Glacier는 Ultralytics YOLO11을 로봇 분류 시스템과 시설 분석 플랫폼 모두에 통합해 분류 정확도를 크게 향상하고 모델 반복 개선을 지연시키던 데이터 수정 부담을 줄였습니다.
재활용 폐기물 처리는 보기보다 복잡합니다. 재활용 선별 시설(MRF)에는 혼합 배출 폐기물이 분류되지 않은 상태로 들어오며, 이를 사용 가능한 자원별 흐름으로 분리하는 작업은 빠르게 움직이고 혼란스러운 환경에서 자동화 장비, 광학 선별기, 작업자가 함께 수행합니다. 오류 허용 범위는 좁습니다. 잘못된 물질이 섞인 알루미늄 압축물은 가치가 떨어지고, 회수하지 못한 귀중한 자원은 매립지로 향합니다.
Glacier는 이 과정을 더욱 신뢰할 수 있고 효율적으로 만들기 위해 설립되었습니다. 샌프란시스코에 본사를 둔 Glacier는 Fast Company가 로봇공학 및 엔지니어링 분야에서 가장 혁신적인 기업 1위로 선정한 회사로, 재활용 선별 시설(MRF)을 위한 AI 기반 로봇 분류 시스템과 시설 분석 도구를 개발합니다. 로봇은 컨베이어 벨트에 직접 설치되어 컴퓨터 비전으로 실시간 자재를 식별하고 분류합니다. 분석 플랫폼은 시설 운영자에게 생산 라인을 통과하는 자재와 문제가 발생하는 위치를 파악할 수 있는 가시성을 제공합니다.
Ultralytics YOLO11은 두 제품 모두의 핵심으로, 실시간 분류와 지속적인 모니터링을 가능하게 하는 감지 및 분류를 담당합니다.
재활용 현장에 컴퓨터 비전 적용#
Glacier의 로봇 분류 시스템은 컨베이어 벨트 바로 위의 지지 구조물에 설치된 하향식 카메라를 중심으로 구축되어, 아래를 통과하는 모든 물체를 촬영합니다. 자재가 벨트를 따라 이동하면 카메라가 각 물체를 위에서 촬영하므로 물체의 모양이나 방향과 관계없이 시스템은 일관되고 가림 없는 시야를 확보합니다.
Ultralytics YOLO11은 영상 피드를 실시간으로 처리해 지나가는 각 물체를 감지하고 분류합니다. 모델은 감지된 항목마다 바운딩 박스와 클래스 레이블을 출력해 알루미늄 캔, 우유통, 골판지 상자, 플라스틱 필름 등을 식별합니다. 이 분류 결과를 컨베이어 속도에 기반한 속도 추정치와 결합하면 로봇 팔이 물체에 도달할 때 해당 물체가 위치할 지점을 계산할 수 있으며, 일반적으로 감지 후 1초가 지나기 전에 계산이 완료됩니다.
흡착 컵이 장착된 로봇 팔은 물체를 벨트에서 집어 올린 다음 해당 클래스에 맞는 수거함에 넣습니다. 자재가 시설을 통과하는 동안 감지, 분류, 위치 예측, 집기 과정이 지속적으로 반복되며, 카메라는 물체가 시야를 벗어나기 전에 물체당 2~3개의 프레임을 시스템에 제공합니다.
동시에 동일한 카메라 데이터를 Glacier의 분석 플랫폼에 전달할 수 있습니다. 이미지가 클라우드에 업로드되면 YOLO11이 추론을 실행해 시간에 따른 유형별 객체 수를 계산합니다. 로봇 없이 생산 라인을 확인하고 싶은 시설 운영자는 분석용 카메라만 별도로 설치할 수도 있습니다. 어느 경우든 시설을 통과하는 자재에 관한 구조화된 데이터가 지속적으로 제공됩니다.
그림 1. 재활용 시설에서 작동하는 Ultralytics YOLO11은 폐기물을 실시간으로 감지하고 자재 분류를 효율화하여 재활용 효율을 높입니다.
이질적인 자재 분류의 과제#
재활용 컨베이어 벨트의 객체 감지는 보기보다 어려운 과제입니다. 컨베이어 벨트 속도는 분당 200피트를 넘는 경우가 많고 자재가 서로 겹치거나 부분적으로 가려져 있으며 젖거나 더럽거나 변형되어 있을 수 있습니다. 조명 조건도 달라집니다. 같은 자재 범주에 속하더라도 세탁 세제 병, 비누 디스펜서, 우유통처럼 서로 시각적으로 매우 다르게 보일 수 있습니다. 이들은 모두 2번 플라스틱이지만 시각적 유사성은 거의 없습니다.
