特表 2024-510084 暗色および黒色のプラスチックの分別

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-03-06

(54)【発明の名称】暗色および黒色のプラスチックの分別

(51)【国際特許分類】

   B07C 5/342 20060101AFI20240228BHJP

   B29B 17/02 20060101ALI20240228BHJP

   B09B 5/00 20060101ALI20240228BHJP

【ＦＩ】

B07C5/342

B29B17/02 ZAB

B09B5/00 Q

B09B5/00 Z

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023547806

(86)(22)【出願日】2022-02-08

(85)【翻訳文提出日】2023-10-06

(86)【国際出願番号】 US2022015693

(87)【国際公開番号】W WO2022170273

(87)【国際公開日】2022-08-11

(31)【優先権主張番号】63/146,892

(32)【優先日】2021-02-08

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/173,301

(32)【優先日】2021-04-09

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＰＹＴＨＯＮ

２．ＴＥＮＳＯＲＦＬＯＷ

３．ＪＡＶＡ

(71)【出願人】

【識別番号】520417713

【氏名又は名称】ソルテラ・テクノロジーズ・インコーポレイテッド

(71)【出願人】

【識別番号】507082644

【氏名又は名称】バッテル・エナジー・アライアンス・エルエルシー

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】ナリン・クマール

(72)【発明者】

【氏名】マヌエル・ジェラルド・ガルシア・ジュニア

(72)【発明者】

【氏名】イシャ・カムレシャバイ・マウン

(72)【発明者】

【氏名】ジェフリー・エー・レイシー

(72)【発明者】

【氏名】ロレンツォ・ヴェガ・モントト

【テーマコード（参考）】

3F079

4D004

4F401

【Ｆターム（参考）】

3F079AB00

3F079CA32

3F079CB25

3F079CB33

3F079CC02

3F079CC03

3F079CC04

3F079DA12

4D004AA07

4D004AA46

4D004AB10

4D004BA07

4D004CA07

4D004DA16

4F401AA09

4F401AA10

4F401AA11

4F401AA13

4F401AA17

4F401AA22

4F401AA23

4F401AA24

4F401AA25

4F401AA27

4F401AB10

4F401BA13

4F401CA22

4F401CA43

4F401CA44

4F401CB33

4F401DB01

(57)【要約】

視覚システム、または１つまたは複数の中波長赤外線カメラで実装された１つまたは複数のセンサシステムを利用して、暗色および／または黒色のプラスチック材料を分類および分別するためのシステムおよび方法であり、捕捉された画像データは機械学習システム内で処理され、各材料を識別または分類し、各材料はその後、そのような識別または分類に基づいて別のグループに分別され得る。

【特許請求の範囲】

【請求項1】

材料混合物を取り扱うためのシステムであって、
前記材料混合物のＭＷＩＲ画像データを生成するように構成された中波長赤外線（「ＭＷＩＲ」）カメラと、
機械学習システムを通じて前記材料混合物の前記ＭＷＩＲ画像データを処理することによって、前記材料混合物の特定のものを暗色プラスチック片を含むものとして分類する知識ベースを備えて構成された前記機械学習システムを含むデータ処理システムであって、前記知識ベースには、暗色プラスチック片を認識するように訓練された、事前に生成されたパラメータのライブラリが含まれている、データ処理システムと、
を備える、システム。

【請求項2】

前記暗色プラスチック片が黒色プラスチック片である、請求項１に記載のシステム。

【請求項3】

前記ＭＷＩＲカメラを通過させて前記材料混合物を搬送するように構成されたコンベヤシステムと、
前記材料混合物の特定のものの分類に応じて、前記材料混合物から前記材料混合物の分類された特定のものを分別するように構成された分別装置と、
をさらに備える、請求項２に記載のシステム。

【請求項4】

前記事前に生成されたパラメータのライブラリが、ＭＷＩＲカメラを通過して搬送された際の黒色プラスチック片の均質なサンプルのセットから捕捉されたＭＷＩＲ画像を用いて訓練されている、請求項２に記載のシステム。

【請求項5】

前記事前に生成されたパラメータのライブラリが、ＭＷＩＲカメラを通過して搬送された際の暗色プラスチック片の均質なサンプルのセットから捕捉されたＭＷＩＲ画像を用いて訓練されている、請求項１に記載のシステム。

【請求項6】

前記機械学習システムが人工知能ニューラルネットワークを備え、前記パラメータがニューラルネットワークパラメータである、請求項１に記載のシステム。

【請求項7】

前記ＭＷＩＲ画像データが、前記材料混合物のＭＷＩＲ分光画像化の結果として生成される、請求項２に記載のシステム。

【請求項8】

前記暗色プラスチック片は、ＮＩＲ分光法を使用して識別できない、請求項１に記載のシステム。

【請求項9】

暗色プラスチック片を含む材料混合物を取り扱う方法であって、
前記材料混合物のＭＷＩＲ画像データを生成するステップと、
暗色プラスチック片に関するＭＷＩＲ分光特性の事前に生成されたライブラリを含む知識ベースを備えて構成された機械学習システムを通じて前記ＭＷＩＲ画像データを処理するステップと、
前記機械学習システムを使用して、前記材料混合物の前記ＭＷＩＲ画像データの処理に応じて、前記材料混合物の特定のものに暗色プラスチック片を含むものとして分類を割り当てるステップと、
を含む、方法。

【請求項10】

前記ＭＷＩＲ画像データを生成するように構成されたＭＷＩＲカメラを通過させて前記材料混合物を搬送するステップと、
前記分類に応じて前記混合物から前記材料混合物の特定のものを分別するステップと、
をさらに含む、請求項９に記載の方法。

【請求項11】

前記ＭＷＩＲ分光特性の事前に生成されたライブラリは、ＭＷＩＲカメラを通過して搬送されるときに、暗色プラスチック片を含む材料片の均質なサンプルのセットのＭＷＩＲ画像を捕捉するように構成された前記ＭＷＩＲカメラによって捕捉される、請求項９に記載の方法。

【請求項12】

前記暗色プラスチック片が黒色プラスチック片である、請求項１０に記載の方法。

【請求項13】

前記ＭＷＩＲ分光特性の事前に生成されたライブラリは、ＭＷＩＲカメラを通過して搬送されるときに、黒色プラスチック片を含む材料片の均質なサンプルのセットのＭＷＩＲ画像を捕捉するように構成された前記ＭＷＩＲカメラによって捕捉される、請求項１２に記載の方法。

【請求項14】

前記機械学習システムが人工知能ニューラルネットワークを備え、パラメータがニューラルネットワークパラメータである、請求項１３に記載の方法。

【請求項15】

前記ＭＷＩＲ画像データが、前記材料混合物のＭＷＩＲ分光画像化の結果として生成される、請求項１２に記載の方法。

【請求項16】

前記黒色プラスチック片は、ＮＩＲ分光法を使用して識別できない、請求項１２に記載の方法。

【請求項17】

実行されると、暗色プラスチック片を含む分離可能な材料の不均一混合物を取り扱う方法を実行する、コンピュータ可読記憶媒体に記憶されたコンピュータプログラム製品であって、
ＭＷＩＲカメラで捕捉された、前記材料の不均一混合物のそれぞれのＭＷＩＲ画像データを受信することと、
機械学習システムによる前記ＭＷＩＲ画像データの処理に基づいて、前記機械学習システムを使用して、前記材料の不均一混合物の特定のものに暗色プラスチック片を含むものとして分類を割り当てることであって、前記分類が、暗色プラスチック片の１つまたは複数の例について事前に生成された分類から作成された知識ベースに基づく、割り当てることと、
を含む、コンピュータプログラム製品。

【請求項18】

前記知識ベースには、前記暗色プラスチック片の前記１つまたは複数の例のＭＷＩＲ画像を捕捉するように構成されたＭＷＩＲカメラによって捕捉された、観測されたＭＷＩＲ分光特性のライブラリが含まれている、請求項１７に記載のコンピュータプログラム製品。

【請求項19】

自動分別装置が前記不均一混合物から前記材料の不均一混合物の前記特定のものを前記分類に応じて分別できるように、前記分類に関する情報を前記自動分別装置に送信することをさらに含む、請求項１８に記載のコンピュータプログラム製品。

【請求項20】

前記暗色プラスチック片が、黒色プラスチック片である、請求項１９に記載のコンピュータプログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、米国仮特許出願第６３／１４６，８９２号および米国仮特許出願第６３／１７３，３０１号に対する優先権を主張する。本出願は、米国特許出願第１７／４９５，２９１号の一部継続出願であり、同出願は米国特許出願第１７／４９１，４１５号（米国特許第１１，２７８，９３７号として発行）の一部継続出願であり、同出願は米国特許出願第１７／３８０，９２８号の継続であり、同出願は米国特許出願第１７／２２７，２４５号の一部継続出願であり、同出願は米国特許出願第１６／９３９，０１１号の一部継続出願であり、同出願は米国特許出願第１６／３７５，６７５号（米国特許第１０，７２２，９２２号として発行）の継続出願であり、同出願は米国特許出願第１５／９６３，７５５号（米国特許第１０，７１０，１１９号として発行）の一部継続出願であり、同出願は米国仮特許出願第６２／４９０，２１９号に対する優先権を主張するものであり、同出願は米国特許出願第１５／２１３，１２９号（米国特許第１０，２０７，２９６号として発行）の一部継続出願であり、これらはすべて参照により本明細書に組み込まれる。本出願は、米国特許出願第１７／４９１，４１５号の一部継続出願でもあり、同出願は米国特許出願第１６／８５２，５１４号の一部継続出願であり、同出願は米国特許出願第１６／３５８，３７４号（米国特許第１０，６２５，３０４号として発行）の分割出願であり、同出願は米国特許出願第１５／９６３，７５５号（米国特許第１０，７１０，１１９号として発行）の一部継続出願である。

【0002】

政府によるライセンス権
本開示は、米国エネルギー省から授与された助成金番号ＤＥ－ＡＲ００００４２２に基づく米国政府の支援を受けて行われた。米国政府は本開示に関して特定の権利を有し得る。

【0003】

本開示は、一般にプラスチックの分別に関し、特に、都市廃棄物または産業固形廃棄物からの暗色および黒色のプラスチックの分別に関する。

【背景技術】

【0004】

このセクションは、本開示の例示的な実施形態に関連する可能性のある技術の様々な側面を紹介することを目的としている。この議論は、本開示の特定の態様のより良い理解を促進する枠組みを提供するのに役立つと考えられる。したがって、このセクションはこの観点から読まれるべきであり、必ずしも先行技術を認めるものではないことを理解されたい。

【0005】

リサイクルとは、ゴミとして捨てられるはずの材料（例えば、廃棄物の流れなど）を収集して処理し、新しい製品に変えるか、少なくともより適切な廃棄を可能にする処理である。埋め立て地に送られる廃棄物の量が減り、木材、水、鉱物などの天然資源が節約され、国内の材料源を活用することで経済的安全性が高まり、新しい原材料を収集する必要性が減ることで汚染が防止され、エネルギーが節約されるため、リサイクルは地域社会と環境に利益をもたらす。収集後、リサイクル可能物は材料回収施設（「ＭＲＦ： ｍａｔｅｒｉａｌ ｒｅｃｏｖｅｒｙ ｆａｃｉｌｉｔｙ」）に送られ、分別、洗浄され、製造に使用できる材料に加工され得る。その結果、高度に混合された廃棄物の流れを経済的に分別する高スループットの自動分別プラットフォームは、様々な業界全体に有益となるであろう。したがって、混合産業廃棄物または都市固形廃棄物の流れを高スループットで識別、分析、分離し、その後の処理のために高品質の原料（微量汚染物質のレベルが低い場合もある）を経済的に生成できる、費用対効果の高い分別プラットフォームが必要である。通常、ＭＲＦは多くの材料を区別できないため、分別された材料が低品質で低価格の市場に限定されるか、時間がかかりすぎ、労働集約的で非効率的であるため、経済的にリサイクルまたは回収できる材料の量が制限される。

【0006】

都市固形廃棄物（「ＭＳＷ： Ｍｕｎｉｃｉｐａｌ Ｓｏｌｉｄ Ｗａｓｔｅ」）は、家庭、商業、産業の発生源を含む廃棄物の流れを指す広義の用語である。これらの各カテゴリには、何千もの異なる材料や製品がある。ＥＰＡは、２０１７年に２億６，７８０万トンのＭＳＷが発生したと報告した。３，５３７万トン、またはそのＭＳＷの総重量の１３．２％がプラスチックで構成されていた。３，５３７万トンのプラスチックのうち、２９６万トン（８．４％）がリサイクルされ、５５９万トン（１５．８％）がエネルギー回収により燃焼され、２，６８２万トン（７５．８％）が埋め立てられた。プラスチックのさらなるリサイクルが必要であることは明らかである。

【0007】

プラスチックリサイクルとは、プラスチック廃棄物を再処理して新しく有用な製品を作ることである。ほとんどすべてのプラスチックは非生分解性であり、環境中に蓄積されるため、リサイクルが必要である。現在、ほとんどすべてのリサイクルは、使用済みプラスチックを再溶解して新しいアイテムに再生することによって行われている（いわゆる機械的リサイクル）。これは化学レベルでポリマーの劣化を引き起こす可能性があり、また、再処理する前にプラスチック廃棄物を色とポリマーのタイプの両方で分別する必要があり、これは複雑で高価である。これに失敗すると、材料の特性が不安定になる可能性があり、業界にとって魅力的ではない。原料リサイクルとして知られる代替アプローチでは、プラスチック廃棄物を元の化学物質に戻し、その後再処理して新しいプラスチックに戻すことができる。これにより、より大きなリサイクルが期待できるが、エネルギーコストと資本コストが高くなる。プラスチック廃棄物は、エネルギー回収の一環として化石燃料の代わりに燃やすこともできる。

【0008】

現在、一部のプラスチックのみがリサイクル可能である。プラスチックがリサイクルされる場合、通常は様々なタイプのプラスチックに分類される。リサイクル率はプラスチックのタイプによっても異なる。いくつかのタイプが一般的に使用されており、それぞれが異なる化学的および物理的特性を持っている。これにより、分別や再処理のしやすさに違いが生じ、回収材の価値や市場規模に影響を及ぼす。プラスチック製の包装および単一の材料で作られた製品（例えば、ポリエチレンテレフタレート（「ＰＥＴ」）、高密度ポリエチレン（「ＨＤＰＥ」）、ポリプロピレン（「ＰＰ」））は、より簡単にリサイクルできる。時にはリサイクル可能なプラスチックまたはほとんどリサイクル可能でないプラスチックには、ポリ塩化ビニル（「ＰＶＣ」）、低密度ポリエチレン（「ＬＤＰＥ」）、直鎖状低密度ポリエチレン（「ＬＬＤＰＥ」）、およびポリスチレン（「ＰＳ」）が含まれる。さらに、プラスチックは限られた回数しかリサイクルできない。

【0009】

最新の単一流ＭＲＦおよびプラスチックリクレーマでは、大量の材料が流入するため、材料を高速で移動および分別できる処理装置が必要である。同時に、最も純粋で汚染の少ない流れから最高の価値が得られる。これらのやや矛盾した目標を達成するために、今日の単一流ＭＲＦおよびリクレーマは、透過または反射のいずれかによる近赤外線（「ＮＩＲ」）の特徴によってプラスチック包装を分別する自動装置を採用している。これらのセンサは外部光源からの光の反射に依存しており、材料の表面しか見ることができない。さらに、このセンサからはポリマー情報のみが捕捉される。例えば、ＮＩＲ分光法では、透明で水色のＰＥＴである＃１ タイプのプラスチックと＃２ ＨＤＰＥを識別できるが、＃１ 着色されたＰＥＴ、＃３ ＰＶＣ、＃４ ＬＤＰＥ、＃５ ＰＰ、＃６ ＰＳ、および、＃７ 多層ポリマー、複合ポリマー、アクリル、ナイロンなどのその他のプラスチックは拒否する。さらに、ＮＩＲ分光法では黒色または暗色の（暗い色素の）プラスチックや、プラスチックでコーティングされた紙や多層包装（ポリマー多層フィルムで作られた）などの複合材料を正確に識別できないため、誤解を招く読み取り値が得られる可能性がある。ほとんどの黒いプラスチックは炭素を使用して着色されている。黒色プラスチックは、自動車産業、電子機器、食品パッケージ、ビニル袋などで広く使用されている。しかし、黒色プラスチックは可視光を吸収するだけでなく、スペクトルの近赤外線部分も吸収するため、ＮＩＲ分光法では見えなくなるという残念な副作用がある。したがって、「密かに」黒いプラスチックは、検出されずにコンベヤの端にある「種々雑多」の容器に送られ、エネルギーとして燃やされるか、埋め立て地に捨てられる。

