이물질 분류가 어렵고 빠른 속도로 컨베이어 벨트가 운행되면 모델이 이미지 데이터를 처리하기 전에 이물질이 지나가기 때문에 이물질 분류가 어렵다. 따라서 적절한 밀도와 속도는 모두 이물질 분류 성능에 영향을 미치기 때문에 중요도를 ‘상’으로 설정하였다.
 D와 W의 분류 기준은 설계가 진행됨에 따라 필수적인 요소인지에 따라 구분했다. 1, 2, 3, 4, 6번의 경우의 요구사항이 존재해야 제품 설계 및 공정 구성이 가능한다. 하지만 5번과 같은 경우, 설계 진행 후 적용사항에 따라 생각할 수 있는 문제이므로 D가 아닌 W로 적용하였다.

순환골재 및 이물질 데이터 확보

 순환골재 및 이물질 데이터 확보를 위해서 직접 이미지 데이터를 구성하며 데이터 편차가 발생하지 않게 구글 image에서 이미지 데이터를 추가 확보한다.

Fig 27. 구글 이미지 (좌: 순환골재, 우: 순환골재에 이물질이 혼입).

 또한 데이터의 추가 확보를 위해 기존의 데이터를 활용해 데이터를 증강할 수 있는 aug-mentation 기술을 적용할 수 있다.

이미지 데이터 처리 능력

 실제 현장에서 순환골재와 이물질의 데이터는 이미지 데이터로 제공된다. 따라서 모델을 학습시키고 현장에서 활용하기 위해서는 GPU의 능력이 중요하다. GPU는 비디오 또는 이미지, 즉 픽셀로 이루어진 영상을 처리하는 용도로 탄생했다. 따라서 CPU에 비해 반복적이고 비슷한, 대량의 연산을 수행하며 이를 병렬적으로(Parallel) 나누어 작업하기 때문에 CPU에 비해 속도가 대단히 빠르다. 영상, 렌더링을 비롯한 그래픽 작업의 경우 픽셀 하나하나에 대해 연산을 하기 때문에 연산능력이 비교적 떨어지는 CPU가 GPU로 데이터를 보내 재빠르게 처리한다. 예를 들어, CPU(AMD Ryzen 3 3200G)와 GPU(NVIDIA GeForce RTX 2060 SUPER 8GB memory)의 스펙으로 약 400장의 이미지를 테스트 해본 결과 학습 속도의 차이가 약 20000배 가량으로 측정되었다. 또한 CUDA 및 cuDNN과 같은 GPU 가속 라이브러리를 사용하는 방법도 존재한다.
 위 방법은 하드웨어를 활용한 처리 능력 향상 방법이었다면 Weighted Sum for Pruning(가지치기)라는 소프트웨어적인 접근방법이 존재한다. 이는 중요하지 않은 파라미터를 지워(가지치기)하여 모델의 처리능력을 향상시킨다. 즉, 어떠한 이미지를 인식하고 분류할 때 필요한 가중치들이 존재한다. 이때 중요하지 않은 가중치를 식별하고 이를 제거하여 모델을 재학습하게 되면 연산속도가 증가하게 된다.

Fig 28. 좌: Pruning 모식도, 우: Pruning에 따른 연산속도.

이물질의 정확한 분류

 이물질의 정확한 분류를 위해 실제 현장에서 유입될 것으로 예상되는 이물질의 종류를 파악하고 이를 학습 데이터로 활용해야 한다. 또한 전처리 후 유입되기 때문에 전처리 후의 이물질 또는 순환골재의 형태로 학습 데이터를 구성해야 한다. 이렇게 이물질에 대한 이미지 데이터를 확보하였으면 이를 종류별로 나눈 후 개별 클래스 별로 라벨링을 진행하여 학습 데이터로 활용한다. 유입될 것으로 예상되는 이물질은 건설 현장에서 주로 활용되는 자재와 건설폐기물이 운송될 때 유입될 수 있는 이물질, 순환골재 생산 현장에서 유입될 수 있는 이물질로 구성하였다. 이물질 목록은 아래와 같다.

표 10. 이물질 목록.

 위 목록 중 전처리 후에 유입될 수 있는 이물질만을 선별하여 학습한다. 이는 빨간 글자로 표시하였다.

설계 목적과 목적 계통도

설계 목적 리스트

a. 유지보수비를 절감할 것

b. 천연골재 생산 비용을 절감할 것

c. pH 저감 효율을 높일 것

d. 자동화 공정으로 공정 효율을 높일 것

e. 오염물질 배출을 최소화할 것

f. 일정한 인식률을 만들 것

g. 수익성을 해치지 않을 것

h. 요구 성능을 만족할 것

i. 순환골재 품질을 저하시키지 않을 것

목적 계통도

 위에서 나열한 설계 목적 리스트를 토대로 만든 목적계통도는 다음과 같다.

Fig 29. 목적계통도.

개념설계

pH 저감

 pH 저감을 위해서 제1인산나트륨과 염화암모늄을 사용한다고 하였다. 제1인산나트륨과 염화암모늄의 반응식은 식 4과 5에 있다. 또한 폐콘크리트의 pH 12.15로 논문 조사 결과 알 수 있었다. 또한, 폐콘크리트의 사용기준에 따른 적정 pH는 9.8로 이는 정부 고시에 따랐다. 