Glacier는 전국 수십 곳의 MRF에 기술을 배포하면서 복잡하고 시각적으로 이질적인 자재 범주에서 성능을 높이고 더 효율적으로 확장하기 위해 더 엄격한 수준의 정확도를 요구했습니다. 이질성에 속도와 규모까지 더해지면서 Glacier는 기존 오픈 소스 감지 모델의 한계를 넘어섰습니다. 배포 범위가 커지는 가운데 사이트 전반의 모델 일반화 성능을 높이는 일이 점점 더 중요해졌기 때문입니다.
솔루션으로서의 Ultralytics YOLO#
Glacier가 사업을 확장하는 과정에서 Ultralytics YOLO11을 배포한 것은 전반적인 솔루션을 개선하고 최적화하려는 목표에 크게 기여했습니다. YOLO11은 성능 요구사항이 서로 다른 두 가지 배포 환경에서 사용됩니다.
- 엣지: 각 Glacier 로봇은 전용 GPU에서 YOLO11을 로컬로 실행해 실시간 로봇 분류를 수행하고 카메라 피드를 실시간으로 처리합니다. 추론 지연 시간이 충분히 짧아 집기 시점 계산을 지원하므로 시스템은 1초 이내에 물체가 어디에 위치할지 파악할 수 있으며, 이에 따라 감지와 분류도 해당 시간 범위 안에 충분히 완료됩니다.
- 클라우드: 분석 플랫폼의 경우 시설에서 촬영한 이미지를 AWS에 업로드하고 YOLO11이 추론을 실행해 시간에 따른 객체 수를 생성합니다. 이 파이프라인은 로봇 분류처럼 시간에 민감하지 않으므로 엣지 하드웨어 대신 클라우드에서 실행됩니다. 이를 통해 Glacier는 과거 데이터를 처리하고 대시보드와 보고서를 통해 시설 운영자에게 인사이트를 제공할 수 있습니다.
YOLO11로 전환한 결과 이전 모델이 특히 취약했던 영역에서 뚜렷한 개선이 나타났습니다. 이질적인 범주의 분류 정확도, 특히 2번 플라스틱의 분류 정확도가 향상되어 Glacier는 사이트별 미세 조정 없이 여러 고객 현장에서 공통 모델을 배포할 수 있는 더 신뢰할 만한 기반을 확보했습니다. 바운딩 박스 정밀도도 개선되면서 데이터 검토 시 모델 출력을 활용하는 Glacier 팀의 방식이 달라졌습니다. 모델이 잘못 이해한 내용을 표시하는 대신, 모델과 학습 레이블 간의 불일치가 수정이 필요한 실제 어노테이션 오류를 가리키는 경우가 더 많아졌습니다. 이러한 변화로 데이터 개선 작업이 더 빠르고 집중적으로 이루어졌습니다.
Ultralytics YOLO 모델을 선택한 이유#
Glacier가 DETR에서 Ultralytics YOLO로 전환한 이유는 MRF 운영자가 안정적으로 추적하고 회수해야 하는 2번 플라스틱과 같은 특정 자재 클래스에서의 분류 성능이었습니다. YOLO11은 해당 범주를 더 일관되게 처리했으며, 이것이 결정적인 요인이었습니다.
바운딩 박스 품질 향상은 부차적이지만 의미 있는 이점이었습니다. 정밀한 바운딩 박스는 데이터 검토와 어노테이션 과정을 효율화해 모델과 레이블이 다를 때 모델의 실패보다는 실제 데이터 오류를 가리킬 가능성이 더 높다고 팀이 신뢰할 수 있게 합니다. 또한 Ultralytics Python 패키지는 Glacier 엔지니어가 엣지와 클라우드 환경 모두에서 모델을 학습하고, 미세 조정하고, 배포하고, 유지 관리하는 간편한 방법을 제공했습니다. 기반 감지 코드를 다시 구축하지 않고도 GPU를 탑재한 엣지 하드웨어와 AWS 추론 파이프라인에서 동일한 모델 제품군을 실행할 수 있는 유연성은 Glacier의 배포 범위가 확장되면서 실질적인 이점이 되었습니다.
MRF 운영자에게 시설 전반의 가시성 제공#
분류를 넘어 Glacier의 분석 플랫폼은 재활용 시설 운영의 근본적인 문제를 해결합니다. 여러 컨베이어 라인이 동시에 가동되는 대형 MRF에서는 운영자가 어느 시점에든 시설 전체에서 무슨 일이 일어나는지 파악하기 어려울 수 있습니다. 한 라인의 문제는 다른 라인에서 보이지 않을 수 있으며, 문제가 명확해졌을 때는 이미 몇 시간 동안 처리량에 영향을 미쳤을 수도 있습니다.