【0010】

閉ループまたは一次リサイクルでは、廃プラスチックは同様の品質と種類の新しいアイテムにリサイクルされる（例えば、飲料ボトルを飲料ボトルに戻す）。しかし、品質を低下させずにプラスチックを継続的に機械的にリサイクルすることは、ポリマーの累積的な劣化と汚染物質の蓄積のリスクのため、非常に困難である。閉ループのリサイクルは多くのポリマーで研究されてきたが、これまでのところ工業的に成功しているのはペットボトルのリサイクルだけである。

【0011】

開ループまたは二次リサイクル（ダウンサイクルとも呼ばれる）では、プラスチックの品質はリサイクルされるたびに低下するため、材料は永久にリサイクルできず、最終的には廃棄物になる。ペットボトルをフリースやその他の繊維にリサイクルするのは一般的な例であり、ＰＥＴリサイクルの大部分を占める。ポリマー品質の低下は、新製品を製造する際に再生プラスチックと未使用材料または相溶化プラスチックを混合することで相殺できる。

【0012】

熱硬化性ポリマーは溶融しないが、機械的にリサイクルする技術が開発されている。これには通常、材料を小片に粉砕することが含まれ、その後、それをある種の結合剤と混合して新しい複合材料を形成することができる。

【0013】

原料または三次リサイクル（化学的リサイクルとも呼ばれる）では、ポリマーは化学構成要素（モノマー）に還元され、その後、重合して新しいプラスチックに戻すことができる。熱解重合と化学的解重合は２つのタイプの原料リサイクルである。

【0014】

エネルギー回収は、エネルギーリサイクルまたは第四次リサイクルとも呼ばれ、化石燃料の代わりにプラスチック廃棄物を燃やしてエネルギーを生産する。

【0015】

鉄スクラップのリサイクルにおいて、特定の種類のプラスチックを（コークスの代わりに）炭素源として使用できる処理が開発された。粉砕プラスチックは、特定の用途で建設用骨材または充填材として使用され得る。

【0016】

プラスチック廃棄物は、廃棄物エネルギー処理において廃棄物由来燃料（「ＲＤＦ： ｒｅｆｕｓｅ－ｄｅｒｉｖｅｄ ｆｕｅｌ」）として単に燃焼される場合もあれば、最初に化学的に合成燃料に変換される場合もある。ＰＶＣは燃焼すると大量の塩化水素（ＨＣｌ）を生成し、機器を腐食させ、燃料製品の望ましくない塩素化を引き起こす可能性があるため、どちらのアプローチでも、ＰＶＣは除外するか、二塩素化技術を導入して補う必要がある。

【0017】

混合プラスチック廃棄物を解重合して合成燃料を得ることができる。これは出発プラスチックよりも発熱量が高く、より効率的に燃焼できるが、依然として化石燃料より効率は劣る。様々な変換技術が研究されているが、その中で最も一般的なのは熱分解である。熱分解に触媒を使用すると、より明確な、より高い価値の製品が得られる。広く普及している焼却と比較して、プラスチックを燃料にする技術は、プラスチックの収集と分別のコストが高く、生成される燃料の価値が比較的低いため、歴史的に経済的に実行可能になるのに苦労してきた。

【先行技術文献】

【特許文献】

【0018】

【特許文献1】米国特許出願公開第２０２２／００１６６７５号

【非特許文献】

【0019】

【非特許文献1】Ｋｒｉｚｈｅｖｓｋｙ他、「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」、第２５回神経情報処理システム国際会議議事録、２０１２年１２月３～６日、ネバダ州レイクタホ

【非特許文献2】ＬｅＣｕｎ他、「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」、ＩＥＥＥ論文集、電気電子学会（ＩＥＥＥ）、１９９８年１１月

【発明の概要】

【課題を解決するための手段】

【0020】

本開示の様々な詳細な実施形態が本明細書に開示される。ただし、開示された実施形態は本開示の単なる例示であり、様々な代替形態で具体化され得ることを理解されたい。数値は必ずしも正確な縮尺ではなく、特定の構成要素の詳細を示すために、一部の機能が誇張されたり、最小化されたりする場合がある。したがって、本明細書に開示される特定の構造および機能の詳細は、限定として解釈されるべきではなく、本開示の様々な実施形態を使用することを当業者に教示するための代表的な基礎としてのみ解釈されるべきである。

【図面の簡単な説明】

【0021】

【図1】本開示の特定の実施形態に従って構成された分別システムの概略図である。

【図2】機械学習システムの訓練段階中に使用される材料片の制御セットの例示的な表現を示す図である。

【図3】本開示の特定の実施形態に従って構成されたフローチャートを示す図である。

【図4】本開示の特定の実施形態に従って構成された簡略化された概略図である。

【図5】化学的特徴の例を示す図である。

【図6】化学的特徴の例を示す図である。

【図7】本開示の特定の実施形態に従って構成されたフローチャートを示す図である。

【図8】本開示の特定の実施形態に従って構成されたフローチャートを示す図である。

【図9】本開示の特定の実施形態に従って構成されたデータ処理システムのブロック図である。

【発明を実施するための形態】

【0022】

本明細書で使用される場合、「材料」には、金属（鉄および非鉄）、合金、プラスチック（本明細書に開示されている、業界で知られている、または将来新たに作成されるプラスチックを含むが、これらに限定されない）、ゴム、発泡体、ガラス（ホウケイ酸ガラスまたはソーダ石灰ガラス、および様々な色ガラスを含むがこれらに限定されない）、セラミック、紙、ボール紙、テフロン（登録商標）、ＰＥ、束線、絶縁被覆線、希土類元素、葉、木材、植物、植物の一部、繊維、バイオ廃棄物、包装、電子廃棄物、バッテリーと蓄電池、廃車両、鉱山、建設、解体廃棄物、農作物廃棄物、森林残渣、目的栽培の草、木質エネルギー作物、微細藻類、都市部の食品廃棄物、食品廃棄物、有害な化学廃棄物および生物医学廃棄物、建設廃材、農場廃棄物、生物起源の物品、非生物起源の物品、特定の炭素含有量を有する物体、都市固形廃棄物内で見つかる可能性のあるその他の物体、および、本明細書に開示されているセンサ技術のいずれかを含むが、これに限定されない、１つまたは複数のセンサシステム（を含むがこれらに限定されない）によって、相互に区別できる前述のいずれかのさらなるタイプまたはクラスを含む、本明細書に開示される他の任意の物体、物品、または材料、を含むがこれらに限定されない、あらゆる品目または物体が含まれ得る。

【0023】

「材料」には、化学元素、化学元素の化合物または混合物、または化学元素の化合物または混合物の化合物または混合物で構成される任意の品目または物体が含まれ得、化合物または混合物の複雑さは、単純なものから複雑なものまであり得る。本明細書では「元素」とは、本出願の出願日以降に発見される可能性のある元素を含む、元素の周期表の化学元素を意味する。本開示内では、「スクラップ」、「スクラップ片」、「材料」、および「材料片」という用語は同じ意味で使用される場合がある。

【0024】

業界でよく知られているように、「ポリマー」とは、多くの繰り返しサブユニットから構成される非常に大きな分子または高分子で構成される物質または材料である。ポリマーは、自然界に見られる天然ポリマーまたは合成ポリマーであり得る。

【0025】

「多層ポリマーフィルム」は２つ以上の異なる組成から構成され、最大約７．５^－８×１０^－４ｍの厚さを有する場合がある。層は少なくとも部分的に連続しており、好ましくは、ただし任意選択的に、同一の広がりを持っている。

【0026】

本明細書で使用される場合、「プラスチック」、「プラスチック片」、および「プラスチック材料片」という用語（これらはすべて同じ意味で使用され得る）は、１つまたは複数のポリマーおよび／または多層ポリマーフィルムのポリマー組成物を含む、またはそれらから構成される任意の物体を指す。

【0027】

本明細書で使用する「暗色プラスチック」とは、ＮＩＲ分光法では他の明るい色のプラスチックと区別できない、暗色の色素沈着を有する任意のタイプのプラスチック材料を意味する。

【0028】

本明細書で使用する場合、「黒色プラスチック」とは、実質的に黒色の色素沈着を有する任意のタイプのプラスチック材料である。

【0029】

本明細書で使用される場合、「化学的特徴」という用語は、サンプル中の１つまたは複数の特定の元素または分子（ポリマーを含む）の存在を示す、１つまたは複数の分析機器によって生成される固有のパターン（例えば、指紋スペクトルなど）を指す。要素または分子は有機および／または無機の場合がある。このような分析機器には、本明細書に開示されているセンサシステムのいずれかが含まれる。本開示の実施形態によれば、本明細書に開示される１つまたは複数のセンサシステムは、材料片（例えば、プラスチック片）の化学的特徴を生成するように構成され得る。

【0030】

本明細書で使用する「フラクション」とは、本明細書に開示されているプラスチックの様々な分類およびタイプのすべてを含む、有機および／または無機の元素または分子、ポリマーのタイプ、プラスチックのタイプ、ポリマー組成、プラスチックの化学的特徴、プラスチック片の物理的特性（例えば、色、透明度、強度、融点、密度、形状、サイズ、製造タイプ、均一性、刺激に対する反応など）などの任意の特定の組み合わせを指す。フラクションの非限定的な例は、ＬＤＰＥに比較的高い割合のアルミニウムを加えたもの； ＬＤＰＥおよびＰＰに比較的低い割合の鉄を加えたもの； ＰＰに亜鉛を加えたもの； ＰＥ、ＰＥＴ、ＨＤＰＥの組み合わせ； あらゆるタイプの赤色のＬＤＰＥプラスチック片； ＰＶＣを除くプラスチック片の任意の組み合わせ； 暗色プラスチック片および／または黒色プラスチック片； 少なくとも部分的に暗色および／または黒色のプラスチック材料で構成されるプラスチック片； 有機分子と無機分子の指定された組み合わせを含む＃３～＃７タイプのプラスチックの組み合わせ； １つまたは複数の異なるタイプの多層ポリマーフィルムの組み合わせ； 特定の汚染物質や添加剤を含まない特定のプラスチックの組み合わせ； 指定された閾値を超える融点を持つあらゆるタイプのプラスチック； 複数の特定のタイプの任意の熱硬化性プラスチック； 塩素を含まない特定プラスチック； 同様の密度を持つプラスチックの組み合わせ； 同様の極性を持つプラスチックの組み合わせ； キャップが取り付けられていないペットボトル、またはその逆、を含む１つまたは複数の異なるタイプのプラスチック片である。

【0031】

「接触熱分解」には、酸素の不在下で触媒の存在下でポリマー材料を加熱することによるポリマー材料の劣化が含まれる。

【0032】

「所定」とは、予め定められている、または決定されているものを指す。

【0033】

「スペクトル撮像」とは、電磁スペクトル全体の複数の帯域を使用する撮像である。通常のカメラは、可視スペクトルの赤、緑、青（ＲＧＢ）の３つの波長帯域にわたる光を捕捉するが、スペクトル撮像には、ＲＧＢを含むがそれを越える様々な技術が含まれる。スペクトル撮像では、赤外線（例えば、ＭＷＩＲ）、可視、紫外線、および／またはＸ線スペクトル、または上記の組み合わせが使用され得る。スペクトルデータ、またはスペクトル画像データは、スペクトル画像のデジタルデータ表現である。スペクトル撮像には、可視帯域と非可視帯域のスペクトルデータの同時取得、可視範囲外からの照明、または特定のスペクトル範囲を捕捉するための光学フィルタの使用が含まれ得る。スペクトル画像の各ピクセルについて数百の波長帯域を捕捉することも可能である。

【0034】

本明細書で使用される「画像データパケット」という用語は、個々の材料片の取り込まれたスペクトル画像に関するデジタルデータのパケットを指す。

【0035】

本明細書で使用される「識別する」および「分類する」という用語、「識別」および「分類」という用語、およびそれらの派生語は、同じ意味で使用される場合がある。本明細書で使用される場合、材料片を「分類する」とは、その材料片が属する材料のタイプまたはクラスを決定する（すなわち、識別する）ことを意味する。例えば、本開示の特定の実施形態によれば、センサシステム（本明細書でさらに説明する）は、材料を分類するためのあらゆるタイプの情報を収集および分析するように構成することができ、分別システム内で分類を利用して、色、質感、色相、形状、明るさ、重量、密度、組成、サイズ、均一性、製造タイプ、化学的特徴、所定のフラクション、放射性の特徴、光、音、またはその他の信号の透過率、材料片の放射および／または反射電磁放射（「ＥＭ」）を含む、様々な分野などの刺激に対する反応を含むが、これらに限定されない、１つまたは複数の物理的および／または化学的特性（例えば、ユーザ定義可能）のセットに応じて材料片を選択的に分別することができる。本明細書で使用される場合、「製造タイプ」とは、精製処理により形成された金属部品、鋳造（消耗金型鋳造、永久金型鋳造、粉末冶金を含むがこれらに限定されない）された金属部品、鍛造された金属部品、材料除去処理など、のような、材料片が製造された製造処理のタイプを指す。

【0036】

材料のタイプまたはクラス（つまり、分類）はユーザが定義可能であり、既知の材料分類に限定されない。タイプまたはクラスの粒度は、非常に粗いものから非常に細かいものまである。例えば、タイプまたはクラスには、粒度が比較的粗いタイプまたはクラスのプラスチック、セラミック、ガラス、金属、および他の材料、例えば、粒度がより細かいタイプまたはクラスの亜鉛、銅、真鍮、クロム板、アルミニウムなどの様々な金属および金属合金、または、粒度が比較的細かいタイプまたはクラスの特定のタイプまたは色のプラスチック間、が含まれ得る。したがって、タイプまたはクラスは、例えば、異なるタイプのプラスチック（例えば、＃１～＃７のタイプのプラスチック）など、著しく異なる組成の材料を区別するように、または、例えば、特定のプラスチックタイプ（例えば、ＭＷＩＲ分光法で識別／区別できるプラスチックとそうでないプラスチック）に分類され得るプラスチックの異なるサブクラスなど、ほぼ同一の組成の材料を区別するように構成され得る。本明細書で議論される方法およびシステムは、分類される前に組成が完全に不明である材料を正確に識別／分類するために適用できることを理解されたい。

【0037】

本開示の特定の実施形態は、複数のセンサ技術と機械学習システムの融合によってプラスチック分別機能を進歩させる。各センサは狭い範囲の信号しか検出できないため、単一センサの使用からセンサベースの分別技術の限界が生じる。最も一般的な分別機センサのタイプは、渦電流、可視カメラ、Ｘ線透過、近赤外線、および蛍光Ｘ線（「ＸＲＦ」）である。これらを次の表にまとめる。

【0038】

【表1】

【0039】

ただし、ＭＳＷのプラスチック片は、１つまたは複数の有機ポリマー、１つまたは複数の無機要素で構成され得、様々な色、形、サイズがある。これらのプラスチックの例には、ポテトチップスの袋、絞れるジュースの箱、一部の飲料の容器、電子機器の電磁波に敏感なパッケージが含まれる。本開示の特定の実施形態は、これらの異なるタイプのプラスチックをそれらの有機ポリマー組成および／またはそれらの無機元素組成に対処できる独自の分類に分別することを達成できるセンサベースの技術を用いて、この廃棄物の流れから新規なフラクションを生成する。例えば、ポリマーと無機元素の相対組成に強い関心を持つ変換化学者は、１つまたは複数の新規なフラクションを選択し、そのようなフラクションに分別された再生プラスチックから特定の製品を作成できるようになる。結果として、本開示の実施形態に従って構成された分別システムは、既存の最先端の分別技術で可能なものを超えるフラクションを生成することができる。