사용 저감제 필요량 결정

염화암모늄

 염화암모늄의 경우 식 2와 같이 해리된 수소이온과 수산화이온이 1대 1 당량 반응을 한다.

[식6] 중화반응 반응식.

따라서 필요한 수소이온의 몰수를 아래와 같이 계산할 수 있다.

표 11. [식 6] 반응 몰 수.

 이때 X는 0.01267mol/L의 H+이온이 필요하다. 이를 g 단위로 다음 식 7 같이 환산할 수 있다. 염화암모늄의 경우 중량비 40%와 희석배수 2를 가정하고 곱해 추정하였다. 

[식 7].

제1인산나트륨

  제1인산나트륨의 경우 식 4과 같이 해리된다. 이때 반응식은 아래와 같다.

[식8] 제1 인산나트륨 반응식.

이때 제1인산나트륨은 해리되어 반응한 칼슘이온이 수산화이온이 반응, 1대 2 당량반응을 보인다. 따라서 필요한 칼슘이온의 몰수를 다음과 같이 계산할 수 있다.

표 12. [식 8] 반응 몰 수.

 이때, X는 0.00633mol/L의 H+이온이 필요하다. 이를 염화암모늄과 동일하게 중량비 40%, 희석배수 2를 가정하여 계산하였다.

[식 9].

체적 및 유량 결정

 사용하는 부피의 반응조는 먼저 실험실 규모로 가정하였다. 가용한 순환골재의 양은 총 18kg이고 이 중 1/18인 1kg을 대상으로 설계를 진행하였다. 

체적

체적은 물과 동일하다. 따라서 1L이다

유량(유속)

 유량을 결정하기 위해 유속을 먼저 결정한다. 이때 유속은 manning의 공식을 따른다. 

[식 10] manning 유속 식.

 관(반응조)의 길이는 약 0.5m로 가정하였다. 동수경사는 관의 크기를 고려 대략 1/90으로 설정한다. 이때 경심을 비교하여야 하나, 이를 위해 만관이라 가정하였고, 관을 원형관과 정사각관으로 나눠서 비교하였다. 

표 13. 정사각형관과 원형관 비교.

순환골재 및 이물질 이미지 데이터 확보

 높은 정확도의 모델을 구현하기 위해서는 완성도 높은 학습 데이터가 필요하다. 불완전한 학습 데이터 탓에 모델이 배우지 못한 것을 검출해야 한다면 정확도가 떨어지고, 이는 곧 비즈니스적인 신뢰도 저하로 이어질 수 있다. 딥러닝 기반 객체 분류 모델을 개발하기 위해서는 학습 데이터를 준비하고, 필터링·라벨링(YOLO 모델 한정) 등의 가공 과정이 필요하다. 모델이 잘 배울 수 있도록 중복된 데이터를 제거하거나, 잘못된 데이터는 없는지 꼼꼼히 살펴보는 과정이 필요하다. 또한 학습 데이터가 너무 적을 경우에도 모델의 품질 저하 문제가 발생할 수 있다. 이미지 기반의 자동 객체 인식 시스템 개발 사례들을 참고하면 최소 수백 개에서 수천, 수만, 수십만 개의 데이터가 필요한 것으로 보인다.
  본 과제를 진행하면서 순환골재와 이물질을 분류하기 위해서는 각각의 이미지 데이터 샘플이 필요하다. 위에서 언급했던 예상 유입 가능한 이물질의 종류에서 전처리 후 잔존할 수 있는 이물질에 대하여 추리고, 이에 대한 이미지 데이터와 순환골재 이미지 데이터를 단순한 조합으로 구성하는 것이 아니라, 학습의 효율과 효과를 위해 다양한 조합으로 만들 필요가 있다. 이때 나올 수 있는 경우의 수를 최대한 반영하여야 하며 그 개수도 다양하게 하여야 한다. 이렇게 데이터를 적게는 수백장 많게는 수천장을 만들어야하지만, 본 설계에 앞서 인력의 한계가 존재하기 때문에, 각각 200~300장의 이미지 데이터를 만들 예정이다. 또한 훈련할 데이터가 충분하지 않아서 모델이 오직 학습 데이터에 지나치게 의존해서 다른 데이터에 제대로 반응하지 못하는 현상으로 일반화가 잘 되지 않는 현상인 과적합을 방지하기 위해 data augmentation(데이터 증강) 기술을 활용할 예정이다. 증강 기술에는 아래 그림과 같이, flip, 90° Rotate, Crop, Shear 등의 기술이 있다.

Fig 30. Augmentation Options(Roboflow).

 위 기술들을 활용하여 데이터를 증강할 예정이지만, 증강 기술을 과하게 사용하면 이 또한 모델의 정확도에 영향을 미치기 때문에 적절한 사용이 요구된다.

