Glacier Robotics는 미국 재활용 시설 전반에서 PET 누출을 70% 감소시켰습니다.

폐기물 재활용은 생각보다 훨씬 복잡합니다. 재료 회수 시설(MRF)에 단일 스트림 폐기물이 분류되지 않은 상태로 도착하면, 이를 유용한 상품 스트림으로 분리하는 작업은 자동화 장비, 광학 선별기, 그리고 빠르게 움직이는 혼란스러운 환경에서 작업하는 수작업 선별자의 조합에 의존하게 됩니다. 허용 오차는 매우 좁습니다. 잘못된 재료로 오염된 알루미늄 베일은 가치를 잃게 되며, 회수되지 못하고 흘러나간 귀중한 상품은 매립지로 향하게 됩니다.

Glacier는 이 과정을 더 안정적이고 효율적으로 만들기 위해 설립되었습니다. 샌프란시스코에 기반을 두고 Fast Company로부터 로봇 공학 및 엔지니어링 분야에서 가장 혁신적인 기업 1위로 선정된 Glacier는 재료 재활용 시설(MRF)을 위한 AI 기반 로봇 선별 시스템과 시설 분석 도구를 구축합니다. 이 로봇은 컨베이어 벨트에 직접 설치되어 컴퓨터 비전을 사용하여 실시간으로 재료를 식별하고 분류합니다. 분석 플랫폼은 시설 운영자에게 라인을 통과하는 항목과 문제가 발생하는 위치에 대한 가시성을 제공합니다.

Ultralytics YOLO11은 두 제품의 핵심 역할을 하며, 실시간 선별과 지속적인 모니터링을 가능하게 하는 탐지 및 분류 작업을 처리합니다.

Link to this section재활용 현장에 컴퓨터 비전 도입하기#

Glacier의 로봇 선별 시스템은 컨베이어 벨트 바로 위 스캐폴드에 장착된 상향식 카메라를 중심으로 구축되어, 아래를 통과하는 모든 물체를 포착하도록 배치되었습니다. 재료가 벨트를 따라 이동하면 카메라는 각 물체를 위에서 캡처하여 물체의 모양이나 방향에 관계없이 일관되고 방해받지 않는 시야를 시스템에 제공합니다.

Ultralytics YOLO11은 이 피드를 실시간으로 처리하여 각 물체가 통과할 때마다 이를 탐지하고 분류합니다. 모델은 탐지된 모든 항목에 대해 바운딩 박스와 클래스 라벨을 출력하며, 예를 들어 알루미늄 캔, 우유 병, 골판지 상자, 플라스틱 필름 중 무엇인지 식별합니다. 이 분류 결과와 벨트 속도 기반의 속도 추정치가 결합되어, Glacier의 시스템은 로봇 팔이 물체에 도달할 때 해당 물체가 어디에 있을지 탐지 후 일반적으로 1초 이내에 계산할 수 있습니다.

흡착 컵이 장착된 로봇 팔은 벨트에서 물체를 집어 클래스에 따라 적절한 수거함에 넣습니다. 이 전체 루프(탐지, 분류, 위치 예측, 집기)는 재료가 시설을 통과함에 따라 지속적으로 실행되며, 카메라는 물체가 범위를 벗어나기 전에 개당 2~3프레임을 시스템에 제공합니다.

병렬로, 동일한 카메라 데이터를 Glacier의 분석 플랫폼에 공급할 수 있습니다. 이미지는 클라우드로 업로드되고, 여기서 YOLO11이 추론을 실행하여 시간에 따른 유형별 물체 수를 집계합니다. 시설 운영자는 자동 선별 없이 라인에 대한 가시성만 확보하고자 할 경우 분석용 카메라를 독립적으로 설치할 수도 있습니다. 어느 쪽이든, 출력 결과는 시설을 통과하는 항목에 대한 구조화된 데이터의 지속적인 스트림입니다.

Fig. 1. 재활용 시설에서 작동 중인 Ultralytics YOLO11은 실시간 폐기물 탐지를 가능하게 하고 재활용 효율성 향상을 위해 재료 선별을 간소화합니다._

Link to this section이종 재료 분류의 도전 과제#

재활용 컨베이어 벨트에서의 객체 탐지는 생각보다 어려운 과제입니다. 벨트는 종종 분당 200피트가 넘는 속도로 작동하며, 재료들이 겹쳐 있거나, 부분적으로 가려져 있거나, 젖어 있거나, 더럽거나, 변형된 경우가 많습니다. 조명 조건도 다양합니다. 동일한 재료 범주 내의 물체라도 세탁 세제 용기, 비누 디스펜서, 우유 병과 같이 모두 2번 플라스틱임에도 불구하고 시각적으로는 매우 다르게 보일 수 있어 공통점이 거의 없습니다.