【0040】

本明細書で説明したように、本開示の実施形態は、１つまたは複数の異なるタイプの暗色および／または黒色のプラスチックを相互に、および／または他のプラスチックまたは他の材料から分類および／または分別するために、視覚システム１１０と、１つまたは複数のＭＷＩＲカメラを利用するセンサシステム１２０との組み合わせを利用し得る。例えば、特定の形状の暗色および／または黒色のプラスチック（つまり、所定のフラクションとして）は、そのような組み合わせを使用して分類および分別できる。

【0041】

また、本明細書で説明したように、本開示の実施形態は、ＭＷＩＲカメラの出力（つまり、スペクトル撮像データ）を使用して機械学習システムを訓練し、１つまたは複数の異なるタイプの暗色および／または黒色のプラスチックを分類する方法で、１つまたは複数のＭＷＩＲカメラを利用するセンサシステム１２０を利用することができ、これにより、訓練された機械学習システムを使用して、ＭＳＷなどの材料の流れからそのような暗色および／または黒色のプラスチックを分類および／または分別する。

【0042】

本開示の特定の実施形態は、＃３～＃７のタイプのプラスチックの俵から所定のフラクションを分類および／または分別して、新しい製品（例えば、リサイクル方法による）および／または燃料を作成するように構成され得る。このようなフラクションの最終用途の例には、ガス（例えば、Ｃ１～Ｃ４など）、燃料（例えば、ガソリン、ディーゼルなど）、および減圧軽油が含まれるが、これらに限定されない。ただし、＃３～＃７のタイプのプラスチックを有機元素組成と無機元素組成に基づいて分別することはこれまで成功したことがない。

【0043】

本開示の実施形態は、以下および本開示内の他の場所で開示される特性またはタイプの様々な異なる所定のフラクションまたは組み合わせに従ってプラスチック材料片を分類するように構成され得る。

【0044】

プラスチックはその特性に応じて、化学構造、極性、用途などにより３タイプに分類される。

【0045】

プラスチックは、化学構造と温度挙動に従って、熱可塑性プラスチック、熱硬化性樹脂、エラストマーに分類できる。

【0046】

極性に関しては、異なる性質の原子が存在すると、電子が共有結合で最も電気陰性の高い原子に向かって移動し、双極子が生じる。ＣＩ、Ｏ、Ｎ、Ｆなどの極度に電気陰性度の高い原子を含むポリマーは極性化合物となり、材料の特性に影響を与える。極性が高くなると、機械的抵抗、硬度、剛性、耐熱性、吸水・吸湿性、耐薬品性が向上するほか、水蒸気などの極性化合物の透過性や金属との接着性・密着性も向上する。同時に、極性の増加により、熱膨張、電気絶縁能力、静電荷が蓄積する傾向、極性分子（Ｏ_２、Ｎ_２）の透過性が低下する。このようにして、ポリオレフィン、ポリエステル、アセタール、ハロゲン化ポリマーなどの異なるファミリーを区別することができる。

【0047】

用途に応じた第３の分類は、熱可塑性材料に適用される。この第３の分類には４タイプのプラスチックがある。

【0048】

標準的なプラスチックまたは商品：価格と様々な点で優れた特性があるため、大量に製造および使用されているプラスチック。例としては、ポリエチレン（「ＰＥ」）、ポリプロピレン（「ＰＰ」）、ポリスチレン（「ＰＳ」）、ポリ塩化ビニル（「ＰＶＣ」）、またはアクリロニトリルブタジエンスチレン（「ＡＢＳ」）のコポリマーがある。

【0049】

エンジニアリングプラスチック：優れた構造、透明性、自己潤滑性、および熱特性が必要な場合に使用される。例としては、ポリアミド（「ＰＡ」）、ポリアセタール（「ＰＯＭ」）、ポリカーボネート（「ＰＣ」）、ポリエチレンテレフタレート（「ＰＥＴ」）、ポリフェニレンエーテル（「ＰＰＥ」）、およびポリブチレンテレフタレート（「ＰＢＴ」）がある。

【0050】

特殊プラスチック：高い透明性と耐光性を有するポリメチルメタクリレート（「ＰＭＭＡ」）や、温度や化学製品に対する耐性に優れたポリテトラフルオロエチレン（テフロン（登録商標））など、非常に特殊な特性を持っている。

【0051】

高性能プラスチック：主に耐熱性の高い熱可塑性プラスチック。言い換えれば、高温、特に１５０°Ｃまでの優れた機械的耐性を備えている。ポリイミド（「ＰＩ」）、ポリスルホン（「ＰＳＵ」）、ポリエーテルスルホン（「ＰＥＳ」）、ポリアリールスルホン（「ＰＡＳ」）、ポリフェニレンサルファイド（「ＰＰＳ」）、および液晶ポリマー（「ＬＣＰ」）は高性能プラスチックである。

【0052】

多くのプラスチック製品には、それらが作られたポリマーのタイプを識別する記号が付いている。これらの樹脂識別コードは、ＲＩＣと略されることが多く、国際的に使用されている。コードは全部で７つあり、そのうち６つは最も一般的な汎用プラスチックのタイプに対応し、１つはその他すべてを網羅するものである。これらのタイプは、本明細書ではポリマータイプ＃１～＃７とも呼ばれる。ポリマータイプ＃１はポリエチレンテレフタレート（「ＰＥＴ」）を指し、＃２は高密度ポリエチレン（「ＨＤＰＥ」）を指し、＃３はポリ塩化ビニル（「ＰＶＣ」）を指し、＃４は低密度ポリエチレン（「ＬＤＰＥ」）を指し、＃５はポリプロピレン（「ＰＰ」）を指し、＃６はポリスチレン（「ＰＳ」）を指し、＃７はポリマータイプ＃１～＃６に含まれない他のポリマー（例えば、アクリル、ポリカーボネート（「ＰＣ」）、ポリ活性繊維、ポリ乳酸、ナイロン、ガラス繊維、ＡＢＳ）を指す。ＥＵも同様の９コードリストを維持しており、これにはＡＢＳとポリアミドも含まれている。

【0053】

ＰＥＴプラスチックは、飲料ボトル、薬瓶、ロープ、衣類、カーペット繊維など、多くの一般的な家庭用品の製造に使用されている。ＨＤＰＥプラスチックは、牛乳、モーターオイル、シャンプーおよびコンディショナ、石鹸ボトル、洗剤、漂白剤の容器の製造によく使用される。ＰＶＣはあらゆる種類のパイプやタイルに使用され、最も一般的には配管パイプで見られる。ＬＤＰＥ製品には、ラップフィルム、サンドイッチバッグ、絞り可能なボトル、食料品用のプラスチック袋などが含まれる。ＰＰは弁当箱、マーガリン容器、ヨーグルトポット、シロップ瓶、薬瓶、ペットボトルキャップなどに使用されている。ポリスチレン製品には、使い捨てコーヒーカップ、プラスチック製食品箱、プラスチック製カトラリー、および包装用フォームが含まれる。ポリカーボネートは哺乳瓶、ＣＤ、医療用保存容器などに使用されている。したがって、本開示の実施形態によれば、機械学習システムを実装した視覚システムは、製造された製品のタイプに基づいて、これらの異なるタイプのプラスチックを識別し、分類するように訓練することができる。

【0054】

プラスチック片は、含まれ得る添加剤のタイプに応じて分類され得る。添加剤は、性能を向上させるためにプラスチックにブレンドされる化合物であり、安定剤、充填剤、染料が含まれる。透明なプラスチックはまだ染色されている可能性があるため最も価値が高くなるが、黒または色の強いプラスチックは、それらが含まれると製品が変色する可能性があるため、価値がはるかに低くなる。したがって、リサイクルに適した材料を得るには、プラスチックをポリマーのタイプと色の両方で分別する必要があるかもしれない。

【0055】

プラスチックは密度に基づいて分類および分別することもできる。特定のポリマーは同様の密度範囲を持っている（例えば、ＰＰとＰＥ、またはＰＥＴ、ＰＳ、およびＰＶＣ）。プラスチック片に高い割合の充填材が含まれている場合、密度に影響を与える可能性がある。

【0056】

プラスチック廃棄物は、産業スクラップ（産業廃棄物樹脂とも呼ばれる）と使用済み廃棄物の２つのカテゴリに大別できる。

【0057】

プラスチック片は、リサイクル方法に応じて分類／分別され得る。機械的リサイクル中、プラスチックはポリマーのタイプに応じて１５０～３２０°Ｃの温度で再処理される場合があり、これによりポリマーの劣化を引き起こす望ましくない化学反応が発生する可能性がある。これにより、プラスチックの物理的特性と全体的な品質が低下し、揮発性の低分子量化合物が生成され得、望ましくない味や臭いが生じたり、熱による変色を引き起こしたりする可能性がある。したがって、本開示の実施形態は、そのような望ましくない化学反応が回避されるように、プラスチック片を分類および分別するように構成され得る。プラスチック内に存在する添加剤はこの劣化を促進する可能性がある。例えば、プラスチックの生分解性を向上させることを目的としたオキソ生分解性添加剤は、熱劣化の度合いを高める可能性がある。同様に、難燃剤も望ましくない影響を与える可能性がある。したがって、本開示の実施形態は、そのような添加剤の特定のものを含むプラスチック片が廃棄されるように、プラスチック片を分類および分別するように構成され得る。

【0058】

製品の品質は、プラスチックがどの程度適切に分別されたかにも大きく依存し得る。多くのポリマーは溶融時に互いに混和せず、再処理中に相分離する（油と水のように）。このようなブレンドから作られた製品には、異なるタイプのポリマー間に多くの境界が含まれており、これらの境界を越える凝集力が弱いため、機械的特性が低下する。したがって、本開示の実施形態は、特定の不混和性プラスチック片が一緒に同じグループに分別されないように、プラスチック片を分類および分別するように構成され得る。

【0059】

本開示の特定の実施形態に従って本明細書に記載されるシステムおよび方法は、複数の材料片の不均一混合物（例えば、本明細書に開示される様々なプラスチックの任意の組み合わせ）を受け取り、この不均一混合物内の少なくとも１つの材料片は、１つまたは複数の他の材料片とは異なる元素の組成（例えば、その結果、暗色および／または黒色のプラスチック材料が生成される）を含み、および／またはこの不均一混合物内の少なくとも１つの材料片は、他の材料片から区別可能であり（例えば、視覚的に識別可能な特性または特徴、異なる化学的特徴など）、そして、システムおよび方法は、この材料片をそのような他の材料片とは別のグループに識別／分類／分別するように構成されている。本開示の実施形態は、本明細書で定義される材料、またはフラクションの任意のタイプまたはクラスを分別するために利用され得る。

【0060】

本開示の実施形態は、ユーザ定義のグループ化（例えば、材料タイプの分類やフラクション）に応じて、材料片を個別の容器またはビンに物理的に配置（例えば、方向転換または排出）することによって、材料片をそのような別個のグループに分別するものとして本明細書で説明される。一例として、本開示の特定の実施形態では、材料片は、他の材料片の物理的特性から区別可能な物理的特性（例えば、視覚的に識別可能な特性または特徴、異なる化学的特徴など）を有する材料片を分離するために、別個のビンに分別され得る。

【0061】

図１は、本開示の様々な実施形態に従って構成されたシステム１００の例を示す。コンベヤシステム１０３は、システム１００を通して個々の材料片１０１の１つまたは複数の流れを搬送するように実装され得、それにより、個々の材料片１０１のそれぞれを追跡し、分類し、所定の所望のグループに分別することができる。このようなコンベヤシステム１０３は、材料片１０１が典型的には所定の一定速度で移動する１つまたは複数のコンベヤベルトを用いて実装され得る。ただし、本開示の特定の実施形態は、材料片がシステム１００の様々な構成要素（または任意の他のタイプの垂直分別機）を自由落下するシステム、または振動コンベヤシステムを含む、他のタイプのコンベヤシステムで実装されてもよい。以下、該当する場合、コンベヤシステム１０３はコンベヤベルト１０３とも呼ばれ得る。１つまたは複数の実施形態では、伝達、刺激、検出、分類、および分別する動作または機能の一部またはすべては、自動的に、すなわち人間の介入なしに実行されてもよい。例えば、システム１００では、１つまたは複数の刺激源、１つまたは複数の放射検出器、分類モジュール、分別装置、および／または他のシステム構成要素は、これらおよび他の操作を自動的に実行するように構成され得る。

【0062】

さらに、図１はコンベヤシステム１０３上の材料片１０１の単一の流れを示しているが、本開示の実施形態は、複数のそのような材料片の流れがシステム１００の様々な構成要素を互いに並行して通過するように実装され得る。例えば、米国特許第１０，２０７，２９６号にさらに記載されているように、材料片は、単一のコンベヤベルト、または一組の平行なコンベヤベルト上を移動する２つ以上の平行な個別化された流れに分配され得る。したがって、本開示の特定の実施形態は、複数のそのような並行して移動する材料片の流れを同時に追跡、分類、および分別することができる。本開示の特定の実施形態によれば、シンギュレータの組み込みまたは使用は必要ない。代わりに、コンベヤシステム（例えば、コンベヤシステム１０３）は、単にランダムな方法でコンベヤシステム１０３上に堆積された材料片の塊を搬送してもよい。

【0063】

本開示の特定の実施形態によれば、ある種の適切なフィーダ機構（例えば、別のコンベヤシステムまたはホッパ１０２）を利用して、材料片１０１をコンベヤシステム１０３上に供給することができ、それにより、コンベヤシステム１０３は、材料片１０１をシステム１００内の様々な構成要素を通過させて搬送することができる。材料片１０１がコンベヤシステム１０３によって受け取られた後、任意選択のタンブラ／バイブレータ／シンギュレータ１０６を利用して、材料片の集合から個々の材料片を分離することができる。本開示の特定の実施形態では、コンベヤシステム１０３は、コンベヤシステムモータ１０４によって所定の速度で移動するように動作する。この所定の速度は、任意の周知の方法でオペレータによってプログラム可能および／または調整可能であってもよい。代替的に、コンベヤシステム１０３の所定の速度の監視は、位置検出器１０５を用いて実行されてもよい。本開示の特定の実施形態では、コンベヤシステムモータ１０４および／または位置検出器１０５の制御は、自動制御システム１０８によって実行されてもよい。このような自動化制御システム１０８は、コンピュータシステム１０７の制御下で動作させることができ、および／または自動化制御を実行するための機能をコンピュータシステム１０７内のソフトウェアで実装することができる。

【0064】

コンベヤシステム１０３は、ベルトコンベヤを所定の速度で移動させるのに適した従来の駆動モータ１０４を使用する従来のエンドレスベルトコンベヤであってもよい。位置検出器１０５は、従来のエンコーダであってもよく、コンベヤシステム１０３および自動制御システム１０８に動作可能に結合されて、コンベヤベルトの動き（例えば、速度）に対応する情報を提供してもよい。したがって、本明細書でさらに説明するように、コンベヤシステム駆動モータ１０４および／または自動制御システム１０８（あるいは位置検出器１０５を含む）への制御の利用を通じて、コンベヤシステム１０３上を移動する材料片１０１のそれぞれが識別されると、それらは、（システム１００の様々な構成要素に対して）位置および時間によって追跡することができるため、各材料片１０１がその近傍を通過するときにシステム１００の様々な構成要素を起動／停止することができる。その結果、自動制御システム１０８は、材料片１０１がコンベヤシステム１０３に沿って移動する間に、材料片１０１のそれぞれの位置を追跡することができる。