이미지 데이터 처리 능력

 2016년 6월 27일, 미국 라스베이거스에서 열린 컴퓨터비전 및 패턴인식 학회인 CVPR 2016에서 YOLO가 공개되었다. 워싱턴 대학교 컴퓨터공학부에서 대학원을 다니던 중이었던 조셉 레드몬(Joseph Redmon)이 발표한 이 논문은 2021년 현재 약 2만여 건의 피인용수를 기록하며 공개 당시부터 많은 파장을 불러왔다. 그가 공개한 YOLO에서 상당한 주목을 받았던 특징은 무려 객체 감지를 실시간으로 해낸다는 점이었다. 기존에도 사진을 통해 이미지를 분석하는 알고리즘들이 존재하였으나 정확도를 높일수록 그만큼 동작 시간이 늘어나는 단점을 갖고 있었다. 하지만 YOLO는 높은 정확도를 보여주면서 이미지에 해당 객체에 대해 표시까지 해주는 Mask R-CNN의 경우 아무리 빨라도 5fps의 성능을 나타낸 한편 YOLO의 경우 객체 정확도가 그리 높지 않지만, 실시간에 근접하는 45fps의 성능을 보여준다. 따라서 본 설계에서는 YOLO 모델을 사용할 예정이다. 이 모델에 대해 자세히 설명하자면, 입력 이미지를 S x S 그리드셀로 나눈 다음 각 그리드셀에서 물체의 중앙에 가까운 셀이 객체를 탐지하는 역할을 맡게 된다. 각 그리드셀은 Bounding Box와 객체 속성 클래스에 대한 신뢰도를 추정하고 이를 가지고 이미지에서 객체를 찾아내게 된다. Bounding Box는 중심좌표인 X, Y, 가로, 세로 크기 정보와 신뢰도(Confidence Score) 수치를 가지고 있다. Score는 Bounding Box가 물체를 영역으로 제대로 잡고 있는지와 객체의 속성 클래스를 잘 예측하였는지를 나타낸다. 본 논문에서는 Score를 간단하게 Pr(Object) ∗ IoU로 정의하고 있는데, Pr(Object)는 Bounding Box 안에 물체가 존재할 확률을 나타냅니다. 여기서 IoU는 Bounding Box에 감지된 객체가 실제 Ground Truth와 얼마나 일치하는지를 나타내는데 유용하게 사용되는 방식이다.

Fig 31. YOLO와 다른 모델의 성능지표.

이물질의 정확한 분류

 이물질 분류를 위한 모델은 지도학습과 비지도학습이 존재한다. 지도학습은 모델에게 이미지 데이터에 대한 정보를 제공하여 이를 반복 학습시키는 개념이며 비지도 학습은 데이터에 대한 정보 제공없이 이미지를 입력하면 모델이 각각의 물질에 대한 특징점을 찾아내어 이미지를 분류한다. 본 개념설계를 진행하기에 앞서 비지도학습이 일종인 Anormal Detection(이상치 학습)을 진행해 보았다. Anomaly Detection이란, Normal(정상) sample과 Abnormal(비정상, 이상치, 특이치) sample을 구별해내는 문제를 의미하며 수아랩이 다루고 있는 제조업뿐만 아니라 CCTV, 의료 영상, Social Network 등 다양한 분야에서 응용이 되고 있다. Anomaly Detection은 학습 데이터 셋에 비정상적인 sample이 포함되는지, 각 sample의 label이 존재하는지, 비정상적인 sample의 성격이 정상 sample과 어떻게 다른지, 정상 sample의 class가 단일 class 인지 Multi-class 인지 등에 따라 다른 용어를 사용한다. Supervised Anomaly Detection은 주어진 학습 데이터 셋에 정상 sample과 비정상 sample의 Data와 Label이 모두 존재하는 경우 Supervised Learning 방식이기 때문에 Supervised Anomaly Detection이라 부른다. Supervised Learning 방식은 다른 방법 대비 정확도가 높은 특징이 있다. 그래서 높은 정확도를 요구로 하는 경우에 주로 사용되며, 비정상 sample을 다양하게 보유할수록 더 높은 성능을 달성할 수 있다. 하지만 Anomaly Detection이 적용되는 일반적인 산업 현장에서는 정상 sample보다 비정상 sample의 발생 빈도가 현저히 적기 때문에 Class-Imbalance(불균형) 문제를 자주 겪게 된다. Semi-supervised (One-Class) Anomaly Detection 방식의 가장 큰 문제는 비정상 sample을 확보하는데 많은 시간과 비용이 든다는 것이다. 제조업의 경우를 예를 들면, 수백만 장의 정상 sample이 취득되는 동안 단 1~2장의 비정상 sample이 취득되는 상황이 종종 발생한다. Unsupervised Anomaly Detection은 정상 sample로만 학습하여 비정상 sample을 제공했을 때 이상치를 탐지하는 방법이다. 이는 위에서 언급했던, 개념설계를 진행하기에 앞서 진행해본 방법이며, 소수의 데이터로 진행해보았다.

Fig 32. Unsupervised Defect Segmentation.

 이 방법을 간단히 설명하자면, Autoencoder를 이용하면 데이터에 대한 labeling을 하지 않아도 데이터의 주성분이 되는 정상 영역의 특징들을 배울 수 있다. 이때, 학습된 autoencoder에 정상 sample을 넣어주면 위의 그림과 같이 잘 복원을 하므로 input과 output의 차이가 거의 발생하지 않는 반면, 비정상적인 sample을 넣으면 autoencoder는 정상 sample처럼 복원하기 때문에 input과 output의 차이를 구하는 과정에서 차이가 도드라지게 발생하므로 비정상 sample을 검출할 수 있다. 따라서 본 설계에서도 순환골재만 존재하는 이미지를 Autoencoder를 사용하여 이물질이 혼재되어 있는 이상치를 탐지할 것이라고 예상했다. 하지만 결과는 아래와 같이 도출되었다. 이물질이 혼재되어있는 sample을 정상 sample과 같이 복원하므로 이는 본 설계에 적용하기 어렵다고 판단하여, 직접 데이터에 대한 정보를 제공해주는 지도 학습으로 설계의 방향을 잡았다. 또한 지도 학습의 대표적인 YOLO 모델을 활용할 예정이다.