Glacier가 전국 수십 개의 MRF에 기술을 배포함에 따라, 복잡하고 시각적으로 이종인 재료 범주에서 성능을 개선하여 더 효율적으로 확장할 수 있는 더 엄격한 수준의 정확도가 필요했습니다. 이러한 이질성은 속도 및 범위와 결합되어, Glacier의 배포 규모가 커짐에 따라 현장 간 모델 일반화를 개선하는 것이 더욱 중요해지면서 이전 오픈 소스 탐지 모델을 넘어서야 하는 결과로 이어졌습니다.

Link to this section해결책으로서의 Ultralytics YOLO#

Glacier가 확장함에 따라 Ultralytics YOLO11을 배포한 것은 전반적으로 솔루션을 개선하고 최적화하려는 그들의 사명에 중요한 역할을 했습니다. YOLO11은 성능 요구 사항이 서로 다른 두 가지 배포 환경에서 사용됩니다.

• 엣지 환경: 각 Glacier 로봇은 실시간 로봇 선별을 위해 전용 GPU에서 YOLO11을 로컬로 실행하여 카메라 피드를 실시간으로 처리합니다. 추론 지연 시간은 집기 타이밍 계산을 지원하기에 충분히 낮아, 시스템이 1초 이내에 물체의 위치를 파악할 수 있으며, 이는 탐지 및 분류가 해당 시간 내에 충분히 완료됨을 의미합니다.
• 클라우드 환경: 분석 플랫폼의 경우, 시설에서 캡처된 이미지는 AWS로 업로드되며, 여기서 YOLO11이 추론을 실행하여 시간에 따른 물체 수를 생성합니다. 이 파이프라인은 로봇 선별과 같은 방식으로 시간이 중요하지 않기 때문에 엣지 하드웨어가 아닌 클라우드에서 실행되며, 이를 통해 Glacier는 과거 데이터를 처리하고 대시보드 및 보고서를 통해 시설 운영자에게 인사이트를 제공할 수 있습니다.

YOLO11로의 전환은 이전 모델이 가장 어려움을 겪었던 영역에서 명확한 개선을 가져왔습니다. 특히 2번 플라스틱과 같은 이종 범주 전반에서 분류 정확도가 향상되어, Glacier는 현장별 미세 조정 없이도 여러 고객 사이트에 걸쳐 공유 모델을 배포할 수 있는 더욱 안정적인 기반을 갖게 되었습니다. 바운딩 박스 정밀도 또한 개선되었으며, 이는 데이터 검토 과정에서 Glacier 팀이 모델 출력을 사용하는 방식을 변화시켰습니다. 모델이 잘못 이해한 것을 표시하는 대신, 모델과 훈련 라벨 간의 불일치는 수정이 필요한 실제 주석 오류를 더 일관되게 지적했습니다. 이러한 변화로 데이터 개선 프로세스가 더 빠르고 타겟팅되게 되었습니다.

Link to this section왜 Ultralytics YOLO 모델인가?#

Glacier에게 있어 DETR에서 Ultralytics YOLO로 전환하기로 한 결정은 MRF 운영자가 안정적으로 추적하고 회수해야 하는 2번 플라스틱과 같은 특정 재료 클래스에 대한 분류 성능 때문이었습니다. YOLO11이 이러한 범주를 더 일관되게 처리할 수 있었다는 점이 결정적인 요인이었습니다.

바운딩 박스 품질 향상은 부차적이지만 의미 있는 이점이었습니다. 정밀한 바운딩 박스는 데이터 검토 및 주석 프로세스를 더 효율적으로 만들어, 팀이 모델이 라벨과 일치하지 않을 때 그것이 모델 오류보다는 데이터의 실제 오류를 가리킬 가능성이 높다고 신뢰하게 했습니다. 또한 Ultralytics Python 패키지는 Glacier 엔지니어들에게 엣지 및 클라우드 환경 모두에서 모델을 훈련, 미세 조정, 배포 및 유지 관리할 수 있는 직관적인 방법을 제공했습니다. GPU가 탑재된 엣지 하드웨어와 AWS 추론 파이프라인 전반에서 기본 탐지 코드를 재작성하지 않고도 동일한 모델 제품군을 실행할 수 있는 유연성은 Glacier의 배포 규모가 커짐에 따라 실질적인 이점이 되었습니다.