【0065】

再び図１を参照すると、本開示の特定の実施形態は、コンベヤシステム１０３上を移動する材料片１０１のそれぞれを追跡する手段として、視覚または光学認識システム１１０および／または材料片追跡装置１１１を利用することができる。視覚システム１１０は、１つまたは複数の静止画カメラまたは実写カメラ１０９を利用して、移動コンベヤシステム１０３上の材料片１０１のそれぞれの位置（すなわち、位置およびタイミング）を記録することができる。視覚システム１１０は、本明細書でさらに説明されるように、材料片１０１のすべてまたは一部の特定のタイプの識別（例えば、分類）を実行するようにさらにまたは代替的に構成されてもよい。例えば、そのような視覚システム１１０は、材料片１０１のそれぞれについての情報を捕捉または取得するために利用され得る。例えば、視覚システム１１０は、本明細書に記載されるように、材料片１０１を１つまたは複数の特性（例えば、物理的および／または化学的および／または放射性物質など）のセットに応じて分類および／または選択的に分別するために、材料片からシステム１００内で利用できる任意のタイプの情報を捕捉または収集するように（例えば、機械学習システムを用いて）構成され得る。本開示の特定の実施形態によれば、視覚システム１１０は、例えば、一般的なデジタルカメラやビデオ機器で使用されている光学センサを使用することにより、材料片１０１のそれぞれの視覚画像（一次元、二次元、三次元、またはホログラフィック画像を含む）を捕捉するように構成され得る。光学センサによって捕捉されたこのような視覚画像は、画像データとしてメモリデバイスに保存される（例えば、画像データパケットとして初期化される）。本開示の特定の実施形態によれば、そのような画像データは、光の光学波長（すなわち、典型的な人間の目によって観察可能な光の波長）内で捕捉された画像を表すことができる。ただし、本開示の代替実施形態は、人間の目の視覚波長の外側の光の波長で構成される物質の画像を捕捉するように構成された視覚システム（例えば、ＭＷＩＲ分光法）を利用することができる。

【0066】

本開示の特定の実施形態によれば、システム１００は、材料片１０１を分類／識別するために、単独で、または視覚システム１１０と組み合わせて利用することができる、１つまたは複数のセンサシステム１２０を用いて実装することができる。センサシステム１２０は、照射または反射された電磁放射（例えば、赤外線（「ＩＲ」）、フーリエ変換ＩＲ（「ＦＴＩＲ」）、前方赤外線（「ＦＬＩＲ」）、極近赤外線（「ＶＮＩＲ」）、近赤外線（「ＮＩＲ」）、短波長赤外線（「ＳＷＩＲ」）、長波長赤外線（「ＬＷＩＲ」）、中波長赤外線（「ＭＷＩＲ」または「ＭＩＲ」）、Ｘ線透過（「ＸＲＴ」）、ガンマ線、紫外線（「ＵＶ」）、蛍光Ｘ線（「ＸＲＦ」）、レーザー誘起ブレークダウン分光法（「ＬＩＢＳ」）、ラマン分光法、アンチストークスラマン分光法、ガンマ分光法、ハイパースペクトル分光法（例えば、可視波長を超える範囲）、音響分光法、ＮＭＲ分光法、マイクロ波分光法、テラヘルツ分光法を利用し、および上記のいずれかを伴う１次元、２次元、または３次元撮像を含む）を利用するセンサシステムを含む、または、化学物質や放射性物質を含むがこれらに限定されない、任意の他のタイプのセンサ技術による、プラスチック片の化学的特徴を判定するための、および／または分別のためにプラスチック片を分類するための、任意のタイプのセンサ技術を用いて構成され得る。例示的なＸＲＦシステム（例えば、本明細書のセンサシステム１２０として使用するためのもの）の実装は、米国特許第１０，２０７，２９６号にさらに記載されている。ＸＲＦは、本開示の実施形態内で、プラスチック片内の無機材料を識別するために（例えば、化学的特徴内に含めるために）使用することができる。

【0067】

以下のセンサシステムも、本開示の特定の実施形態内で、プラスチック片の化学的特徴を判定し、および／または分別のためにプラスチック片を分類するために使用され得る。

【0068】

以前に開示された様々な形式の赤外分光法を利用して、プラスチック材料のベースポリマーおよび材料中に存在する他の成分（鉱物充填剤、コポリマー、ポリマーブレンドなど）に関する情報を提供する、各プラスチック片に特有の化学的特徴を得ることができる。

【0069】

示差走査熱量測定（「ＤＳＣ： Ｄｉｆｆｅｒｅｎｔｉａｌ Ｓｃａｎｎｉｎｇ Ｃａｌｏｒｉｍｅｔｒｙ」）は、分析対象の材料の加熱中に生成される、各材料に特有の熱転移を取得する熱分析手法である。

【0070】

熱重量分析（「ＴＧＡ： Ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ａｎａｌｙｓｉｓ」）は、ポリマーの割合、その他の有機成分、鉱物充填剤、炭素ブラックなどに関するプラスチック材料の組成に関する定量的な情報をもたらすもう１つの熱分析手法である。

【0071】

キャピラリーおよび回転レオメトリーは、ポリマー材料のクリープ抵抗と変形抵抗を測定することにより、ポリマー材料のレオロジー特性を判定できる。

【0072】

光学顕微鏡および走査型電子顕微鏡（「ＳＥＭ： ｓｃａｎｎｉｎｇ ｅｌｅｃｔｒｏｎ ｍｉｃｒｏｓｃｏｐｙ」）は、多層材料（多層ポリマーフィルムなど）の層の数と厚さ、ポリマーマトリックス中の顔料または充填材粒子の分散サイズ、コーティングの欠陥、成分間の界面形態などに関して分析された材料の構造に関する情報を提供できる。

【0073】

クロマトグラフィー（ＬＣ－ＰＤＡ、ＬＣ－ＭＳ、ＬＣ－ＬＳ、ＧＣ－ＭＳ、ＧＣ－ＦＩＤ、ＨＳ－ＧＣなど）は、ＵＶ安定剤、酸化防止剤、可塑剤、滑り止め剤などに加えて、残留モノマー、インクや接着剤の残留溶剤、劣化物質などのプラスチック材料の微量成分を定量できる。

【0074】

本開示の実施形態によれば、視覚システム１１０は、材料片が視覚システム１１０を通過する際に、材料片のＭＷＩＲ画像が捕捉されるように、コンベヤシステムの近く（例えば、上）に配置された材料片のＭＷＩＲ画像（ＭＷＩＲ領域のハイパースペクトルデータ）を捕捉するように構成された１つまたは複数のカメラを備えて構成され得る。ＰＳ、ＰＥ、ＰＰ、ＡＢＳ、ＰＶＣの黒色プラスチック、ゴム、ＭＷＩＲ領域の特定の添加剤、およびその他の暗色のプラスチックを検出できるＳｐｅｃｉｍ ＦＸ５０カメラ（Ｓｐｅｃｉｍ、Ｓｐｅｃｔｒａｌ Ｉｍａｇｉｎｇ Ｌｔｄ．から市販されている）などのようなカメラは、ＭＷＩＲスペクトル範囲（２．７～５．３μｍ）で動作する。

【0075】

図１は視覚システム１１０と１つまたは複数のセンサシステム１２０の組み合わせで示されているが、本開示の実施形態は、本明細書に開示されるセンサ技術のいずれか、または現在利用可能な、または将来開発される他のセンサ技術を利用するセンサシステムの任意の組み合わせで実装され得ることに留意されたい。図１は、１つまたは複数のセンサシステム１２０を含むように示されているが、そのようなセンサシステムの実装は、本開示の特定の実施形態内では任意である。本開示の特定の実施形態では、視覚システム１１０と１つまたは複数のセンサシステム１２０の両方の組み合わせを使用して材料片１０１を分類することができる。本開示の特定の実施形態では、本明細書に開示される１つまたは複数の異なるセンサ技術の任意の組み合わせを使用して、視覚システム１１０を利用せずに材料片１０１を分類することができる。さらに、本開示の実施形態は、センサ／視覚システムの出力が、材料の不均一な混合物から材料を分類／識別するために、機械学習システム内で処理され（本明細書でさらに開示されるように）、その後相互に分別され得る１つまたは複数のセンサシステムおよび／または視覚システムの任意の組み合わせを含み得る。

【0076】

本開示の代替実施形態によれば、視覚システム１１０および／またはセンサシステムは、どの材料片１０１がシステム１００によって分別される種類のものではないか（例えば、特定の汚染物質、添加物、または望ましくない物理的特徴を含むプラスチック片（例えば、容器とは異なるタイプのプラスチックで形成された付属の容器キャップ））を識別し、そのような材料片を拒否する信号を送信するように構成され得る。このような構成では、識別された材料片１０１は、分別された材料片を個々のビンに物理的に方向転換させるための以下に説明する機構の１つを利用して方向転換／排出することができる。

【0077】

本開示の特定の実施形態では、材料片追跡装置１１１および付随する制御システム１１２は、移動コンベヤシステム１０３上の各材料片１０１の位置（すなわち、位置およびタイミング）とともに、材料片追跡装置１１１の近傍を通過する材料片１０１のそれぞれのサイズおよび／または形状を測定するように利用および構成され得る。このような材料片追跡装置１１１および制御システム１１２の例示的な動作は、米国特許第１０，２０７，２９６号にさらに記載されている。代替的に、以前に開示したように、視覚システム１１０は、コンベヤシステム１０３によって輸送される材料片１０１のそれぞれの位置（すなわち、位置およびタイミング）を追跡するために利用されてもよい。したがって、本開示の特定の実施形態は、材料片を追跡するための材料片追跡装置（例えば、材料片追跡装置１１１）なしで実装されてもよい。

【0078】

１つまたは複数のセンサシステム１２０を実装する本開示の特定の実施形態では、センサシステム１２０は、視覚システム１１０が材料片１０１のそれぞれの化学組成、相対的な化学組成、および／または製造タイプを、材料片１０１がセンサシステム１２０の近傍を通過するときに識別するのを支援するように構成され得る。センサシステム１２０は、例えば、材料片１０１のそれぞれからの応答を刺激するために、電源１２２によって電力を供給され得るエネルギー放出源１２１を含み得る。

【0079】

センサシステム１２０としてＸＲＦシステムを実装する本開示の特定の実施形態によれば、線源１２１は、米国特許第１０，２０７，２９６号にさらに記載されているような、インラインＸ線蛍光（「ＩＬ－ＸＲＦ」）管を含んでもよい。このようなＩＬ－ＸＲＦ管には、搬送される材料片の１つまたは複数の流れ（例えば、単一化）専用の別個のＸ線源が含まれ得る。このような場合、１つまたは複数の検出器１２４は、個別化された流れのそれぞれ内の材料片１０１からの蛍光Ｘ線を検出するＸＲＦ検出器として実装され得る。このようなＸＲＦ検出器の例は、米国特許第１０，２０７，２９６号にさらに記載されている。

【0080】

本開示の特定の実施形態では、各材料片１０１が放射源１２１の近傍を通過するとき、センサシステム１２０は材料片１０１に向けて適切な感知信号を放射することができる。１つまたは複数の検出器１２４は、利用されるセンサ技術のタイプに適切な形式で材料片１０１から１つまたは複数の特性を感知／検出するように配置および構成され得る。１つまたは複数の検出器１２４および関連する検出器電子機器１２５は、これらの受信された感知された特性を捕捉して信号処理を実行し、感知された特性を表すデジタル化された情報（例えば、スペクトルデータ）を生成し、次いで、情報は本開示の特定の実施形態に従って分析され、視覚システム１１０が材料片１０１のそれぞれを分類するのを支援するために使用され得る。この分類は、コンピュータシステム１０７内で実行することができ、その後、決定された分類に従って材料片１０１を１つまたは複数のＮ（Ｎ＞１）分別容器１３６…１３９に分別（例えば、方向転換／排出）するための分別装置のＮ（Ｎ＞１）個の分別ビン１２６…１２９のうちの１つを作動させるために、自動制御システム１０８によって利用され得る。４つの分別ビン１２６…１２９と、これらの分別装置に関連付けられた４つの分別容器１３６…１３９が、単なる非限定的な例として図１に示されている。

【0081】

プラスチック用の既存の分別機は、材料をバイナリ方式で分別するように設計されており、コンベヤの端にあるエアノズルが、識別されたクラスのプラスチックを２つのビンのいずれかに排出する。例えば、４つのクラスのプラスチックを分離する必要がある場合、流れ全体をこのようなバイナリ分別機に４回別々に搬送する必要があり、これには流れ内の１つの物体を除去する場合の４倍の時間がかかる。本開示の特定の実施形態によれば、システム１００は、プラスチックの複数の分類を１回のパスで分別することを可能にする。

【0082】

分別装置は、材料片１０１をコンベヤベルトシステムから複数の分別ビンに方向転換することを含むがこれに限定されない、選択された材料片１０１を所望の場所に向けて方向転換するための任意の周知の機構を含んでいてもよい。例えば、分別装置はエアジェットを利用し、各エアジェットが１つまたは複数の分類に割り当てられてもよい。エアジェットの１つ（例えば、１２７）が自動制御システム１０８から信号を受信すると、そのエアジェットは、材料片１０１をコンベヤシステム１０３からそのエアジェットに対応する分別ビン（例えば、１３７）へと方向転換／排出させる空気流を放出する。

【0083】

コンベヤベルトから材料片をロボットで除去する、コンベヤベルトから材料片を押し出す（例えば、ペイントブラシタイプのプランジャを使用）、コンベヤシステム１０３に材料片が落下し得る開口部（例えば、トラップドア）を生じさせる、または、エアジェットを使用して、コンベヤベルトの端から材料片が落ちるときに材料片を別のビンに方向転換するなど、他の機構を使用して材料片を方向転換／排出することもできる。プッシャ装置という用語は、本明細書で使用される場合、適切なタイプの機械的押し機構（ＡＣＭＥスクリュードライブなど）、空気圧押し機構、またはエアジェット押し機構など、空気圧、機械式、またはその他の手段を使用して、コンベヤシステム／装置上またはコンベヤシステム／装置から物体を動的に移動させるために作動させることができる任意の形態の装置を指すことができる。いくつかの実施形態は、コンベヤシステムの経路に沿って異なる位置に配置され、および／または異なる方向転換経路の向きを有する複数の押し出し装置を含んでもよい。様々な異なる実装において、本明細書で説明するこれらの分別システムは、機械学習システムによって実行される材料片の分類に応じて、（存在する場合）どの押し出し装置を起動するかを判定することができる。さらに、どの押し出し装置を作動させるかの判定は、対象アイテムと同時に押し出し装置の迂回経路内に存在する可能性のある他の物体の検出された存在および／または特性に基づいてもよい。さらに、コンベヤシステムに沿った分離が完全ではない設備でも、開示された分別システムは、複数の物体が適切に分離されていないことを認識し、近接した物体を分離する可能性がある最適な迂回経路を提供する押し出し装置に基づいて、複数の押し出し装置から起動すべき押し出し装置を動的に選択することができる。いくつかの実施形態では、目標物体として識別された物体は、コンベヤシステムから迂回されるべき材料を表し得る。他の実施形態では、目標物体として識別された物体は、非目標物体が代わりに方向転換されるように、コンベヤシステム上に残されることを許可されるべき材料を表す。

【0084】

材料片１０１が方向転換／排出されるＮ個の分別ビン１３６…１３９に加えて、システム１００はまた、コンベヤシステム１０３から前述の分別ビン１３６…１３９のいずれかに方向転換／排出されなかった材料片１０１を受け入れる容器またはビン１４０を含んでもよい。例えば、材料片１０１の分類が判定されていない場合（または単に分別装置が材料片を適切に方向転換／排出できなかったために）、材料片１０１は、コンベヤシステム１０３からＮ個の分別ビン１３６…１３９のうちの１つに方向転換／排出されない可能性がある。したがって、ビン１４０は、未分類の材料片が投棄されるデフォルトの容器として機能し得る。代替的に、ビン１４０は、Ｎ個の分別ビン１３６…１３９のいずれにも意図的に割り当てられていない材料片の１つまたは複数の分類を受け取るために使用されてもよい。これらの材料片は、他の特性に従って、および／または別の分別システムによってさらに分別されてもよい。

