JP2024178287A

JP2024178287A - プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための装置及び方法、並びにプリント基板廃棄物を分別するためのシステム

Info

Publication number: JP2024178287A
Application number: JP2024161604A
Authority: JP
Inventors: フィルシング、マルクス; Firsching Markus; エネン、アレクサンダー; Ennen Alexander; リューガー、シュテフェン; Rueger Steffen; ライスナー、ヨハネス; Leisner Johannes; ベナー、ヴラディスラフ; Benner Wladislaw; フォーゲルゲザング、マルテ; Vogelgesang Malte
Original assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV; Technische Universitaet Darmstadt
Current assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV; Technische Universitaet Darmstadt
Priority date: 2021-10-11
Filing date: 2024-09-19
Publication date: 2024-12-24
Also published as: US20230109956A1; US12030087B2; EP4163626A1; JP2023057552A

Abstract

【課題】プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための装置及び方法、並びにプリント基板廃棄物を分別するためのシステムを提供する。
【解決手段】材料価値スコアを決定するように構成され、プリント基板廃棄物２００又はその部分２１０のデュアルエナジー又はスペクトラルＸ線画像に基づいて決定を実行するように構成される。さらに、デュアルエナジー又はスペクトラルＸ線画像を機械学習モジュールにかけることによって決定を実行するように構成される。
【選択図】図１

Description

本発明による各実施形態は、プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための装置及び方法、並びにプリント基板廃棄物を分別するためのシステムであって、例えば機械学習の支援する部品検出方法をＸ線画像に対して適用して、例えば材料価値推定に基づいて再生利用を行うものに関する。

電子機器及び電子装置は毎日の生活において大きな役割を果たしている。しかし、循環型経済の目標を達成するために、電気・電子装置廃棄物（ＷＥＥＥ）の再生利用が重要となっている。

現在、電気・電子装置廃棄物（ＷＥＥＥ）からプリント基板廃棄物（ＷＰＣＢ）を再生利用するプロセスにおいて、実際の冶金学的回収前に行なわれるＷＰＣＢ全体の価値の概算は大まかなものでしかない。特に大バッチの価値については、いくつかのランダムなサンプルに基づき、そして人間の熟練担当者による目視検査に基づいて推測する他なく、時間がかかり且つ誤りも多い。ＷＰＣＢの売り手も買い手もＷＰＣＢバッチの価値の合計が把握できないため、両者にとって価格設定が困難である。現時点では、十分な速さと精度でＷＰＣＢの価値を推定する商業的に利用可能なシステムは知られていない。

ＰＣＢ上の部品の検出［１］及びＷＰＣＢの価値推定［２］に関する初期の科学的刊行物が存在する。しかし、両者とも（Ｗ）ＰＣＢの視覚的画像に基づくものである。（Ｗ）ＰＣＢの両側に部品が実装されている場合、この手法で得られる情報は不十分なものに過ぎない。可視光に基づく画像を用いる限り片側しか同時に分析できないからである。また、集積回路のように外見の似た電子部品でも内部の材料が異なる場合もある。このような制約は、対象物を透過せずに表面画像を生成する（反射光画像生成）だけの類の放射を用いるあらゆる他の種類の画像に該当する。例えば、これに限定されないが、赤外線、紫外線及びテラヘルツである。

従って、ＷＰＣＢの価値の決定における速さと精度との間のより良い妥協案をもたらす概念を提供することが望まれている。

上述の課題は、本願の独立請求項の主題によって達成される。

本発明による更なる実施形態は、本願の従属請求項の主題によって規定される。

本発明の一局面において、本願発明者は、プリント基板の再生利用を試みる際の一つの問題は、プリント基板廃棄物（ＷＰＣＢ）の価値が人間によって決定されることが多いという事実に由来することに気付いた。本願の第１の局面によると、上述の問題はＷＰＣＢを自動的に分析するように構成された装置を用いることで解決される。これにより誤りを最小限に抑えるとともに分析の速さを向上させることができる。更に、発明者は、それぞれのＰＣＢに関連付けられた材料価値スコアを決定することが有利であることを見出した。この材料価値スコアによって、十分な有価材料、特に有価金属がＷＰＣＢから回収できるか否かを判断することが可能となる。これにより、再生利用の対象のＷＰＣＢの価値評価における精度を向上させることができる。