Link to this sectionMRF 운영자에게 시설에 대한 가시성 제공하기#

선별 외에도 Glacier의 분석 플랫폼은 재활용 시설 운영의 근본적인 문제를 해결합니다. 여러 컨베이어 라인이 동시에 작동하는 대형 MRF에서는 운영자가 특정 시점에 전체 시설에서 무슨 일이 일어나고 있는지 파악하기 어려울 수 있습니다. 한 라인의 문제는 다른 라인에서 보이지 않을 수 있으며, 문제가 명확해질 때쯤이면 이미 수 시간 동안의 처리량에 영향을 미쳤을 수 있습니다.

Glacier의 분석은 운영자에게 라인 수준에서 객체 흐름에 대한 지속적이고 구조화된 보기를 제공합니다. 이를 통해 얻을 수 있는 인사이트는 다음과 같습니다.

• 부하 깊이 모니터링: 특정 시간에 라인 섹션을 통과하는 물체의 수를 추적하고, 깊이가 비정상적으로 높거나 낮을 때 플래그를 지정합니다.
• 오염 물질 탐지: 라인에서 원치 않는 재료의 비율이 정상보다 높아지면 운영자에게 경고합니다. 이는 종종 상위 공정에서 문제가 발생했음을 알리는 신호입니다.
• 장비 고장 신호: 알루미늄 캔과 같은 특정 재료 유형이 갑자기 증가하는 것은 광학 선별기가 작동을 멈추고 해당 항목을 예상대로 전환하지 않고 있음을 나타낼 수 있습니다.
• 운영 패턴 분석: 교대 근무, 요일 또는 계절에 따라 재료 구성이 어떻게 변하는지, 그리고 공휴일과 같은 이벤트가 시설에 도착하는 재료에 어떤 영향을 미치는지 이해합니다.

카메라가 시설의 여러 지점에 설치되면 분석 기능은 더욱 강력해집니다. 서로 다른 위치의 개수를 상관 분석하면 전체 선별 과정에서 특정 재료가 어디에서 유실되거나 회수되는지 추적할 수 있기 때문입니다.

Link to this section미국 재활용 시설 전반의 실제 결과#

미국 내 재료 회수 시설에 걸친 Glacier의 배포는 로봇 선별 및 분석 사용 사례 모두에서 측정 가능한 성과를 냈습니다.

• 미시간 MRF (잔여물 라인): 1,500만 개의 PET 병 회수, 13만 8천 달러의 신규 수익 창출. Glacier의 AI 대시보드는 잔여물 라인에서 PET 유출을 식별했습니다. MRF는 이 가시성을 활용하여 상위 공정 PET 선별기 설치의 타당성을 입증했고, 70%의 PET 유출 감소와 10개월의 투자 회수 기간을 달성하여 1,500만 개의 PET 병을 회수하고 138,000달러의 신규 상품 수익을 창출했습니다.
• 캘리포니아 MRF (섬유 라인): 종이 순도 17% 향상. 섬유 라인에 3대의 로봇을 배포하여 광학 선별기 하위 공정에서 선별 품질과 종이 순도를 개선했으며, 로봇은 배포 기간 동안 95%의 가동 시간을 달성했습니다.
• 인디애나 MRF (잔여물 라인): 500,000파운드 이상의 PET 회수. Glacier의 AI는 잔여물 스트림으로 유출되는 재활용품을 식별했습니다. 운영자는 이 인사이트를 사용하여 재료를 재배치하고 상위 공정 장비 투자의 타당성을 입증했으며, 실시간으로 PET와 HDPE를 식별하여 추가적인 상품 수익을 창출했습니다.

Link to this section컴퓨터 비전으로 재활용을 더욱 안정적으로 만들기#

Glacier는 재활용을 더 예측 가능하고 측정 가능하며 효율적인 공정으로 만드는 도구를 구축하고 있습니다. 로봇 선별과 시설 전체 분석을 결합하여 MRF 운영자에게 더 많은 재료를 회수할 수 있는 자동화와 라인 전반에서 무슨 일이 일어나는지 이해할 수 있는 가시성을 모두 제공합니다.

Ultralytics YOLO11은 두 제품이 의존하는 탐지 및 분류 기반을 제공합니다. 이는 실제 재활용 스트림의 시각적 복잡성을 처리할 만큼 정확하고, 실시간 로봇 집기를 지원할 만큼 빠르며, 엣지 하드웨어와 클라우드 추론 파이프라인 모두에서 실행될 수 있을 만큼 유연합니다. Glacier가 미국 내 시설로 계속 확장함에 따라 Ultralytics YOLO는 컴퓨터 비전 스택의 핵심으로 유지됩니다.

비전 AI에 대해 궁금하신가요? 컴퓨터 비전 솔루션을 오늘 바로 구축하려면 당사의 라이선스 옵션을 확인하세요. GitHub 저장소를 방문하여 커뮤니티에 참여하세요.