【0085】

所望の材料片の様々な分類に応じて、複数の分類を単一の分別装置および関連する分別ビンにマッピングできる。言い換えれば、分類と分別ビンの間に１対１の相関関係がある必要はない。例えば、ユーザは、材料の特定の分類を同じ分別ビンに分別することを所望する場合がある（例えば、フラクションに含まれる異なるプラスチックのタイプなど）。この分別を達成するために、材料片１０１が所定の分類グループ（例えば、フラクション）に該当するものとして分類されるとき、同じ分別装置が作動してこれらを同じ分別ビンに分別することができる。このような組み合わせの分別は、分別された材料片の任意の所望の組み合わせを生成するために適用され得る。分類のマッピングは、そのような所望の組み合わせを生成するために、ユーザによって（例えば、コンピュータシステム１０７によって操作される分別アルゴリズム（例えば、図７を参照）を使用して）プログラムされてもよい。さらに、材料片の分類はユーザ定義可能であり、材料片の任意の特定の既知の分類（例えば、本明細書で開示されるようなフラクション）に限定されない。

【0086】

コンベヤシステム１０３は、未分類の材料片がシステム１００の先頭に戻され、再びシステム１００を通過するように円形コンベヤ（図示せず）を含んでもよい。さらに、システム１００は、コンベヤシステム１０３上を移動する各材料片１０１を具体的に追跡できるため、システム１００による所定回数のサイクル（または材料片１０１がビン１４０に収集された）後にシステム１００が分類に失敗しないように、材料片１０１を誘導／排出するために、何らかの分別装置（例えば、分別装置１２９）を実装することができる。

【0087】

本開示の特定の実施形態では、コンベヤシステム１０３は、例えば第１のベルトが視覚システム１１０を通過させて材料片を搬送し、第２のベルトが特定の分別された材料片を、第２の分別のために実装されたセンサシステム１２０を通過させて搬送する２つのベルトなど、直列に構成された複数のベルトに分割されていてもよい。さらに、そのような第２のコンベヤベルトは、材料片が第１のベルトから第２のベルト上に落下するように、第１のコンベヤベルトよりも低い高さにすることができる。

【0088】

センサシステム１２０を実装する本開示の特定の実施形態では、放射源１２１は、検出領域の上（すなわち、コンベヤシステム１０３の上）に配置されてもよい。ただし、本開示の特定の実施形態は、依然として許容可能な感知／検出される物理的特性を生成する他の位置に放射源１２１および／または検出器１２４を配置してもよい。

【0089】

本明細書で説明されるシステムおよび方法は、様々なサイズおよび形状のいずれかを有する個々の材料片を分類および／または分別するために適用され得る。本明細書で説明されるシステムおよび方法は主に個々の材料片の分別に関連して説明されるが、本明細書で説明されるシステムおよび方法はそれに限定されない。このようなシステムおよび方法は、複数の材料からの放出を同時に刺激および／または検出するために使用され得る。例えば、単一化された材料の流れが１つまたは複数のコンベヤベルトに沿って直列に搬送されるのとは対照的に、複数の単一化された流れが並行して搬送されてもよい。各流れは、同じベルト上にあってもよいし、平行に配置された異なるベルト上にあってもよい。さらに、材料片は１つまたは複数のコンベヤベルト上に（例えば、それにわたって、かつ沿って）ランダムに分散されてもよい。したがって、本明細書に記載されるシステムおよび方法は、複数の材料片を同時に刺激および／または材料片からの放射を検出するために使用され得る。換言すれば、各材料片が個別に考慮されるのではなく、複数の材料片が単一の材料片として扱われてもよい。したがって、複数の材料片をまとめて分類および分別することができる（例えば、コンベヤシステムから方向転換／排出される）。

【0090】

本明細書で説明されるシステムおよび方法は、主に材料片の分別に関連して説明されているが、そのようなシステムおよび方法はその用途に限定されない。これらは、材料片内の元素（例えば、汚染物質など）の識別や材料片の組成の判定など、他の用途に使用されてもよい。

【0091】

前述したように、本開示の特定の実施形態は、材料片を識別、追跡、および／または分類するために、１つまたは複数の視覚システム（例えば、視覚システム１１０）を実装することができる。本開示の実施形態によれば、このような視覚システムは、材料片を識別および／または分類および分別するために単独で動作してもよいし、材料片を識別および／または分類および分別するために１つまたは複数のセンサシステム（例えば、センサシステム１２０）と組み合わせて動作してもよい。分別システム（例えば、システム１００）がそのような視覚システム１１０のみで動作するように構成されている場合、センサシステム１２０はシステム１００から省略されてもよい（または単に停止されてもよい）。

【0092】

材料片の感知された特性／情報のタイプに関係なく、次に、情報（例えば、画像データパケット）は、各材料片を識別および／または分類するために、コンピュータシステム（例えば、コンピュータシステム１０７）に送信され、機械学習システムによって処理され得る。このような機械学習システムは、ニューラルネットワーク（例えば、人工ニューラルネットワーク、ディープニューラルネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、オートエンコーダ、強化学習など）、ファジーロジック、人工知能（「ＡＩ」）、深層学習アルゴリズム、深層構造化学習階層学習アルゴリズム、サポートベクターマシン（「ＳＶＭ」）（例えば、線形ＳＶＭ、非線形ＳＶＭ、ＳＶＭ回帰など）、決定木学習（例えば、分類と回帰木（「ＣＡＲＴ」））、アンサンブル手法（例えば、アンサンブル学習、ランダムフォレスト、バギングとペースト、パッチと部分空間、ブースティング、スタッキングなど）、次元削減（例えば、射影、多様体学習、主成分分析など）、および／または、参照により本明細書に組み込まれるｄｅｅｐｌｅａｒｎｉｎｇ．ｎｅｔ Ｗｅｂサイト（このＷｅｂサイト内で参照されているすべてのソフトウェア、出版物、および利用可能なソフトウェアへのハイパーリンクを含む）に記載されており、そこで公開されているような深層機械学習アルゴリズム、を実装するものを含む、任意の周知の機械学習システムを実装することができる。本開示の実施形態内で利用することができる公的に入手可能な機械学習ソフトウェアおよびライブラリの非限定的な例としては、Ｐｙｔｈｏｎ、ＯｐｅｎＣＶ、Ｉｎｃｅｐｔｉｏｎ、Ｔｈｅａｎｏ、Ｔｏｒｃｈ、ＰｙＴｏｒｃｈ、Ｐｙｌｅａｒｎ２、Ｎｕｍｐｙ、Ｂｌｏｃｋｓ、ＴｅｎｓｏｒＦｌｏｗ、ＭＸＮｅｔ、Ｃａｆｆｅ、Ｌａｓａｇｎｅ、Ｋｅｒａｓ、Ｃｈａｉｎｅｒ、Ｍａｔｌａｂ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ、ＣＮＴＫ、ＭａｔＣｏｎｖＮｅｔ（コンピュータ視覚アプリケーション用の畳み込みニューラルネットワークを実装するＭＡＴＬＡＢ（登録商標）ツールボックス）、ＤｅｅｐＬｅａｒｎＴｏｏｌｂｏｘ（深層学習用のＭａｔｌａｂツールボックス（Ｒａｓｍｕｓ Ｂｅｒｇ Ｐａｌｍ製））、ＢｉｇＤＬ、Ｃｕｄａ－Ｃｏｎｖｎｅｔ（畳み込み（より一般的にはフィードフォワード）ニューラルネットワークの高速Ｃ＋＋／ＣＵＤＡ実装）、Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋｓ、ＲＮＮＬＭ、ＲＮＮＬＩＢ－ＲＮＮＬＩＢ、ｍａｔｒｂｍ、ｄｅｅｐｌｅａｒｎｉｎｇ４ｊ、Ｅｂｌｅａｒｎ．ｌｓｈ、ｄｅｅｐｍａｔ、ＭＳｈａｄｏｗ、Ｍａｔｐｌｏｔｌｉｂ、ＳｃｉＰｙ、ＣＸＸＮＥＴ、Ｎｅｎｇｏ－Ｎｅｎｇｏ、Ｅｂｌｅａｒｎ、ｃｕｄａｍａｔ、Ｇｎｕｍｐｙ、３方向因数分解ＲＢＭおよびｍｃＲＢＭ、ｍＰｏＴ（ＣＵＤＡＭａｔおよびＧｎｕｍｐｙを使用して自然画像のモデルを訓練するＰｙｔｈｏｎコード）、ＣｏｎｖＮｅｔ、Ｅｌｅｋｔｒｏｎｎ、ＯｐｅｎＮＮ、ＮｅｕｒａｌＤｅｓｉｇｎｅｒ、Ｔｈｅａｎｏ一般化ヘビアン学習、Ａｐａｃｈｅ Ｓｉｎｇａ、Ｌｉｇｈｔｎｅｔ、およびＳｉｍｐｌｅＤＮＮが挙げられる。

【0093】

本開示の特定の実施形態によれば、機械学習は２段階で実行され得る。例えば、最初に訓練が行われるが、この訓練は、材料片の実際の分類／分別を実行するためにシステム１００が利用されないという点でオフラインで実行することができる。システム１００は、材料片（すなわち、同じタイプまたはクラスの材料（例えば、暗色および／または黒色のプラスチック）を有するか、または同じ所定のフラクション内に入る）の均質なセット（本明細書では制御サンプルとも呼ばれる）が、システム１００を通過し（例えば、コンベヤシステム１０３によって）、また、そのようなすべての材料片が分別されない場合があるが、共通のビン（例えば、ビン１４０など）に収集される場合があるという点で、機械学習システムを訓練するために利用され得る。代替的に、訓練は、材料片の制御セットの感知情報（特性）を収集するための何らかの他の機構を使用することを含めて、システム１００から離れた別の場所で実行されてもよい。この訓練段階では、機械学習システム内のアルゴリズムが、捕捉された情報から特徴を抽出する（例えば、当技術分野でよく知られている画像処理技術を使用して）。訓練アルゴリズムの非限定的な例には、線形回帰、勾配降下法、フィードフォワード、多項式回帰、学習曲線、正則化学習モデル、ロジスティック回帰が含まれるが、これらに限定されない。機械学習システム内のアルゴリズムが材料とその特徴／特性（例えば、視覚システムおよび／またはセンサシステム（例えば、特徴／特性を捕捉するためにＭＷＩＲ分光法を利用する）によって捕捉されたもの）間の関係を学習し、システム１００によって受け取られ、その後、所望の分類によって分別され得る材料片の不均一混合物を後で分類するための知識ベースを作成するのは、この訓練段階である。このような知識ベースには、１つまたは複数のライブラリが含まれていてもよく、各ライブラリには、機械学習システムが材料片を分類する際に利用するためのパラメータ（例えば、ニューラルネットワークパラメータ）が含まれ得る。例えば、１つの特定のライブラリには、特定のタイプまたはクラスの材料（例えば、暗色および／または黒色のプラスチック）、または、所定のフラクションに該当する１つまたは複数の材料を認識（分類）するために訓練段階によって構成されたパラメータが含まれ得る。本開示の特定の実施形態によれば、このようなライブラリは機械学習システムに入力されてもよく、システム１００のユーザは、システム１００の動作を調整するために（例えば、機械学習システムが材料の不均一混合物から特定の材料片（例えば、暗色および／または黒色のプラスチック）をどの程度認識するかという閾値有効性を調整するために）、パラメータのうちの特定のパラメータを調整してもよい。

【0094】

図２に示すように、訓練段階では、制御サンプルである材料の１つまたは複数の特定のタイプ、分類、またはフラクションの複数の材料片２０１は、機械学習システム内のアルゴリズムが、そのようなタイプまたはクラスの材料を表す特徴を検出、抽出、学習するように、（例えば、コンベヤシステム２０３によって）視覚システムおよび／または１つまたは複数のセンサシステムを通過して送達され得る。例えば、材料片２０１のそれぞれは、機械学習システム内のアルゴリズムが、そのようなプラスチック片を検出、認識、分類する方法を「学習」（訓練）するように、そのような訓練段階を経たプラスチック片の少なくとも一部が暗色プラスチック材料および／または黒色プラスチック材料から構成される１つまたは複数のプラスチック片であってもよい。１つまたは複数のＭＷＩＲカメラを用いて実装された視覚システム（例えば、視覚システム１１０）を訓練する場合、機械学習システムは、暗色および／または黒色の材料片とそうでない材料片とを区別するように訓練されている。これにより、少なくとも暗色プラスチック材料および／または黒色プラスチック材料で構成されるプラスチック材料に特有のパラメータのライブラリが作成される。捕捉された感知情報が入力データとして与えられると、機械学習システム内のアルゴリズムはＮ個の分類器を使用し、それぞれがＮ個の異なる暗色の顔料および／または黒色の顔料の１つを試験する。機械学習システムは、ＭＳＷ内に見出される任意のタイプ、クラス、またはフラクション材料、または本明細書に開示される任意の他の材料を含む、材料の任意のタイプ、クラス、またはフラクションを検出するように「教育」（訓練）され得ることに留意されたい。

【0095】

アルゴリズムが確立され、機械学習システムが材料分類の違い（例えば、視覚的に認識できる違い）を（例えば、ユーザ定義の統計的信頼レベル内で）十分に学習（訓練）した後、次いで、異なる材料分類のライブラリは、材料片の不均一な混合物（例えば、ＭＳＷに含まれるもの）から材料片（例えば、暗色および／または黒色のプラスチック）を識別および／または分類するために使用される材料分類／分別システム（例えば、システム１００）に実装され、分別が行われる場合には、そのような分類された材料片を分別し得る。例えば、そのようなシステム１００は、１つまたは複数のＭＷＩＲカメラを用いて実装された視覚システム１１０を用いて構成され得る。

【0096】

機械学習システムを構築、最適化、利用するための技術は、関連文献に記載されているように当業者には既知である。このような文献の例には、次の出版物、すなわち、Ｋｒｉｚｈｅｖｓｋｙ他、「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」、第２５回神経情報処理システム国際会議議事録、２０１２年１２月３～６日、ネバダ州レイクタホ、およびＬｅＣｕｎ他、「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」、ＩＥＥＥ論文集、電気電子学会（ＩＥＥＥ）、１９９８年１１月、が含まれ、これらは両方とも、その全体が参照により本明細書に組み込まれる。

【0097】

技術の一例では、特定の材料片に関して視覚またはセンサシステムによって取得されたデータは、データ値の配列として（機械学習システムを実装する（機械学習システムで構成される）データ処理システム（例えば、図９のデータ処理システム３４００）内で）処理され得る。例えば、データは、デジタルカメラ、他のタイプの撮像センサ（例えば、Ｓｐｅｃｉｍ ＦＸ５０などのＭＷＩＲカメラまたは同等のタイプのＭＷＩＲカメラ）、または特定の材料片に関する他のタイプのセンサシステムによって捕捉されたスペクトルデータであってもよく、データ値の配列（例えば、画像データパケットなど）として処理される。各データ値は、単一の数値で表すことも、値を表す一連の数値として表すこともできる。これらの値は、ニューロンの重みパラメータで乗算されてもよく（例えば、ニューラルネットワークを使用して）、バイアスが追加されてもよい。これはニューロンの非線形性に影響を与え得る。ニューロンによって出力された結果の数値は、この出力に後続のニューロンの重み値を乗算し、任意選択でバイアスを追加し、再びニューロンの非線形性に影響を与えることで、値と同じように扱うことができる。このような処理の各反復は、ニューラルネットワークの「層」として知られている。最終層の最終出力は、材料（例えば、暗色および／または黒色のプラスチック）が、その材料片に関する捕捉されたデータに存在するか存在しないかの確率として解釈され得る。このような処理の例は、前述の参考文献「ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ」と「Ｇｒａｄｉｅｎｔ－Ｂａｓｅｄ Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ」の両方で詳しく説明されている。