Glacier의 분석 기능은 운영자에게 라인 단위로 물체 흐름을 지속적이고 체계적으로 파악할 수 있는 정보를 제공합니다. 이를 통해 얻을 수 있는 주요 인사이트는 다음과 같습니다.
- 투입물 깊이 모니터링. 특정 시점에 라인 구간을 통과하는 물체의 수를 추적하고, 깊이가 비정상적으로 높거나 낮을 때 경고합니다.
- 오염 물질 감지. 라인에서 원치 않는 물질의 비율이 정상 수준을 초과하면 운영자에게 알립니다. 이는 상류 공정에서 문제가 발생했다는 신호인 경우가 많습니다.
- 장비 고장 신호. 알루미늄 캔과 같은 특정 재료 유형이 갑자기 증가하면 광학 선별기가 작동을 멈춰 해당 품목을 예상대로 분리하지 못하고 있음을 나타낼 수 있습니다.
- 운영 패턴 분석. 교대 근무, 요일 또는 계절에 따라 재료 구성이 어떻게 변하는지, 공휴일과 같은 이벤트가 시설에 반입되는 물량에 어떤 영향을 미치는지 파악합니다.
시설 내 여러 지점에 카메라를 설치하면 분석 기능의 효과가 더욱 커집니다. 서로 다른 위치의 계수를 연계해 분석할 수 있어 전체 선별 공정에서 특정 재료가 어디서 손실되거나 회수되는지 추적할 수 있기 때문입니다.
미국 재활용 시설에서 거둔 실제 성과#
미국의 자원 회수 시설에 Glacier를 도입한 결과, 로봇 선별 및 분석 활용 사례 모두에서 측정 가능한 성과를 거두었습니다.
- 미시간 MRF(잔재물 라인): PET 병 1,500만 개 회수, 신규 매출 13만 8,000달러. Glacier의 AI 대시보드는 잔재물 라인에서 PET가 유실되는 현상을 파악했습니다. MRF는 이 정보를 바탕으로 상류 공정에 PET 선별기를 설치할 근거를 마련했고, 그 결과 PET 유실량이 70% 감소했으며 투자 회수 기간은 10개월이었습니다. PET 병 1,500만 개를 회수하고 신규 원자재 매출 13만 8,000달러를 창출했습니다.
- 캘리포니아 MRF(섬유 라인): 종이 순도 17% 향상. 섬유 라인에 로봇 3대를 도입해 광학 선별기 하류 공정의 선별 품질과 종이 순도를 개선했으며, 로봇은 도입 기간 동안 95%의 가동률을 달성했습니다.
- 인디애나 MRF(잔재물 라인): PET 50만 파운드 이상 회수. Glacier의 AI는 재활용 가능 자재가 잔재물 흐름으로 유입되는 현상을 감지했습니다. 운영자는 인사이트를 활용해 자재 흐름을 재조정하고 상류 장비 투자 근거를 마련했습니다. PET와 HDPE를 실시간으로 식별해 추가 원자재 매출을 창출했습니다.
컴퓨터 비전으로 재활용의 신뢰성 향상#
Glacier는 재활용을 더욱 예측 가능하고 측정 가능하며 효율적인 공정으로 만드는 도구를 개발하고 있습니다. 로봇 선별과 시설 전반의 분석 기능을 결합해 MRF 운영자에게 더 많은 자재를 회수할 수 있는 자동화 기능과 각 라인에서 일어나는 일을 파악할 수 있는 가시성을 제공합니다.
Ultralytics YOLO11은 두 제품의 기반이 되는 감지 및 분류 기능을 제공합니다. 실제 재활용 흐름의 복잡한 시각적 특성을 처리할 만큼 정확하고, 실시간 로봇 피킹을 지원할 만큼 빠르며, 엣지 하드웨어와 클라우드 추론 파이프라인 모두에서 실행할 수 있을 만큼 유연합니다. Glacier가 미국 전역의 시설로 계속 확장하는 가운데 Ultralytics YOLO는 컴퓨터 비전 스택의 핵심으로 자리하고 있습니다.
비전 AI에 관심이 있으신가요? 지금 컴퓨터 비전 솔루션을 구축할 수 있도록 라이선스 옵션을 살펴보세요. GitHub 저장소를 방문해 커뮤니티에 참여하세요.