従って、本願のこの局面によると、一実施形態は、プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための装置に関する。材料価値スコアは、例えばＷＰＣＢ内又はＷＰＣＢ上の１つ又は２つ以上の所定の材料の含有量に依存することとしても良い。材料価値スコアは、ＷＰＣＢの金銭的価値を示すこととしても良い。１つ以上の所定の材料は、プリント基板廃棄物からの回収対象の１つ以上の材料であっても良い。所定の材料は、例えば当該装置の使用者によって予め規定されることとしても良い。こうして、ＷＰＣＢから１つ以上の所定の材料を回収することがそのコストに見合うか否かを材料価値スコアから読み取ることが可能となる。１つ又は２つ以上の所定の材料の含有量は、ＷＰＣＢにおける代表部品の元素分析に基づいて決定することとしても良い。元素分析は、誘導結合型プラズマ光学発光分光法（ＩＣＰ―ＯＥＳ）を用いて実行することとしても良い。

一実施形態によると、当該装置は、材料価値スコアを決定するように構成され、プリント基板廃棄物又はその部分のデュアルエナジー又はスペクトラルＸ線画像に基づいて決定を実行するように構成される。ここで、デュアルエナジー又はスペクトラルＸ線画像は、その派生画像、例えば基本材料分解画像、又は実効原子番号及び面密度に分解して得られた画像を含み得る。当該装置は、例えば、デュアルエナジー又はスペクトラルＸ線画像からＷＰＣＢ上の部品を検出して、例えば部品タイプごとの部品数を決定することによって材料価値スコアの決定を実行するように構成しても良い。任意の形態として、当該装置は、ＷＰＣＢ上の部品のサイズ及び／又は重量をデュアルエナジー又はスペクトラルＸ線画像から導き出すように構成しても良い。当該装置は、例えば、デュアルエナジー又はスペクトラルＸ線画像から得られた情報に基づき、ＷＰＣＢに含まれる、又はＷＰＣＢから回収可能な所定の材料の量を算出し、算出された所定の材料の量に基づいて材料価値スコアを決定する。当該装置は、例えば、プリント基板廃棄物又はその部分のデュアルエナジー又はスペクトラルＸ線画像を取得するように構成されたデュアルエナジー又はスペクトラルＸ線ユニットを備え、或いは、当該装置は、外部のデュアルエナジー又はスペクトラルＸ線ユニットから前記デュアルエナジー又はスペクトラルＸ線画像を受け取るように構成される。このようにデュアルエナジー又はスペクトラルＸ線画像を用いているのは、デュアルエナジー又はスペクトラルＸ線画像にはＷＰＣＢの向きに関わらずＷＰＣＢ上の部品が示されるという知見に基づく。その利点として、デュアルエナジー又はスペクトラルＸ線画像において、ＷＰＣＢの表・裏両面の部品に関する情報が得られることが挙げられる。隠れる部品がなくなるため、ＷＰＣＢにおける全ての部品を分析することによって再生利用対象のＷＰＣＢの評価精度を向上させることが可能となる。このように、ＷＰＣＢの価値をより簡易且つ効率的に決定することができる。更に、発明者は、デュアルエナジー又はスペクトラルＸ線が粉塵や砂塵、土埃の多い環境下の用途で極めて堅牢な画像化技術であることを見出した。従って、砂塵や土埃が付着していてもＷＰＣＢ上に配置された各部品を区別することが可能となる。これにより高い精度が得られるとともに、意味のある材料価値スコアをＷＰＣＢに割り当てることが可能となる。

一実施形態によると、当該装置は、デュアルエナジー又はスペクトラルＸ線画像を機械学習モジュールにかけることによって決定を実行するように構成される。これは、機械学習モジュールによって高い部品検出性能が達成できるという考えに基づく。現在まで、自由にアクセス可能なアノテーション済ＰＣＢ及びその各部品のＸ線画像データは存在しない。発明者は、例えば再生利用プロセスの対象の部品の価値に応じて、ＷＰＣＢの再生利用の対象となる代表部品を選択してアノテーションをすることによって、効率的かつ正確な機械学習モジュールを達成できることを見出した。加えて、発明者は、機械学習モジュールを用いることでＷＰＣＢの価値の分析に必要な処理速度が達成できることに気付いた。