【0098】

ニューラルネットワークが最終層（「分類層」）として実装される本開示の特定の実施形態によれば、ニューロンの出力の最終セットは、材料片（例えば、暗色および／または黒色のプラスチックなど）が捕捉されたデータに関連付けられている可能性を表すように訓練される。動作中、材料片が捕捉されたデータに関連付けられている可能性がユーザ指定の閾値を超えている場合、材料片が捕捉されたデータに実際に関連付けられていると判定される。これらの技術を拡張して、特定の捕捉されたデータに関連付けられたあるタイプの材料の存在だけでなく、特定の捕捉されたデータのサブ領域が１つのタイプの材料に属するか、または別のタイプの材料に属するかを判定することもできる。この処理はセグメンテーションとして知られており、「完全畳み込み」ニューラルネットワークとして知られるニューラルネットワークや、完全に畳み込みではないにしても畳み込み部分を含む（すなわち、部分的に畳み込みである）ネットワークなど、ニューラルネットワークを使用する技術が文献に存在する。これにより、材料の位置およびサイズを判定できるようになる。

【0099】

本開示は機械学習技術にのみ限定されるものではないことを理解されたい。材料の分類／識別のための他の一般的な手法も使用できる。例えば、センサシステムは、マルチスペクトルカメラまたはハイパースペクトルカメラを使用した分光分析技術を利用して、材料のスペクトル放射（すなわち、スペクトル撮像）を調べることによってあるタイプ、クラスまたはフラクションの材料の存在または不在を示す信号を提供し得る。テンプレートマッチングアルゴリズムでは材料片のスペクトル画像も使用される場合があり、このアルゴリズムでは、スペクトル画像のデータベースが取得されたスペクトル画像と比較され、そのデータベースから特定のタイプの材料の有無が検出される。捕捉されたスペクトル画像のヒストグラムをヒストグラムのデータベースと比較することもできる。同様に、バッグオブワードモデルをスケール不変特徴変換（「ＳＩＦＴ」）などの特徴抽出技術とともに使用して、捕捉されたスペクトル画像とデータベース内の抽出された特徴とを比較することもできる。

【0100】

したがって、本明細書に開示されているように、本開示の特定の実施形態は、どの材料片（例えば、稼働エアバッグモジュール）が定義されたグループ内のコンベヤシステムから方向転換されるべきかを判定するために、１つまたは複数の異なるタイプ、クラスまたはフラクションの材料の識別／分類を提供する。特定の実施形態によれば、機械学習技術は、材料の様々な１つまたは複数の異なるタイプ、クラス、またはフラクション（例えば、暗色および／または黒色のプラスチック）を識別するニューラルネットワークを訓練（つまり、構成）するために利用される。材料（例えば、コンベアシステム上を移動するもの）からスペクトル画像やその他のタイプの感知情報（例えば、ＭＷＩＲスペクトルデータ）が捕捉され、そしてそのような材料の識別／分類に基づいて、本明細書に記載のシステムは、どの材料片をコンベヤシステム上に残しておき、どの材料片をコンベヤシステムから方向転換／除去すべきかを判定することができる（例えば、収集ビンに入れるか、別のコンベヤシステムに方向転換するかのいずれか）。

【0101】

本開示の特定の実施形態によれば、既存の設備（例えば、システム１００）用の機械学習システムは、現在のニューラルネットワークパラメータのセットを新しいニューラルネットワークパラメータのセットに置き換えることによって、材料の新しいタイプ、クラス、またはフラクションの特性を識別／分類するために動的に再構成され得る。

【0102】

ここで言及すべき点の１つは、本開示の特定の実施形態によれば、材料片の検出／捕捉された特徴／特性（例えば、スペクトル画像）は、必ずしも単に特に識別可能または識別可能な物理的特性である必要はなく、それらは、数学的にのみ表現できる抽象的な公式である場合もあれば、まったく数学的に表現できない場合もあり、それにもかかわらず、機械学習システムはスペクトルデータを解析して、訓練段階で制御サンプルを分類できるパターンを探すように構成され得る。さらに、機械学習システムは、材料片の捕捉された情報（例えば、スペクトル画像など）のサブセクションを取得し、事前に定義された分類間の相関関係を見つけようとし得る。

【0103】

本開示の特定の実施形態によれば、材料片の制御サンプルが視覚システムおよび／またはセンサシステムによって渡される訓練段階を利用する代わりに、機械学習システムの訓練は、ラベル付け／注釈技術を利用して実行でき、これにより、材料片のデータ／情報が視覚／センサシステムによって捕捉されるため、ユーザは、各材料片を識別するラベルまたは注釈であって、材料片の不均一混合物内で材料片を分類する際に機械学習システムが使用するライブラリの作成に使用されるラベルまたは注釈を入力する。

【0104】

図３～図６を参照すると、本開示の特定の実施形態は、プラスチックの様々なタイプ、クラス、またはフラクションを一意に識別し、有機および無機の化学組成によって分別できるようにする方法で、複数のセンサ技術（例えば、視覚（「ＶＩＳ」）、ＸＲＦ、ＮＩＲ、およびＭＷＩＲの任意の組み合わせ）を組み合わせまたは融合するように構成され得る。ただし、ＭＳＷ内のこれらのプラスチック片には様々なサイズや形状があるため、これらの様々なセンサから生成される信号には、センサ間で大きな差異がある場合がある。したがって、機械学習と様々なセンサ技術の融合を組み合わせることで、このような大きな分散が存在する場合でも、これらの信号の分類精度が向上する。システムに複数の異なるセンサを実装すると、システムのコストが増加し、分別速度も低下する可能性があるため、本開示の特定の実施形態は、より少ない数のセンサシステム（およびその結果としてより低い資本コストおよび運用コスト）を備えたシステム（例えば、システム１００）を実装して、経済的実行可能性を高めるが、それでも材料を十分に分別することができる。

【0105】

図４は、材料片（例えば、プラスチック片）４０１が、各材料片４０１からスペクトルデータを捕捉するセンサシステムを通過してコンベヤシステム４０３によって搬送される、システム（例えば、システム１００）の簡略化された概略図を示す。この非限定的な例では、センサシステムは、各材料片４０１の可視画像データを捕捉するカメラ４１０（例えば、視覚システム１１０）、ＸＲＦシステム４１１、ＮＩＲシステム４１２、およびＭＷＩＲシステム４１３である。ただし、本明細書に開示されている任意の他のセンサシステムは、任意の組み合わせで利用できることに留意されたい。

【0106】

図３および図４を参照すると、材料の化学的特徴は、１つまたは複数のセンサシステムを使用して処理ブロック３０１で判定される。センサシステムからの感知／検出／捕捉された信号は、材料片ごとに（例えば、多次元データ配列で）組み合わされて、化学的特徴が作成される。ＸＲＦセンサシステムはプラスチック片内の無機元素または分子の存在を判断できる一方、ＮＩＲやＭＷＩＲなどの１つまたは複数の他のセンサシステムを組み合わせると、プラスチック片内の有機元素や分子の存在を判断できることを思い出されたい。処理ブロック３０２では、各材料片の可視画像が捕捉される。処理ブロック３０３では、各材料片の捕捉された可視画像（すなわち、それに関連する画像データ）が、その判定された化学的特徴（すなわち、スペクトル画像データ）と関連付けられる。図５および図６は、２つの異なるタイプのプラスチック材料、すなわちポテトチップスの袋および電子機器のパッケージの化学的特徴および関連する画像データの非限定的な例示的な表現を示す。容易に分かるように、異なるタイプまたはクラスのプラスチック片は、異なる（固有の）化学的特徴を有し、これらは、プラスチック廃棄物の分別および／または分類（ユーザ定義でよい）を生成するために本開示の実施形態内で利用される。本開示の特定の実施形態によれば、特定のタイプまたはクラスのプラスチック片の制御グループは、特定の化学的特徴を特定のタイプまたはクラスのプラスチック片に関連付けるよう機械学習システムを訓練するために、図４に示すシステムを通じて実行され得る。

【0107】

例えば、図５に示す例に関しては、複数のポテトチップスの袋（物理的条件や向きが異なる袋、あるいはチップのブランドおよび／またはメーカーに関連付けられた袋も含まれる場合がある）から捕捉された画像は、機械学習システムを訓練するために処理され得る。

【0108】

処理ブロック３０４は、プラスチック片を１つまたは複数のフラクションに分離することを含み得る。これらのフラクションを作成するには様々な方法がある。１つの方法は、主要な要素に基づいて第１の層を作成し、次にマイナーな要素に基づいて第２、さらには第３の層を作成することである。例えば、最初にポリマーのタイプによってフラクションを判定し、次にアルミニウムや亜鉛などの無機元素に分岐することができる。次に、ポリマーのブレンド用に他の例示的なフラクションを作成し、その無機元素組成に分岐することができる。このタイプのクラスタリングを実行してフラクションを判定するための、主成分分析、Ｋ平均法クラスタリング、教師なし学習および半半教師あり学習などの計算手法もある。フラクションは本明細書においてさらに定義される。

【0109】

処理ブロック３０５では、フラクションが判定された後、フラクションに関するプラスチック片を（例えば手動で）分別して、各フラクションの制御グループを作成することができる。各フラクションはセンサシステムで測定されたため、各制御グループにはその片に関する化学情報が含まれている。視覚システム（例えば、視覚システム１１０）は、それらのフラクションを識別するように機械学習システムを訓練するために使用され得る。この方法を使用すると、プラスチック内の化学データが視覚的特徴に変換され、機械学習システムがそれを学習して分類できるようになる。また、システム１００を使用して視覚画像に基づいて分類を実行すると、化学組成によってプラスチックも分離される。この方法は、２つの物体が異なって見え、異なる化学組成を持っている場合に機能する。２つの物体が同じか非常によく似ていて、化学組成が異なる場合、分類を実行するために２つ以上のセンサシステム（例えば、ＶＩＳとＸＲＦなど）が使用され得る。

【0110】

判定されたフラクションは、任意の所望の様々な特定の有機および／または無機元素または分子を構成する可能性があるため、処理３００は、分別システム内で実装される機械学習システムを訓練するために利用され得、それにより、異なるプラスチック片の不均一混合物を分別して、１つまたは複数の異なるタイプまたはクラスのプラスチック片を含む少なくとも１つのフラクションを生成するように構成される。例えば、機械学習システムが、有機および／または無機の要素または分子の指定された組み合わせを含む任意のプラスチック片を識別するように訓練されている場合、並べ替えが完了したら、分別されたフラクションには、すべてが同一ではないプラスチック片（つまり、各プラスチックチップバッグは、所定の割合によって定義される有機および／または無機要素または分子で構成されているため、チップの異なるブランドに関する複数のプラスチックチップバッグ）が含まれている可能性がある。

【0111】

図７は、本開示の特定の実施形態による、視覚システムおよび／または１つまたは複数のセンサシステムを利用して材料片を分類／分別する処理３５００の例示的な実施形態を示すフローチャート図を示す。処理３５００の様々な側面は、ＭＷＩＲ分光法が利用されているという事実を考慮して修正され得ることに留意されたい。処理３５００は、プラスチック片の不均一混合物を、所定のタイプ、クラス、および／または分画の任意の組み合わせに分類する（例えば、暗色および／または黒色のプラスチックを、他のプラスチックまたは廃棄物から分類および／または分別する）ために実行され得る。処理３５００は、図１のシステム１００を含む、本明細書に記載される本開示の任意の実施形態内で動作するように構成され得る。処理３５００の動作は、システム（例えば、図１のコンピュータシステム１０７、視覚システム１１０、および／またはセンサシステム１２０）を制御するコンピュータシステム（例えば、図９のコンピュータシステム３４００）内を含むハードウェアおよび／またはソフトウェアによって実行され得る。処理ブロック３５０１では、材料片は、コンベヤシステム上に堆積され得る。処理ブロック３５０２では、各材料片がシステム１００を通って移動する際の各材料片を追跡するために、各材料片のコンベヤシステム上の位置が検出される。これは、視覚システム１１０によって（例えば、コンベヤシステム位置検出器（例えば、位置検出器１０５）と通信しながら、下にあるコンベヤシステム材料から材料片を区別することによって）実行され得る。代替的に、材料片を追跡するために材料追跡装置１１１を使用することもできる。または、光源（可視光、ＵＶ、およびＩＲを含むがこれらに限定されない）を生成でき、材料片の位置を特定するために使用できる検出器を備えたシステムを使用することもできる。処理ブロック３５０３では、材料片が１つまたは複数の視覚システムおよび／またはセンサシステムの近くを移動したとき、材料片の感知された情報／特性が（例えば、視覚システムまたは１つまたは複数のＭＷＩＲカメラで実装されたセンサシステムによって）捕捉／取得される。処理ブロック３５０４では、以前に開示されたような視覚システム（例えば、コンピュータシステム１０７内に実装される）は、（例えば、背景（例えば、ベルトコンベヤ）から）各材料片の情報を検出（抽出）するために利用され得る捕捉された情報（例えば、各材料片からの反射ＭＷＩＲ）の前処理を実行することができる。言い換えれば、前処理は、材料片と背景の違いを識別するために利用され得る。拡張、閾値処理、輪郭化などのよく知られた画像処理技術を利用して、材料片を背景から区別できるものとして識別することができる。処理ブロック３５０５では、セグメンテーションが実行され得る。例えば、捕捉された情報には、１つまたは複数の材料片に関する情報が含まれ得る。さらに、画像が捕捉されるときに、特定の材料片がコンベアベルトの継ぎ目に位置する可能性がある。したがって、このような場合には、画像の背景から個々の材料片の画像を分離することが望ましい場合がある。処理ブロック３５０５の例示的な技術では、第１のステップは、画像の高コントラストを適用することであり、このようにして、背景ピクセルは実質的にすべて黒色のピクセルに減らされ、材料片に関する少なくとも一部のピクセルは実質的にすべて白色のピクセルにまで明るくされる。材料片の白い画像ピクセルは、材料片全体のサイズをカバーするように拡張される。このステップを完了すると、材料片の位置は、黒い背景にすべて白いピクセルが配置された高コントラストの画像になる。次に、材料片の境界を検出するために輪郭アルゴリズムが利用され得る。境界情報が保存され、境界位置が元の画像に転送される。次に、元の画像の、以前に定義した境界よりも大きい領域でセグメンテーションが実行される。このようにして、材料片が識別され、背景から分離される。

【0112】

任意選択の処理ブロック３５０６では、材料片は、各材料片を追跡するため、および／または材料片のサイズおよび／または形状を決定するために、材料片追跡装置および／またはセンサシステムの近くでコンベアシステムに沿って搬送されてもよく、これは、ＸＲＦシステムまたはその他の分光センサも分別システム内に実装されている場合に役立ち得る。処理ブロック３５０７では、後処理が実行され得る。後処理には、機械学習システムでの使用に備えて、捕捉された情報／データのサイズ変更が含まれ得る。この後処理には、材料片を分類する機会学習システムの機能を強化する方法で、特定の特性を変更する（例えば、画像のコントラストを強化する、画像の背景を変更する、フィルタを適用するなど）ことも含まれ得る。処理ブロック３５０９では、データのサイズが変更され得る。特定の状況下では、ニューラルネットワークなどの特定の機械学習システムのデータ入力要件に合わせてデータのサイズ変更が望まれる場合がある。例えば、ニューラルネットワークでは、一般的なデジタルカメラで捕捉された画像のサイズよりもはるかに小さい画像サイズ（例えば、２２５×２５５ピクセルまたは２９９×２９９ピクセル）が必要な場合がある。さらに、入力データのサイズが小さいほど、分類の実行に必要な処理時間は短くなる。したがって、データサイズが小さいほど、最終的にシステム１００のスループットが向上し、その価値が増大し得る。

【0113】

処理ブロック３５１０および３５１１では、１つまたは複数のＭＷＩＲカメラによって感知／検出された特徴に基づいて、各材料片が識別／分類される。例えば、処理ブロック３５１０は、抽出された特徴を、以前に生成された知識ベース（例えば、訓練段階中に生成された）に格納された特徴と比較する、１つまたは複数の機械学習アルゴリズムを使用するニューラルネットワークで構成されてもよく、そのような比較に基づいて、最も一致する分類を材料のそれぞれに割り当てる。機械学習システムのアルゴリズムは、自動的に訓練されたフィルタを使用して、捕捉した情報／データを階層的に処理してもよい。フィルタ応答は、最終ステップで確率が得られるまで、アルゴリズムの次のレベルで正常に結合される。処理ブロック３５１１では、これらの確率をＮ個の分類のそれぞれに対して使用して、それぞれの材料片をＮ個の分別容器のどれに分別するべきかを判定することができる。例えば、Ｎ個の分類のそれぞれを１つの分別容器に割り当てることができ、検討中の材料片は、事前に定義された閾値より大きい確率を返す分類に対応するその容器に分別される。本開示の実施形態では、そのような所定の閾値は、ユーザによって事前設定されてもよい。いずれの確率も所定の閾値よりも大きくない場合、特定の材料片は外れ値容器（例えば、分別容器１４０）に分類されてもよい。