Fig 33. Unsupervised Anomaly Detection.

YOLO 모델의 종류에는 version 1~8이 존재하며 그 특징은 아래와 같다.

● YOLO v1 (2016): 실시간 객체 검출을 위한 딥러닝 기반의 네트워크

● YOLO v2 (2017): v1에서 성능 개선 및 속도 향상

● YOLO v3 (2018): 네트워크 구조와 학습 방법을 개선하여 Object Detection 정확도와 속도 개선

● YOLO v4 (2020. 04): SPP와 AN 기술을 적용하여 Object Detection 정확도와 속도 개선

● YOLO v5 (2020. 06): 전작보다 정확도 10% 이상 향상, 모델 크기 축소

● YOLO v6 (2022. 07): 훈련 과정의 최적화, Trainable bag-of-freebies 제안

● YOLO v7 (2022. 09) 알고리즘의 효율성 향상, 시스템 탑재를 위한 Quantization과 Distillation 방식 도입

● YOLO v8 (2023. 01): 새로운 저장소를 출시하여 객체 감지, 인스턴스 세분화 및 이미지 분류 모델 Train을 위한 통합 프레임 워크로 구축

Fig 34. MS-COCO(test-dev) mAP(%)와 FPS(V100)을 기준으로 한 YOLO 모델 버전별 비교.

Fig 35. Roboflow 실행 화면.

 흔히 YOLO 버전을 비교할 때는 v5와 최신 버전인 v8 중에서 선택한다. YOLOv5는 객체 검출을 위한 컴퓨터의 기억장치 용량과 CPU 및 GPU의 성능에 따라 선택할 수 있도록, Nano (YOLOv5n), Small (YOLOv5s), Medium(YOLOv5m), Large (YOLOv5l), 그리고 Extra Large(YOLOv5x)와 같은 다섯 가지의 신경망 구조를 제공한다. YOLO v5는 사용이 편리하며, YOLO v8은 더 빠르고 정확하다는 장점이 있다. 궁극적으로 사용할 모델을 결정하는 것은 애플리케이션의 요구 사항에 따라 달라지지만, 대체적으로 실시간 Object Detection 작업이 필요할 경우 YOLO v8을 선택하는 경향이 있다. 정확성이 요구되는 실시간 Object Detection 작업을 필요하므로 본 설계에서는 YOLO v8을 선택하기로 하였다. 또한 YOLO의 모델을 사용하려면 이미지 데이터에 대한 정보 제공(라벨링)이 필요하다. 이는 사용자가 직접 이미지 종류별로 바운딩 박스 처리하여, 그 종류의 이름과 위치값을 설정하는 것이다. 라벨링을 위한 방식으로 Roboflow를 활용할 예정이다. Roboflow란 사용자가 라벨링하기 쉽게 구성한 인터넷 페이지이며, 이는 사용자들끼리 공동작업이 가능하다. 또한 실제 현장에서는 다양한 이물질이 유입될 수 있기 때문에, 초기 현장에서는 이 모델의 정확도가 높지 않을 수 있지만, 지속적으로 현장의 이미지 데이터를 백업하고 학습하여 모델의 정확도를 향상시키도록 한다.

상세설계

본 과제에서 설계하는 순환골재의 이물질 분류 시스템의 개념도는 아래와 같다.

Fig 36. 순환골재의 이물질 분류 시스템 개념도.

 순환골재 생산과정을 설명하자면, 건설현장이나 철거현장에서 건설폐기물이 발생하게 되는데 이때 현장에서 1차적으로 폐콘크리트만을 분리하여 적재한다. 그 후 폐콘크리트를 순환골재 생산업체로 운반하여 본격적인 순환골재를 생산하게 된다. 폐콘크리트가 투입 호퍼를 통해 들어오게 되면 파쇄 및 여러 선별 방법을 통해 이물질을 분리하고 입도별로 순환골재를 분리한다. 하지만 여러 선별 방법을 사용하여도 잔존하는 이물질이 존재할 수 있으며 인력 선별은 인건비 발생, 안전 문제, 선별력이 불규칙하다는 등의 단점이 존재한다. 이러한 문제점을 보완하기 위해 우리는 인공지능을 활용한 이물질 분류 시스템을 제안하였다. 이물질 분류 시스템은 YOLO(You Only Look Once)라는 Object Detection(객체 탐지) 알고리즘을 사용하게 된다. 이는 이미지 데이터가 학습이 완료된 YOLO 모델에 입력되면 순환골재 내의 이물질을 바운딩 박스로 처리하여 인식하고 분류하게 된다. 자세한 모델 개발 절차는 아래 상세 개념도에 제시하였다.

Fig 37. 이물질 분류 시스템 상세 개념도.