一実施形態によると、当該装置は、デュアルエナジー又はスペクトラルＸ線画像からプリント基板廃棄物の部品、例えば集積回路（ＩＣ）、タンタルキャパシタ、ボールグリッドアレイ（ＢＧＡ）、ピングリッドアレイ（ＰＧＡ）、コネクタ等の電子部品を検出するように構成される。

当該装置は、各々の部品タイプにつき、平均材料成分に関する情報を取得するように構成しても良い。例えば、外部装置が各々の部品タイプにつき複数の部品を分析して、１つ以上の材料につき、各部品タイプの複数の部品における各材料の平均含有量を決定することとしても良い。平均含有量は、各部品タイプの部品当たり又は部品の質量当たりの各材料の平均モル濃度又は平均質量で表しても良い。部品の材料の分析は、誘導結合型プラズマ光学発光分光法（ＩＣＰ―ＯＥＳ）を用いて実行することができる。当該装置は、平均材料成分に関する情報として平均含有量に関する情報を外部装置から受け取ることができる。これに代えて、当該装置は、１つ以上の部品タイプにつき、平均材料成分に関する情報として各部品タイプの部品における１つ以上の材料の平均含有量を示すデータベースを備えることとしても良い。

一実施形態によると、当該装置は、各々の部品タイプにつき、及びＷＰＣＢからの回収対象の各々の材料につき（例えば少なくとも１つの部品タイプ及び１つの材料につき）、次のステップによって材料価値スコアの決定を実行するように構成しても良い：各部品タイプの部品数を、各部品タイプの部品当たりの各材料の平均質量で乗算して各部品タイプにおける各材料の量・質量を得て、各材料の量・質量の価値を決定するステップ。

加えて、当該装置は、全ての値の和を求めることで材料価値スコアを取得する、又は、各々の材料につき各材料に関連付けられた全ての値の和を求めることで材料価値スコアを取得するように構成しても良い。回収対象の材料は、当該装置の使用者によって予め規定されることとしても良い。従って、材料価値スコアは、関心の対象となる材料に依存する。ＷＰＣＢの材料価値スコアは、決定のために選択された材料に依存することとしても良い。材料が２つ以上の場合、材料価値スコアは、２つ以上の材料の各々につき、個々の値、又は全ての値の和若しくは加重和である単一の値のいずれを示すこととしても良い。各材料の量・質量の価値の決定は、材料のレート・価格に依存することとしても良い。当該装置は、例えば、毎日材料のレート・価格を更新するように構成される。

一実施形態によると、当該装置は、デュアルエナジー又は前記スペクトラルＸ線画像からＷＰＣＢ全体の重量及び／又はサイズ、及び／又はその部品、例えば電子部品のタイプ、重量及び（任意の形態として）サイズを推定するように構成される。ＷＰＣＢ全体の重量及びサイズに関する情報によって、ＷＰＣＢに存在する有価材料の含有量を決定することが可能となる。有価材料の含有量の決定の際、当該装置は、ＷＰＣＢ全体の重量及びサイズを、その部品のタイプ、重量及び（任意の形態として）サイズに関する情報と併せて考慮するように構成しても良い。特に、その部品の重量及び／又はサイズに関する情報は、有価材料の含有量の決定において有利である。

一実施形態によると、当該装置は、各々の部品タイプにつき、及びＷＰＣＢからの回収対象の各々の材料につき（例えば少なくとも１つの部品タイプ及び１つの材料につき）、次のステップによって材料価値スコアの決定を実行するように構成しても良い：部品当たり、各部品の重量を、各部品タイプの質量当たりの各材料の平均質量で乗算して各部品についての各材料の部品特有の量・質量を得て、全ての部品に亘って各材料の部品特有の量・質量の和を求めて各材料の全体的な量・質量を得て、各材料の全体的な量・質量の価値を決定するステップ。