【0114】

次に、処理ブロック３５１２において、材料片の分類に対応して分別装置が起動される。材料片の画像が捕捉された時刻と分別装置が作動する時刻との間に、材料片が視覚システムおよび／またはセンサシステムの近くからコンベヤシステムの下流の位置に移動した（例えば、コンベヤシステムの搬送速度で）。本開示の実施形態では、分別装置の起動は、材料片がその材料片の分類にマッピングされた分別装置を通過するときに分別装置が起動し、材料片がコンベヤシステムから、関連する分別容器に方向転換／排出されるようにタイミング調整される。本開示の実施形態では、分別装置の起動は、材料片が分別装置の前を通過するときを検出し、分別装置の起動を可能にする信号を送信するそれぞれの位置検出器によってタイミング調整され得る。処理ブロック３５１３では、起動された分別装置に対応する分別容器が、方向転換／排出された材料片を受け取る。

【0115】

図８は、本開示の特定の実施形態による、材料片を分別する処理８００の例示的な実施形態を示すフローチャート図を示す。処理８００の様々な態様は、ＭＷＩＲ分光法が利用されているという事実を考慮して修正され得ることに留意されたい。処理８００は、図１のシステム１００を含む、本明細書に記載される本開示の任意の実施形態内で動作するように構成され得る。処理８００は、処理３５００と連携して動作するように構成されてもよい。例えば、本開示の特定の実施形態によれば、処理ブロック８０３および８０４は、機械学習システムと併せて実装される視覚システム１１０の取り組みを、材料片を分類および／または分別するために機械学習システムと組み合わせて実装されていないセンサシステム（例えば、センサシステム１２０）と組み合わせるために、処理３５００に組み込むことができる（例えば、処理ブロック３５０３～３５１０と直列または並列に動作する）。

【0116】

処理８００の動作は、システム（例えば、図１のコンピュータシステム１０７）を制御するコンピュータシステム（例えば、図９のコンピュータシステム３４００）内を含むハードウェアおよび／またはソフトウェアによって実行され得る。処理ブロック８０１では、コンベヤシステム上に材料片を堆積することができる。次に、任意選択の処理ブロック８０２において、材料片は、各材料片を追跡し、および／または材料片のサイズおよび／または形状を判定するために、材料片追跡装置および／または光学画像システムの近傍内でコンベヤシステムに沿って搬送され得る。処理ブロック８０３では、材料片がセンサシステムの近くを移動すると、材料片は、ＥＭエネルギー（波）（例えば、１つまたは複数のＭＷＩＲカメラから）、またはセンサシステムで利用される特定のタイプのセンサ技術に適したその他のタイプの刺激で調べられるか、刺激され得る。処理ブロック８０４では、材料片の物理的特性がセンサシステムによって感知／検出され、捕捉される。処理ブロック８０５では、材料片の少なくとも一部について、材料のタイプは、捕捉された特性に（少なくとも部分的に）基づいて識別／分類され、視覚システム１１０と連動した機械学習システムによる分類と組み合わせることができる。

【0117】

次に、材料片の分別が実行される場合、処理ブロック８０６において、材料片の分類に対応する分別装置が起動される。材料片を感知してから分別装置が起動されるまでの間に、材料片は、コンベアシステムの搬送速度で、センサシステムの近くからコンベアシステムの下流の位置に移動した。本開示の特定の実施形態では、分別装置の起動は、材料片が材料片の分類にマッピングされた分別装置を通過すると、分別装置が起動され、材料片がコンベヤシステムからその関連する分別容器に方向転換／排出されるようにタイミング調整される。本開示の特定の実施形態では、分別装置の起動は、材料片が分別装置の前を通過するときを検出し、分別装置の起動を可能にする信号を送信するそれぞれの位置検出器によってタイミング調整され得る。処理ブロック８０７では、起動した分別装置に対応する分別容器が、方向転換／排出された材料片を受け取る。

【0118】

本開示の特定の実施形態によれば、システム１００の複数の少なくとも一部は、分別の複数の反復または層を実行するために連続して一緒にリンクされ得る。例えば、このように２つ以上のシステム１００が連携する場合、コンベヤシステムは単一のコンベヤベルトまたは複数のコンベヤベルトで実装でき、材料片を、材料の不均一混合物の第１のセットの材料片を分別装置（例えば、第１の自動制御システム１０８および関連する１つまたは複数の分別装置１２６…１２９）によって１つまたは複数の容器（例えば、分別ビン１３６…１３９）の第１のセットに分別するように構成された第１の視覚システム（および特定の実施形態によれば、センサシステム）を通過させて搬送し、そして、材料片を、第２の分別装置によって材料の不均一混合物の第２のセットの材料片を１つまたは複数の分別ビンの第２のセットに分別するように構成された第２の視覚システム（および特定の実施形態によれば、別のセンサシステム）を通過させて搬送する。このような多段階分別のさらなる議論は、参照により本明細書に組み込まれる米国特許出願公開第２０２２／００１６６７５号に記載されている。

【0119】

このような一連のシステム１００は、そのような方法で相互にリンクされた任意の数のそのようなシステムを含むことができる。本開示の特定の実施形態によれば、各連続システムは、前のシステムとは異なる分類またはタイプの材料を分別するように構成され得る。

【0120】

本開示の様々な実施形態によれば、材料の異なるタイプ、クラス、またはフラクションは、それぞれ機械学習システムで使用するための異なるタイプのセンサによって分類され、スクラップまたは廃棄物の流れの中の材料片を分類するために組み合わせられ得る。

【0121】

本開示の様々な実施形態によれば、２つ以上のセンサからのデータ（例えば、スペクトルデータ）は、材料片の分類を実行するために、単一または複数の機械学習システムを使用して組み合わせることができる。

【0122】

本開示の様々な実施形態によれば、複数のセンサシステムを単一のコンベヤシステムに取り付けることができ、各センサシステムは異なる機械学習システムを利用することができる。本開示の様々な実施形態によれば、複数のセンサシステムを異なるコンベヤシステムに取り付けることができ、各センサシステムは異なる機械学習システムを利用することができる。

【0123】

本開示の特定の実施形態は、分別後に特定の元素または材料の所定の重量または体積パーセント未満の含有量を有する材料の塊を生成するように構成され得る。

【0124】

本開示の様々な実施形態によれば、異なるタイプのセンサシステムの任意の組み合わせを利用して、本明細書に開示される材料を識別／分類し、場合によっては分別することができる。例えば、本明細書に開示される各画像センサまたは分光センサは、そのセンサシステムに特有の機械学習システムによって処理されるように、材料片から感知された情報／特性からデータを生成するために使用され得る。代替的に、任意のセンサシステムを機械学習システムによる処理なしで使用することも、機械学習システムによる処理を使用して使用することも、両方を組み合わせて使用することもできる。

【0125】

本開示の様々な実施形態によれば、材料の異なるタイプ、クラス、および／またはフラクションは、それぞれ機械学習システムで使用するための異なるタイプのセンサシステムによって分類され、廃棄物の流れ中の材料片を分類するために組み合わせられ得る。

【0126】

ここで図９を参照すると、本開示の実施形態の態様が実装され得るデータ処理（「コンピュータ」）システム３４００を示すブロック図が示されている。（「コンピュータ」、「システム」、「コンピュータシステム」、および「データ処理システム」という用語は、本明細書では同じ意味で使用される場合がある）。コンピュータシステム１０７、自動制御システム１０８、センサシステム１２０の態様、および／または視覚システム１１０は、コンピュータシステム３４００と同様に構成され得る。コンピュータシステム３４００は、ローカルバス３４０５（例えば、周辺構成要素相互接続（「ＰＣＩ： ｐｅｒｉｐｈｅｒａｌ ｃｏｍｐｏｎｅｎｔ ｉｎｔｅｒｃｏｎｎｅｃｔ」）ローカルバスアーキテクチャ）を使用することができる。とりわけ、Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ（「ＡＧＰ」）やＩｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ（「ＩＳＡ」）など、任意の適切なバスアーキテクチャを利用できる。１つまたは複数のプロセッサ３４１５、揮発性メモリ３４２０、および不揮発性メモリ３４３５が、（例えば、ＰＣＩブリッジ（図示せず）を介して）ローカルバス３４０５に接続され得る。統合されたメモリコントローラおよびキャッシュメモリが、１つまたは複数のプロセッサ３４１５に結合され得る。１つまたは複数のプロセッサ３４１５は、１つまたは複数の中央プロセッサユニットおよび／または１つまたは複数のグラフィックスプロセッサユニット３４０１および／または１つまたは複数のテンソル処理ユニットを含み得る。ローカルバス３４０５への追加接続は、構成要素の直接相互接続またはアドインボードを通じて行うことができる。図示の例では、通信（例えば、ネットワーク（ＬＡＮ））アダプタ３４２５、Ｉ／Ｏ（例えば、小型コンピュータシステムインターフェース（「ＳＣＳＩ」）ホストバス）アダプタ３４３０、および拡張バスインターフェース（図示せず）は、構成要素直接接続によってローカルバス３４０５に接続され得る。オーディオアダプタ（図示せず）、グラフィックスアダプタ（図示せず）、およびディスプレイアダプタ３４１６（ディスプレイ３４４０に結合された）は、（例えば、拡張スロットに挿入されたアドインボードによって）ローカルバス３４０５に接続され得る。

【0127】

ユーザインターフェースアダプタ３４１２は、キーボード３４１３およびマウス３４１４、モデム（図示せず）、および追加のメモリ（図示せず）の接続を提供することができる。Ｉ／Ｏアダプタ３４３０は、ハードディスクドライブ３４３１、テープドライブ３４３２、およびＣＤ－ＲＯＭドライブ（図示せず）への接続を提供することができる。

【0128】

オペレーティングシステムが、１つまたは複数のプロセッサ３４１５上で実行され、コンピュータシステム３４００内の様々な構成要素を調整および制御するために使用され得る。図９では、オペレーティングシステムは市販のオペレーティングシステムであってもよい。オペレーティングシステムと連携してオブジェクト指向プログラミングシステム（例えば、Ｊａｖａ、Ｐｙｔｈｏｎなど）が実行でき、システム３４００上で実行されているプログラム（例えば、Ｊａｖａ、Ｐｙｔｈｏｎなど）からオペレーティングシステムへの呼び出しを提供する。オペレーティングシステム、オブジェクト指向オペレーティングシステム、およびプログラムのための命令は、ハードディスクドライブ３４３１などの不揮発性メモリ３４３５記憶装置上に配置されてもよく、プロセッサ３４１５による実行のために揮発性メモリ３４２０にロードされてもよい。

【0129】

当業者であれば、図９のハードウェアが実装に応じて変わり得ることを理解するであろう。図９に示すハードウェアに加えて、またはその代わりに、フラッシュＲＯＭ（または同等の不揮発性メモリ）または光ディスクドライブなどの他の内部ハードウェアまたは周辺装置を使用することもできる。また、本開示の処理のいずれも、マルチプロセッサコンピュータシステムに適用されてもよいし、複数のそのようなシステム３４００によって実行されてもよい。例えば、機械学習システムの訓練は第１のコンピュータシステム３４００によって実行され得る一方、分別のためのシステム１００の動作は第２のコンピュータシステム３４００によって実行され得る。

【0130】

別の例として、コンピュータシステム３４００は、コンピュータシステム３４００が何らかのタイプのネットワーク通信インターフェースを含むか否かに関わらず、ある種のネットワーク通信インターフェースに依存せずに起動可能となるように構成されたスタンドアロンシステムであってもよい。さらなる例として、コンピュータシステム３４００は、オペレーティングシステムファイルまたはユーザ生成データを格納する不揮発性メモリを提供するＲＯＭおよび／またはフラッシュＲＯＭで構成される組み込みコントローラであってもよい。

【0131】

図９に示されている例と上記の例は、アーキテクチャ上の制限を示唆するものではない。さらに、本開示の態様のコンピュータプログラム形式は、コンピュータシステムによって使用される任意のコンピュータ可読記憶媒体（すなわち、フロッピーディスク、コンパクトディスク、ハードディスク、テープ、ＲＯＭ、ＲＡＭなど）上に常駐することができる。

【0132】

本明細書で説明したように、本開示の実施形態は、材料片を識別、追跡、分類、および／または分別するために説明された様々な機能を実行するように実装され得る。このような機能は、１つまたは複数のデータ処理システム（例えば、図９のデータ処理システム３４００）内など、前述のコンピュータシステム１０７、視覚システム１１０、センサシステム１２０の態様、および／または自動制御システム１０８など、ハードウェアおよび／またはソフトウェア内に実装できる。ただし、本明細書で説明する機能は、特定のハードウェア／ソフトウェアプラットフォームへの実装に限定されるものではない。

【0133】

当業者には理解されるように、本開示の態様は、システム、処理、方法、および／またはコンピュータプログラム製品として具体化され得る。したがって、本開示の様々な態様は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、または、本明細書では一般に「回路（ｃｉｒｃｕｉｔ）」、「回路（ｃｉｒｃｕｉｔｒｙ）」、「モジュール」、または「システム」と呼ばれる、ソフトウェアおよびハードウェアの態様を組み合わせた実施形態の形態を取り得る。さらに、本開示の態様は、コンピュータ可読プログラムコードが組み込まれた１つまたは複数のコンピュータ可読記憶媒体に組み込まれたコンピュータプログラム製品の形態をとってもよい。（ただし、１つまたは複数のコンピュータ可読媒体の任意の組み合わせを利用することもできる。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であってもよい。）

【0134】

コンピュータ可読記憶媒体は、例えば、電子、磁気、光学、電磁、赤外線、生物、原子、または半導体のシステム、装置、コントローラ、またはデバイス、あるいはそれらの任意の適切な組み合わせであってもよいが、これらに限定されず、コンピュータ可読記憶媒体それ自体は一時的な信号ではない。コンピュータ可読記憶媒体のより具体的な例（非網羅的なリスト）には、１つまたは複数のワイヤを有する電気接続、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（「ＲＡＭ」）（例えば、図９のＲＡＭ３４２０）、読み取り専用メモリ（「ＲＯＭ」）（例えば、図９のＲＯＭ３４３５）、消去可能プログラマブル読み取り専用メモリ（「ＥＰＲＯＭ」またはフラッシュメモリ）、光ファイバ、ポータブルコンパクトディスク読み取り専用メモリ（「ＣＤ－ＲＯＭ」）、光記憶装置、磁気記憶装置（例えば、図９のハードドライブ３４３１）、または前述のものの任意の適切な組み合わせが含まれ得る。この文書の文脈において、コンピュータ可読記憶媒体とは、命令実行システム、装置、コントローラ、またはデバイスによって使用される、またはそれらに関連して使用されるプログラムを含むまたは記憶できる任意の有形媒体であってよい。コンピュータ可読信号媒体上に具現化されたプログラムコードは、無線、有線、光ファイバケーブル、ＲＦなどを含むがこれらに限定されない任意の適切な媒体、または前述のものの任意の適切な組み合わせを使用して送信され得る。

【0135】

コンピュータ可読信号媒体は、例えばベースバンドまたは搬送波の一部として、その中に組み込まれたコンピュータ可読プログラムコードを有する伝播データ信号を含み得る。このような伝播信号は、電磁気、光、またはそれらの適切な組み合わせを含むがこれらに限定されない、様々な形式のいずれかを取り得る。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、装置、コントローラ、またはデバイスによって、またはそれらに関連して使用するためのプログラムを通信、伝播、または移送できる任意のコンピュータ可読媒体であってよい。