 먼저 학습시킬 이미지 데이터 확보를 위해 순환골재를 직접 구매하여 유입이 예상되는 이물질을 순환골재와 함께 두어 실제 순환골재 현장과 유사하게 이미지 데이터를 생성한다. 그 후 Roboflow라는 컴퓨터 비전(Computer Vision) 기술을 이용해 다양한 애플리케이션을 만들 수 있도록 지원해주는 서비스를 활용하여 YOLO 모델 학습에 필요한 데이터셋을 생성한다. 이때 유입이 예상되는 이물질 이미지를 Roboflow를 활용하여 바운딩 박스처리 하여 이물질의 종류와 위치 정보를 나타내준다. 이렇게 생성한 데이터셋을 YOLO 모델에 입력하여 학습시킨 후 이를 순환골재 이물질 분류 시스템에 활용한다.

이론적 계산

 이론적인 수치 부분은 아래 그림 3처럼 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서의 표준화 사양을 참고하였다. 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서에서는 파쇄 과정을 거친 폐콘크리트를 공급해줄 컨베이어의 밸트 폭을 900mm로 설계하였다. 이 수치를 참고하여 이물질 분류 기술을 위한 사진에 사용할 컨베이어 밸트의 폭을 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서 설계 기준의 약 절반 정도인 545mm로 하였다.

Fig 38. 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서 설계 사양.

Fig 39. 컨베이어 밸트(BW545)와 순환골재.

 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서에서 투입한 순환골재의 경우 5mm 이하의 크기를 투입하였다. 이물질 분리 기술을 위해 찍은 사진에서 사용한 순환골재의 경우 평균적으로 약 30~40mm의 크기를 가진 순환골재를 사용하여 균일화된 순환골재가 투입되는 것을 가정하였다.

Fig 40. 이물질 분리 기술을 위해 찍은 사진 데이터에 사용한 순환골재의 크기.

 한국건설기술연구원에서 주관한 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서에서는 1일 8시간 최대 처리량을 240ton/day(30ton/hr)로 설계하였다. 이와 달리 이물질 분리 기술을 위해 찍은 사진의 경우 투입되는 순환골재의 양/컨베이어 밸트 비를 고려하였다. 순환골재의 양/컨베이어 밸트 비율을 계산한 값은 다음과 같다. 

컨베이어 밸트 면적

검은색 4절지를 컨베이어 밸트라 가정한다.

순환골재

 순환골재는 균일한 원모양으로 가정하고 20~40mm 크기의 순환골재가 투입된 것을 가정한다.

20mm

가로에 27개, 세로에 19개 차지 가능하므로 총 513개가 컨베이어 밸트(4절지)에 들어간다.

30mm

 가로에 18개, 세로에 13개 차지 가능하므로 총 234개가 컨베이어 밸트(4절지)에 들어간다.

40mm

가로에 13개, 세로에 9개 차지 가능하므로 총 117개가 컨베이어 밸트(4절지)에 들어간다.

  위에서 계산한 순환골재 투입량/컨베이어 밸트 비를 표로 정리하면 아래 표 9로 정리할 수 있다. 컨베이어 밸트 폭의 1/3, 2/3, 3/3의 3가지로 나눠 각 비에서의 이물질 분리 기술을 위한 사진을 촬영하였다.

표 14. 순환골재 투입량/컨베이어 밸트 비 계산값.

Fig 41. 컨베이어 밸트 폭의 1/3만 차지할 정도로 투입된 순환골재.

 이물질 분리 기술을 위해 폐케이블을 폐콘크리트와 함께 투입된 이물질이라 가정하고 사진을 촬영하였다. 순환골재 생산과정에서 다양한 이물질이 유입될 수 있지만, 유입 가능한 모든 이물질에 대하여 데이터를 생성하기엔 한계가 존재한다. 따라서 건설폐기물 중 유입 가능성이 높고 데이터 생성이 쉬운 폐케이블 폐목재, 폐철근, 폐비닐과 같은 폐기물이 폐콘크리트의 파쇄 과정에서 같이 유입될 수 있다고 가정하였다. 데이터 생성시에 이물질의 최소 크기는 순환골재의 최소직경이 20mm임을 반영하여 최소 20mm로 하였고, 최대 크기는 순환골재 생산과정 외에 외부 유입 가능성을 고려하여 200mm로 하였다.

Fig 42. 순환골재만 있는 경우(좌) 순환골재와 폐케이블이 함께 투입된 경우(우).

이미지 분류를 위한 코딩

  YOLO 모델을 통해 머신러닝 인공지능 학습이 가능하다. 구글 코랩을 사용하여 YOLO 모델을 불러오고 이를 통해 학습 또 노트북이나 컴퓨터의 웹캠을 이용하여 순환골재 속 이물질 확인하고자 하였다.

학습

학습은 구글 코랩을 통해 이루어진다. 먼저 Roboflow를 통해 만든 데이터 셋을 입력하기 위해서 YOLO모델을 설치하여야 한다. 

Fig 43. YOLO 모델 설치.

 해당 코드는 먼저 Roboflow에서 학습한 데이터를 가져온 후, Github에서 YOLO모델을 받아와 구글 코랩에 설치하는 모습이다. YOLO 모델을 설치하면 YOLO 모델 중 구체적으로 사용할 모델을 다운할 수 있다. 본 설계에서는 모델의 간편함을 위해 YOLO_v5를 사용하였다.

Fig 44. YOLO_v5 모델 설치.