これに加えて、当該装置は、全ての値の和を求めて材料価値スコアを取得する、又は、各々の材料につき、各材料に関連付けられた全ての値の和を求めて材料価値スコアを取得するように構成しても良い。回収対象の材料は、当該装置の使用者によって予め規定されることとしても良い。従って、材料価値スコアは、関心の対象となる材料に依存する。ＷＰＣＢの材料価値スコアは、決定のために選択された材料に依存することとしても良い。材料が２つ以上の場合、材料価値スコアは、２つ以上の材料の各々につき、個々の値、又は全ての値の和である単一の値のいずれを示すこととしても良い。各材料の量・質量の価値の決定は、材料のレート・価格に依存することとしても良い。当該装置は、例えば、毎日材料のレート・価格を更新するように構成される。

一実施形態によると、当該装置は、各々の部品、例えば電子部品につき、各部品（例えば電子部品）に関連付けられたタイプ、重量及び／又はサイズに基づいて部品材料価値を決定するように構成される。部品材料価値は、各部品における１つ又は２つ以上の所定の材料の含有量に依存する。１つ以上の所定の材料は、ＷＰＣＢからの回収対象の材料であっても良い。部品材料価値は、各部品の金銭的価値を示すこととしても良い。部品又は部品における１つ以上の構成要素が再生利用プロセスの後続ステップのうちの１つの妨げとなる場合、材料価値はマイナスになることとしても良い。

一実施形態によると、当該装置は、部品材料価値に基づいて材料価値スコアの決定を実行するように構成される。例えば、当該装置は、全ての部品材料価値の和を求めてＷＰＣＢの単一の値を入手するように構成される。

一実施形態によると、当該装置は、プリント基板廃棄物の両側の面を同時に分析することによって材料価値スコアを取得するように構成される。こうして、両面型のＷＰＣＢを効率的に分析することが可能となり、下向きの部品、即ちコンベヤベルト又は支持パッドの方を向いた部品を見逃すことがなくなる。この特徴により、ＷＰＣＢの各側を別個に評価する必要がなくなり、カメラの方を向いているか否かに関わらず全ての部品を検出することが可能になる。

更なる実施形態は、プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための方法に関する。当該方法は、上述の装置と同じ考慮事項に基づく。その他、当該方法は、当該装置に関して記載した全ての特徴及び機能によって完成させることができる。

更なる実施形態は、プリント基板廃棄物を分別するためのシステムに関する。当該システムは、プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための上述の装置を備え、加えて当該システムは、複数のプリント基板廃棄物を、上述の装置によって複数のプリント基板廃棄物の各々に割り当てられた材料価値スコアに従ってプリント基板廃棄物についての２つ以上の等級に分類するための分別装置を備える。

更なる実施形態は、プリント基板廃棄物を分別するための方法に関する。当該方法は、プリント基板廃棄物又はその部分に材料価値スコアを割り当てるための上述の方法を備え、加えて当該方法は、複数のプリント基板廃棄物を、上述の方法によって複数のプリント基板廃棄物の各々に割り当てられた材料価値スコアに従ってプリント基板廃棄物についての２つ以上の等級に分類するステップを備える。当該方法は、上述のシステムと同じ考慮事項に基づく。その他、当該方法は、当該システムに関して記載した全ての特徴及び機能によって完成させることができる。

図面は必ずしも一律の縮尺に従うものではなく、一般的に本発明の原理を説明することを重視したものである。以下の記載においては、本発明の様々な実施形態について以下の図面を参照して説明する。

図１は、ＷＰＣＢ又はその部分に材料価値スコアを割り当てるための装置の模式図である。図２は、ＷＰＣＢ又はその部分に材料価値スコアを割り当てるための装置の詳細な模式図である。図３は、ＷＰＣＢ又はその部分に材料価値スコアを割り当てるための方法のブロック図である。図４は、ＷＰＣＢを分別するためのシステムの模式図である。図５は、ＷＰＣＢを分別するための方法のブロック図である。図６は、材料価値スコア決定用のモデルを決定するための方法を示す図である。