【0136】

図中のフローチャートおよびブロック図は、本開示の様々な実施形態によるシステム、方法、処理、およびプログラム製品の可能な実装のアーキテクチャ、機能性、および動作を示す。この点に関して、フローチャートまたはブロック図の各ブロックは、指定された論理機能を実装するための１つまたは複数の実行可能なプログラム命令を含む、コードのモジュール、セグメント、または一部を表し得る。また、実装によっては、ブロックに示されている機能が図に示されている順序と異なる順序で実行される可能性があることにも留意されたい。例えば、連続して示されている２つのブロックは、実際には、実質的に同時に実行されることもあれば、関係する機能に応じて、ブロックが逆の順序で実行されることもある。

【0137】

本明細書の説明では、フローチャート化された技術は一連の連続した動作で説明される場合がある。動作の順序と動作を実行する当事者は、教示の範囲から逸脱することなく自由に変更できる。動作は、いくつかの方法で追加、削除、または変更できる。同様に、動作の順序を変更したり、繰り返したりすることもできる。さらに、処理、方法、アルゴリズムなどは連続した順序で説明される場合があるが、そのような処理、方法、アルゴリズム、またはそれらの任意の組み合わせは、別の順序で実行されるように動作可能であってもよい。さらに、処理、方法、またはアルゴリズム内の一部の動作は、少なくともある時点で同時に実行される場合があり（例えば、並行して実行される動作）、全体、一部、またはそれらの任意の組み合わせで実行することもできる。

【0138】

様々なタイプのプロセッサ（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）によって実行されるソフトウェアで実装されるモジュールには、例えば、例えば、オブジェクト、プロシージャ、または関数として編成され得るコンピュータ命令の１つまたは複数の物理ブロックまたは論理ブロックが含まれ得る。ただし、識別されたモジュールの実行可能ファイルは物理的に一緒に配置されている必要はなく、異なる場所に格納されている異種の命令が含まれていてもよく、それらは論理的に結合されると、モジュールを組み込み、モジュールの指定された目的を達成する。実際、実行可能コードのモジュールは単一の命令である場合もあれば、多数の命令である場合もあり、複数の異なるコードセグメント、異なるプログラム間、および複数のメモリデバイスに分散される場合もある。同様に、運用データ（例えば、本明細書に記載される材料分類ライブラリ）は、本明細書においてモジュール内で識別および図示され得、任意の適切な形式で具体化され、任意の適切なタイプのデータ構造内で編成され得る。運用データは単一のデータセットとして収集されてもよいし、異なるストレージデバイスを含む異なる場所に分散されてもよい。データはシステムまたはネットワーク上に電子信号を提供してもよい。

【0139】

これらのプログラム命令は、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサ（例えば、ＧＰＵ３４０１、ＣＰＵ３４１５）を介して実行される命令が、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実装するための回路または手段を作成するように、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置（例えば、コントローラ）の１つまたは複数のプロセッサおよび／またはコントローラに提供されて、マシンを生産することができる。

【0140】

ブロック図および／またはフローチャート図の各ブロック、およびブロック図および／またはフローチャート図におけるブロックの組み合わせは、指定された機能または動作を実行する専用のハードウェアベースのシステム（例えば、１つまたは複数のグラフィックス処理ユニット（ＧＰＵ３４０１など）を含み得る）、または専用ハードウェアとコンピュータ命令の組み合わせによって実装できることにも留意されたい。例えば、モジュールは、カスタムＶＬＳＩ回路やゲートアレイ、論理チップなどの既製の半導体、トランジスタ、コントローラ、またはその他のディスクリート構成要素を含むハードウェア回路として実装できる。モジュールは、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイスなどのプログラマブルハードウェアデバイスで実装することもできる。

【0141】

本開示の態様の動作を実行するためのコンピュータプログラムコード、すなわち命令は、Ｊａｖａ、Ｓｍａｌｌｔａｌｋ、Ｐｙｔｈｏｎ、Ｃ＋＋などのオブジェクト指向プログラミング言語、「Ｃ」プログラミング言語または同様のプログラミング言語、または本明細書で開示される機械学習ソフトウェアのいずれかなどの従来の手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組み合わせで記述できる。プログラムコードは、スタンドアロンソフトウェアパッケージとして完全にユーザのコンピュータシステム上で実行され、一部がユーザのコンピュータシステム上で実行され、一部がユーザのコンピュータシステム（例えば、分別に使用されるコンピュータシステム）上で実行され、一部がリモートコンピュータシステム（例えば、センサシステムの訓練に使用されるコンピュータシステムなど）上で実行され、または完全にリモートコンピュータシステムまたはサーバ上で実行されてもよい。後者のシナリオでは、リモートコンピュータシステムは、ローカルエリアネットワーク（「ＬＡＮ」）またはワイドエリアネットワーク（「ＷＡＮ」）を含むあらゆるタイプのネットワークを介してユーザのコンピュータシステムに接続することができ、または、外部コンピュータシステムに接続することもできる（例えば、インターネットサービスプロバイダを使用したインターネット経由で）。

【0142】

これらのプログラム命令は、コンピュータ可読媒体に格納された命令が、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実装する命令を含む製品を生産するように、コンピュータシステム、他のプログラム可能なデータ処理装置、コントローラ、または他のデバイスを特定の方法で機能させることができるコンピュータ可読記憶媒体に格納することもできる。

【0143】

プログラム命令はまた、コンピュータまたは他のプログラム可能な装置上で実行される命令が、フローチャートおよび／またはブロック図のブロックで指定された機能／動作を実装するための処理を提供するように、コンピュータ、他のプログラム可能なデータ処理装置、コントローラ、または他の装置にロードされて、コンピュータ、他のプログラム可能な装置、または他の装置上で一連の動作ステップを実行させて、コンピュータ実装処理を生成することもできる。

【0144】

様々な実装のデータを保存し、データへのアクセスを提供するために、ホストに１つまたは複数のデータベースを含めることができる。当業者であれば、セキュリティ上の理由から、本開示の任意のデータベース、システム、または構成要素は、単一の場所または複数の場所にあるデータベースまたは構成要素の任意の組み合わせを含んでもよく、各データベースまたはシステムは、ファイアウォール、アクセスコード、暗号化、復号化などの様々な適切なセキュリティ機能のいずれかを含んでもよいことも理解するであろう。データベースは、リレーショナル、階層型、オブジェクト指向などの任意のタイプのデータベースであり得る。データベースの実装に使用できる一般的なデータベース製品には、ＩＢＭのＤＢ２、Ｏｒａｃｌｅ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なデータベース製品、Ｍｉｃｒｏｓｏｆｔ ＣｏｒｐｏｒａｔｉｏｎのＭｉｃｒｏｓｏｆｔ Ａｃｃｅｓｓ、またはその他のデータベース製品が含まれる。データベースは、データテーブルやルックアップテーブルなど、適切な方法で編成できる。

【0145】

特定のデータの関連付け（例えば、本明細書に記載の分別システムによって処理される材料片のそれぞれについて）は、当技術分野で知られ実践されている任意のデータ関連付け技術を通じて達成することができる。例えば、関連付けは手動または自動で実行できる。自動関連付け技術には、例えば、データベース検索、データベースのマージ、ＧＲＥＰ、ＡＧＲＥＰ、ＳＱＬなどが含まれ得る。関連付けステップは、例えば製造業者と小売業者のそれぞれのデータテーブルのキーフィールドを使用するデータベースマージ機能によって達成できる。キーフィールドは、キーフィールドで定義されたオブジェクトの高レベルクラスに従ってデータベースを分割する。例えば、特定のクラスを第１のデータテーブルと第２のデータテーブルの両方のキーフィールドとして指定することができ、キーフィールドのクラスデータに基づいて２つのデータテーブルをマージすることができる。これらの実施形態では、マージされたデータテーブルのそれぞれのキーフィールドに対応するデータは同じであることが好ましい。ただし、同一ではないものの、キーフィールドに類似したデータを持つデータテーブルも、例えば、ＡＧＲＥＰを使用してマージできる。

【0146】

本明細書では、何らかの機能を実行するようにデバイスを「構成する」こと、または「構成された」デバイスについて言及する。これには、監視または制御機能を含む特定の論理機能を提供するように、事前定義された論理ブロックを選択し、それらを論理的に関連付けることが含まれる場合があることを理解されたい。また、改造制御装置のコンピュータソフトウェアベースの論理のプログラミング、個別のハードウェア構成要素の配線、または前述のいずれかまたはすべての組み合わせも含まれ得る。

【0147】

本明細書の説明では、本開示の実施形態の完全な理解を提供するために、プログラミング、ソフトウェアモジュール、ユーザ選択、ネットワークトランザクション、データベースクエリ、データベース構造、ハードウェアモジュール、ハードウェア回路、ハードウェアチップ、コントローラなどの例などの多くの具体的な詳細が提供される。ただし、当業者は、本開示が、１つまたは複数の特定の詳細なしで、または他の方法、構成要素、材料などを使用して実施され得ることを認識するであろう。他の場合には、本開示の態様を曖昧にすることを避けるために、よく知られている構造、材料、または動作については、詳細に図示または説明しない場合がある。

【0148】

当業者であれば、システム１００の構成要素の様々な設定およびパラメータ（ニューラルネットワークパラメータを含む）は、分類および分別される材料のタイプ、望ましい分類および分別結果、使用される機器のタイプ、以前の分類の経験的結果、利用可能になるデータ、およびその他の要素に基づいて、時間の経過とともにカスタマイズ、最適化、および再構成できることを理解するはずである。

【0149】

本明細書全体を通じて「一実施形態」、「実施形態」、または同様の用語への言及は、実施形態に関連して説明される特定の特徴、構造、または特性が本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書全体にわたる「一実施形態において」、「実施形態において」、「実施形態」、「特定の実施形態」、「様々な実施形態」、および同様の用語の出現は、すべて同じ実施形態を指す場合があるが、必ずしも同じであるとは限らない。さらに、本開示の記載された特徴、構造、態様、および／または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。これに応じて、機能が最初は特定の組み合わせで機能すると主張されていたとしても、場合によっては、特許請求の範囲に記載された組み合わせから１つまたは複数の特徴を組み合わせから削除することができ、特許請求の範囲に記載された組み合わせは、サブコンビネーションまたはサブコンビネーションの変形例を対象とすることができる。

【0150】

利益、利点、および問題の解決策は、特定の実施形態に関して本明細書で説明されている。ただし、利益、利点、問題の解決策、および利益、利点、解決策が発生する、またはより顕著になる可能性のある要素は、一部またはすべての特許請求の範囲の重要な、必要な、または必須の機能や要素として解釈されない場合がある。さらに、本明細書に記載されている構成要素は、必須または重要であると明示的に記載されていない限り、本開示の実施に必要ではない。

【0151】

本明細書には多くの詳細が含まれているが、これらは本開示の範囲または特許請求の範囲を限定するものとして解釈されるべきではなく、むしろ本開示の特定の実装に特有の特徴の説明として解釈されるべきである。本明細書の見出しは、開示、開示の実施形態、または見出しの下に開示される他の事項を限定することを意図していない場合がある。

【0152】

本明細書において、「または」という用語は包括的なものであることが意図されており、「ＡまたはＢ」にはＡまたはＢが含まれ、さらにＡとＢの両方も含まれる。本明細書で使用される場合、「および／または」という用語は、エンティティのリストの文脈で使用される場合、単独または組み合わせて存在するエンティティを指す。したがって、例えば、「Ａ、Ｂ、Ｃ、および／またはＤ」という語句には、Ａ、Ｂ、Ｃ、およびＤが個別に含まれるが、Ａ、Ｂ、Ｃ、およびＤのあらゆる組み合わせおよびサブコンビネーションも含まれる。

【0153】

本明細書で使用される用語は、特定の実施形態を説明することのみを目的としており、本開示を限定することを意図したものではない。本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈上明らかに別段の指示がない限り、複数形も含むことを意図する場合がある。

【0154】

以下の特許請求の範囲における対応する構造、材料、動作、およびすべての手段またはステッププラス機能要素の均等物は、特に特許請求されている他の特許請求の要素と組み合わせて機能を実行するための任意の構造、材料、または動作を含むことが意図されている場合がある。

【0155】

本明細書で使用される場合、「コントローラ」、「プロセッサ」、「メモリ」、「ニューラルネットワーク」、「インターフェース」、「分別器」、「デバイス」、「押し出し機構」、「押し出し装置」、「画像センサ」、「ビン」、「容器」、「システム」、「回路」などの用語のそれぞれは、当業者によって認識および理解されるであろう非一般的なデバイス要素を指し、本明細書では、３５ Ｕ．Ｓ．Ｃ． １１２（ｆ）を援用する目的で臨時語または臨時用語として使用されない。

【0156】

特定された特性または状況に関して本明細書で使用される場合、「実質的に」とは、特定された特性または状況を測定できるほど損なわないほど十分に小さい逸脱の程度を指す。許容される逸脱の正確な程度は、場合によっては特定の状況に依存する場合がある。

【0157】

本明細書で使用される場合、便宜上、複数の品目、構造要素、構成要素、例示的なフラクション、および／または材料が共通のリストで提示される場合がある。ただし、これらのリストは、リストの各部材が別個の一意の部材として個別に識別されているかのように解釈される必要がある。したがって、そのようなリストの個々の部材は、反対の兆候なしに、共通のグループ内での表現のみに基づいて、同じリストの他の部材と事実上同等であると解釈されるべきではない。

【0158】

他に定義されない限り、本明細書で使用されるすべての技術用語および科学用語（周期表内のポリマーまたは化学元素に使用される頭字語など）は、ここで開示される主題が属する当業者に一般に理解されるのと同じ意味を有する。本明細書で言及されるすべての刊行物、特許出願、特許、およびその他の参考文献は、特定の文章が引用されない限り、その全体が参照により組み込まれる。矛盾がある場合には、定義を含む本明細書が制御する。さらに、材料、方法、および例（例えば、列挙されたフラクション、プラスチック）は例示のみを目的としており、限定することを意図したものではない。

【0159】

本明細書に記載されていない限り、特定の材料、処理行為、および回路に関する多くの詳細は従来のものであり、コンピューティング、エレクトロニクス、およびソフトウェア技術の教科書やその他の情報源で見つけることができる。

【0160】

別段の指示がない限り、本明細書および特許請求の範囲で使用される成分、反応条件などの量を表すすべての数字は、すべての場合において用語「約」によって修飾されるものとして理解されるべきである。したがって、反対の指示がない限り、本明細書および添付の特許請求の範囲に記載されている数値パラメータは、ここに開示されている主題によって得られることが求められる所望の特性に応じて変化し得る近似値である。

【符号の説明】

【0161】

１００ システム
１０１、２０１ 材料片
１０３、２０３、４０３ コンベヤシステム
１０４ コンベヤシステムモータ
１０５ 位置検出器
１０６ タンブラ／バイブレータ／シンギュレータ
１０７、３４００ コンピュータシステム
１０８ 自動制御システム
１０９ 実写カメラ
１１０ 光学認識システム
１１１ 材料片追跡装置
１１２ 制御システム
１２０ センサシステム
１２１ 放射源
１２２ 電源
１２４ 検出器
１２５ 検出器電子機器
１２６…１２９ 分別ビン
１４０ 分別容器、ビン
４０１ プラスチック片
４１０ カメラ
４１１ ＸＲＦシステム
４１２ ＮＩＲシステム
４１３ ＭＷＩＲシステム
３４０１ グラフィックスプロセッサユニット（ＧＰＵ）
３４０５ ローカルバス
３４１２ ユーザインターフェースアダプタ
３４１３ キーボード
３４１４ マウス
３４１５ プロセッサ（ＣＰＵ）
３４１６ ディスプレイアダプタ
３４２０ 揮発性メモリ（ＲＡＭ）
３４２５ ネットワーク（ＬＡＮ）アダプタ
３４３０ Ｉ／Ｏアダプタ
３４３１ ハードディスクドライブ
３４３２ テープドライブ
３４３５ 不揮発性メモリ（ＲＯＭ）
３４４０ ディスプレイ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【国際調査報告】