 그림과 같이 YOLO_v5를 설치하면 학습시킬 데이터를 불러와 학습시킬 수 있다. 이때 학습량, 이미지의 크기, 분획 등을 설정할 수 있으며 구체적인 설명은 아래와 같다. ‘img’는 이미지의 크기, ‘batch’는 분획 횟수, ‘epoch’는 반복학습 횟수 등에 해당된다. 또한 아래 그림에선 concrete_yolo5s라는 폴더를 생성 후 저장하고자 하였다.

Fig 45. YOLO_v5 데이터 학습.

 학습된 결과는 원하는 이미지를 업로드 후 확인할 수 있다. 본 학습은 순환골재 속 전선과 같은 케이블을 인식시키고자 하였다. 따라서 학습하지 아니한 사진 1개를 넣고 그 결과를 바라보았다.

Fig 46. YOLO_v5 데이터 결과.

학습 결과

 따라서 위와 같은 코드로 학습 결과를 확인하면 아래와 같은 이미지를 얻을 수 있다. 

Fig 47. 학습 결과.

Fig 48. 모델 학습 전후.

 모델의 결과지표는 양호했다. 바운딩 박스를 설정한 것에서 손실이 적게 나타났고 케이블의 가중치 또한 빨간색으로 원활하게 인식하고 있다. 
 학습 결과 학습하지 않은 사진을 모델에 입력하고, 전후를 비교해 보았다. 케이블을 양호하게 인식하고 있으며, 정확도 또한 0.8 이상으로 폐콘크리트가 순환골재로 재활용되는 비율이 0.6인 것을 감안하면 훌륭한 수치이다. 따라서 해당 방법을 사용하여 차후에는 폐케이블 이외에도 폐목재, 폐플라스틱, 폐비닐 등과 같은 다른 이물질을 학습하고 이를 출력하고자 한다.
 본 설계에서 생성한 이물질 데이터 외의 다른 종류, 다른 모양이 유입될 경우 이물질을 인식하지 못하는 문제점이 발생할 수 있다. 이러한 문제점은 현장에서 다른 종류, 다른 모양의 이물질이 발견될 경우, 지속적으로 그 이물질에 대한 데이터를 모델에 업데이트하여 해결할 수 있다. 실제로 재활용 분리 과정에서 사용되고 있는 AI 로봇은 약 40만 건의 빅데이터를 활용하여 플라스틱만을 선별하고 있으며 학습된 데이터 외의 플라스틱이 유입될 경우 이를 반영하여 모델을 업데이트하여 그 정확도를 개선하고 있다. 이물질을 지속적으로 업데이트하는 개념도는 아래 Fig 50에 나타내었다.

Fig 49. 서울 도봉구 자원순환센터에서 인공지능 선별 로봇.

Fig 50. 이미지 데이터 업데이트 기능을 반영한 순환골재 이물질 분류 시스템.

이론적 피드백

에이트테크 - 에이트론

Fig 51. 에이트론 모델 정보.

 에이트테크에서 제시하는 AI 활용 재활용품 분류 로봇 에이트론은 컨베이어벨트에 쏟아져 나오는 재활용품들을 일일이 수작업으로 분류했던 과정을 자동화해, 비전(vision)센서로 재활용품을 시각적으로 인지하고 인공지능 알고리즘을 통해 종류 및 특징을 분석하고, 이를 로봇팔을 이용해 자동으로 분류한다. 크게 두 가지 지능으로 구성되어 있는데, 플라스틱을 인식하고 분석하는 기능과 분석된 내용을 바탕으로 흡착기가 달린 로봇팔을 통해 재활용품을 분류하는 선별 기능, 이렇게 두 가지 기능이다.

ACI – Dr. B, the Sorting Robot

Fig 52. Dr. B 모델 (좌: Dr. B 델타로봇, 우: Dr. B 아티로봇).

 선별대상물 규격이 300mm 이하인 경우 빠른 속도로 선별할 수 있는 로봇인 Dr. B 델타로봇과 속도는 비교적 느리지만 유리병, 전자제품 등과 같이 선별대상물의 규격이 혼재된 경우 다양한 규격의 폐기물 선별에 적합한 Dr. B 아티로봇 로봇이 있다. 카메라를 이용하여 컨베이어를 이동하는 폐기물을 종류별로 인식하고 선택한 폐기물을 로봇팔을 통해 선별한다.

AMP Robotics – AMP Cortex

Fig 53. AMP Cortex 모델.

  AMP Cortex는 카메라 시스템인 AMP Vision이 컨베이어 벨트의 영상을 AI 플랫폼인 AMP Neuron에 공급하면 AMP Neuron은 물체를 식별하고 로봇 팔에 물건을 잡고 분류하도록 지시하는 고속 로봇 선별 시스템이다. ABB 및 Omron에서 제작한 기성품인 로봇 팔을 구매하여 사용하는 것으로 알려져 있다. 분당 80개 이상의 부품을 분류하고 2교대로 최대 4명의 사람을 대체한다. 인건비는 ~$30-50K이므로 상쇄 인건비로 인한 비용 절감은 잠재적으로 연간 ~$120-200K이다. 2020년 기준 로봇 가격은 로봇당 30만 ​​달러이다. 월 6,000달러에 로봇의 임대도 가능하다.

ZenRobotics – Heavy Picker

Fig 54. Heavy Picker 모델 정보.

 ZenRobotics Recycler(ZRR)은 건축 자재를 컨베이어 벨트에서 분리하고, 재활용 가능한 자재를 뽑아 쓰레기통에 넣어 수거하는 지능형 로봇 시스템이다. Heavy Picker는 인공지능을 활용해 최대 1.5m 크기의 건설 및 철거 폐기물, 상업용 및 산업 폐기물 중 플라스틱, 금속, 목재 등 대형 물질을 분류할 수 있는 다목적 폐기물 분류 로봇이다.

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

Fig 55. 완료 작품 사진.

포스터

Fig 56. 발표 포스터.

평가 및 향후 계획

표 15. 평가 중요도.

표 16. 설계 평가.

 이미지 분류 기술을 실제로 구현하기 위해서 찍은 사진과 코딩에서는 폐케이블과 폐목재만 활용하였다. 그러나 파쇄된 폐콘크리트와 함께 투입되는 이물질에는 폐플라스틱, 폐비닐, 폐철근 등이 존재하기 때문에 이후 이러한 폐기물들 또한 데이터셋 제작과 코딩 작업을 통해 이미지 분류 기술을 추가로 적용할 예정이다. 또 순환골재와 폐기물이 유입되는 방식이 무수히 많기 때문에 객체 인식 기술이 이에 대응할 수 있고 학습시키는 데이터의 정확도를 높일 수 있도록 데이터를 늘리는 작업도 진행할 예정이다.
 그리고 실제 현장에 객체 탐지 기술을 이용한 이물질 분류 기술을 대입하기 위해서는 이물질을 탐지한 이후 이물질을 선별하여 분리하는 과정이 필요하다. 프로토 타입 제작 결과물에는 이러한 분리 과정이 설계되어 있지 않았기 때문에 실제 현장에 도입하기 전 어떠한 방식으로 객체 인지를 통해 선별한 이물질을 분리할지 설계할 필요가 있다. 현재 자원순환센터에서 플라스틱을 분리하는데 사용하는 로봇팔이 대표적인 분리 방식이며 순환골재 내 이물질을 분리하는데도 로봇팔을 사용할 예정이다. 자원순환센터에서 로봇팔을 이용하여 플라스틱을 선별 후 분리하는 모습은 Fig 49에 나타나 있다.

부록 및 참고 문헌

부록

!curl -L "https://app.roboflow.com/ds/K9Si2OXvOa?key=PpEYq3BGTk" -o roboflow.zip && unzip roboflow.zip && rm roboflow.zip !git clone https://github.com/ultralytics/yolov5.git %cd yolov5 ! pip install –r requirements.txt !python train.py --img 416 --batch 1000 --epochs 5 --data /content/data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt —name cable_yolov5s_results !python detect.py --weights ./runs/train/cable_yolov5s_results/weights/best.pt --conf 0.5 —source /M2.jpg python detect.py --weights best.pt --conf 0.5 --img 1080 —source 0

참고 문헌

[1] 콘크리트용 순환골재의 문제점 및 대책. 콘크리트학회지 Vol.32 No.4 (2020): 28-33

[2] 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서. 국토교통부 국도교통과학기술진흥원(2019)

[3] 콘크리트용 순환골재 품질기준. 한국콘크리트학회 학술대회 논문집 Vol.2005 No.5 (2005): 101-114

[4] 콘크리트용 순환골재의 기술 개발 현황. 콘크리트학회지 Vol.19 No.4 (2007): 34-41

[5] 김영목, 김성백(2016). 10-1685025, 대한민국특허청(KR):등록특허공보

[6] Recycled aggregate concretes; A state-of-the-art from the microstructure to the structural performance. Construction and Building Materials Vol.257, No.4 (2020): 119-522

[7] 순환골재 활성화 방안 연구, 한국건설기술연구원, 2014.12.

[8] https://www.etnews.com/20180704000489

[9] e 누리지표 - 생활, 사업장(일반, 건설) 폐기물 발생 및 처리현황

[10] 건설폐기물의 재활용 촉진에 관한 법률 제2조제7호의 규정

[11] 순환골재의 이물질 제거 및 알카리 저감장치, 이세현, 송태협, 이종찬

[12] 탄산화반응 순환골재의 pH저감특성에 대한 실험적 연구 – 한국 폐기물 순환학회

[13] 중성화 촉진제 및 회수식 탄산수를 이용한 중성화 촉진 성능을 가진 이산화탄소 가스에 의한 순환골재의 중성화 장치 - 1020090111580 (2009.11.18.)

[14] 습식 순환골재의 생산공정에 적용 가능한 pH 저감제의 성능 검토,최종구, 이건철, 15-12, 2015

[15] 2021 순환골재 및 순환골재 재활용제품 우수활용 사례집, 환경부, 한국건설자원협회 등

[16] 순환골재 콘크리트 실무지침, 대체골재콘크리트위원회, 김진근, 2019. 12

[17] 최중구, 이건철. "습식 순환골재의 생산공정에 적용 가능한 pH 저감제의 성능 검토." 한국건설순환자원학회논문집 3.4 (2015): 366-373.

[18] 김진만, 김하석, 박선규, 김봉주, 곽은구. "황산수를 사용한 저속 습식 마쇄법에 의한 순환잔골재의 최적 마쇄조건." International Journal of Concrete Structures and Materials 20, no. 5 (2008): 557-63.

[19] 한국건설기술연구원, 순환골재의 이물질 제거 및 알카리 저감장치, 대한민국, 10-1269904 (2013)

[20] 한민철, 한동엽. "성복토용 순환잔골재의 PH 저감방법에 관한 연구." 한국건축시공학회지 17.1 (2017): 23-30. Web.

[21] https://www.pexels.com/search/dog/)

[22] https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Object-Detection

[23] Zou et al. 2019. Object Detection in 20 Years: A Survey

[24] Girshick et al. 2014. Rich feature gierarchies for accurate object detection and semantic segmentation

[25] Ren et al. 2016. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

[26] Redmon et al. 2016. You Only Look Once: Unified, Real-Time Object Detection

[27] 한국쓰리알환경산업(주), 폐기물 재활용 분류 시스템, 대한민국,

[28] 아마존,구글 – 딥러닝 서비스

[29] 인공신경망을 이용한 공대지 유도폭탄의 투하가능영역 산출 - 김성균, 박정호, 박상혁, 이승필, 김길훈 – 283-289(2018)

[30] Tabian, Iuliana, Hailing Fu, and Zahra Sharif Khodaei. 2019. "A Convolutional Neural Network for Impact Detection and Characterization of Complex Composite Structures" Sensors 19, no. 22: 4933. https://doi.org/10.3390/s19224933

[31] Date, P., Potok, T. Adiabatic quantum linear regression. Sci Rep 11, 21905 (2021). https://doi.org/10.1038/s41598-021-01445-6

[32] 이미지분석 기반의 혼합 고철 폐기물 분류 및 거래비용 산출 장치 및 방법 – 10-2577303 - 주식회사 예본스틸

[33] AI선별 로봇을 활용한 혼합폐기물 고효율 선별 시스템 – AETECH

[34] 한국건설기술연구원, 촉진탄산화 반응을 이용한 순환골재 제조방법, 대한민국, 10-0950099 (2010)

[35] 김현노, 조일현, 류환희. “순환골재 관련 환경규제의 효과성 및 경제적 파급효과 분석” 환경정책 제30권 제4호 (2022): 237-61.

[36] 김종복, AI 적용 파쇄 및 선별 시스템과 이를 이용한 순환골재 생산방법, 대한민국, 10-2023-0139398 (2023)

[37] 환경부 자원순환국, 국토부 건설정책국, 한국건설자원협회, 2021년 순환골재·순환골재 재활용제품 우수활용사례집 (2021): 55-56.

[38] 한국기술융합연구원, 순환골재의 실질재활용률 향상을 위한 제도개선 방안 (2013)

[39] 최중구, 이건철. "습식 순환골재의 생산공정에 적용 가능한 pH 저감제의 성능 검토." 한국건설순환자원학회논문집 3.4 (2015): 366-373.

[40] 이용수, 조재범, 현재혁, 정하익, 정형식. “ 폐콘크리트에 대한 구리와 납의 중금속 흡착 특성 ” 한국토양지하수학회 발표논문집

[41] 환경부고시 - 건설폐기물의 처리 등에 관한 업무처리지침 [42] https://hoya012.github.io/blog/anomaly-detection-overview-1/

[43] https://blog.naver.com/jjunsss/222360843907

[44] 양인철, 전우훈(한국건설기술연구원 도로교통연구본부). 딥러닝 기반 도로위험객체 인식 시스템 성능 향상 방법 개발. 한국산학기술학회논문지 제23권 제11호, 2022

[45] 박승훈, 김중헌. 딥러닝 모델을 위한 데이터 증폭 기법에 관한 동향. 고려대학교

[46] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).

[47] 고품질 순환골재 생산 및 콘크리트 활용기술 개발 최종보고서(2019). 국토교통부, 국토교통과학기술진흥원.

[48] 순환골재 ⦁순환골재 재활용제품 우수활용사례집 국가⦁지자체⦁공공 및 민간(2017). 환경부, 국토교통부, 한국건설자원협회.

[49] You Only Look Once Unified, Real-Time Object Detection(2015). University of Washington, Allen Institute for AI, Facebook AI Research. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi.

[50] AI로봇이 쓰레기 58가지 분류…빛·바람도 선별작업(2022). 한겨례. 김민제

[51] Liu H, Zhou L, Zhao J, Wang F, Yang J, Liang K, Li Z. Deep-Learning-Based Accurate Identification of Warehouse Goods for Robot Picking Operations. Sustainability. 2022; 14(13):7781. https://doi.org/10.3390/su14137781

[52] 백승렬 울산과학기술원 인공지능대학원 교수, 지능 로봇을 활용한 물류 시스템에서 시각처리 기술 기반 정확한 창고 물품 인식 기술, 2022.11.01 . [53] 강광욱 Salisbury University, 아산 기업가정신 리뷰(AER) - 스타트업 케이스 스터디 : AI와 로봇 기술로 폐기물 재활용 산업의 변화를 꾀한다-도시광산을 꿈꾸는 에이트테크, 2023.10.19., https://zrr.kr/wWKN

[54] 에이트테크 공식 사이트. http://aetech.co.kr/Atron

[55] ACI 공식 사이트. http://www.acientech.com/bbs/content.php?co_id=product06_11

[56] YAHBOOM DOFBOT AI 비전 로봇 팔 사용자 가이드. https://zrr.kr/FEU1[57] Zenrobotics 공식 사이트 제품 설명.

[58] AMP Robotics 공식 사이트. https://zrr.kr/hi99

[59] Omron 공식 사이트. https://unchainedrobotics.de/en/products/robot/omron-tm14