［実施形態の詳細な説明］
以下の説明では、等しい要素又は同等の要素、或いは等しい機能又は同等の機能を有する要素は、異なる図に現れる場合でも等しい参照番号又は同等の参照番号を付す。

以下の説明では、本発明の各実施形態のより完全な説明を行うために多数の詳細を記載する。しかし、当業者であれば、本発明の各実施形態がこれら特定の詳細なしに実施され得ることが明らかであろう。他方、本発明の各実施形態が分かりにくくなることを避けるために周知の構造及び装置は詳細に示す代わりにブロック図の形式で示す。また、本願明細書に記載のそれぞれ異なる実施形態の特徴は、別段の記載がない限り互いに組み合わせ可能である。

図１は、ＷＰＣＢ２００又はその部分２１０に材料価値スコア１１０、例えば１１０ａ又は１１０ｂを割り当てるための装置１００を示す。材料価値スコア１１０ａは、ＷＰＣＢ２００を再生利用する際のＷＰＣＢ全体の価値を示すものとすることができ、材料価値スコア１１０ｂは、ＷＰＣＢ２００を再生利用する際のＷＰＣＢの部分２１０の価値を示すものとすることができる。材料価値スコア１１０は、ＷＰＣＢ２００又は部分２１０から材料を回収することがそのコストに見合うか否かを示すものとすることができる。

一実施形態によると、装置１００は、ＷＰＣＢ２００を複数の部分２１０に分割して、これらの部分の１つ以上に対して各部に個別の材料価値スコア１１０ｂを割り当てるように構成することができる。任意の形態として、装置１００は、材料価値スコア１１０ｂが最も高い部分２１０にのみ各部に個別の材料価値スコア１１０ｂを割り当てるように構成しても良い。この場合、ＷＰＣＢ２００のうちの最も材料を回収するコストに見合う部分２１０を効率的に指し示すことができる。

一実施形態によると、装置１００は、ＷＰＣＢ２００全体についての材料価値スコア１１０ａと、ＷＰＣＢ２００における１つ以上の部分２１０についての材料価値スコア１１０ｂとの両方を示すように構成することができる。全体の材料価値スコア１１０ａによって、ＷＰＣＢ２００が廃棄物か、又は再生利用する価値のあるものかを決定することが可能となり、各部に個別の材料価値スコア１１０ｂによって、有価材料の回収において最も価値のある部分を区別することが可能となる。

一実施形態によると、材料価値スコア１１０は、プリント基板廃棄物２００からの回収対象の１つ又は２つ以上の所定の材料の含有量に依存する。換言すると、材料価値スコア１１０は、ＷＰＣＢ２００にある１つ以上の所定の材料の量、例えばＷＰＣＢ２００の部品２２０にある１つ以上の所定の材料の量に依存することとしても良い。

任意の形態として、装置１００は、図２の装置に関して説明する特徴のいずれを備えても良い。

図２は、デュアルエナジー又はスペクトラルＸ線画像取得ユニット１２０及び材料価値スコア決定ユニット１３０を備えた装置１００を示す。

デュアルエナジー又はスペクトラルＸ線画像取得ユニット１２０は、ＷＰＣＢ２００又はその部分２１０のデュアルエナジー又はスペクトラルＸ線画像１２２を取得するように構成することができる。任意の形態として、デュアルエナジー又はスペクトラルＸ線画像取得ユニット１２０を装置１００が備えるのではなく、外部のデュアルエナジー又はスペクトラルＸ線画像取得ユニット１２０から装置１００がデュアルエナジー又はスペクトラルＸ線画像１２２を受け取るように構成しても良い。

装置１００は、プリント基板廃棄物２００の両側の面２３０，２４０を同時に分析することで材料価値スコア１１０を取得するように構成される。視覚的画像又はＮＩＲ画像に基づく他の各手法とは対照的に、Ｘ線画像１２２は、ＷＰＣＢ２００の向きに関わりなくＷＰＣＢ２００上の部品２２０を示す、即ち表面２３０及び裏面２４０上の部品２２０を同時に検出することができる。更に、砂塵・土埃又は粉塵の多い環境中での用途において、ＸＲＴ１２０はより堅牢な画像化技術である。

材料価値スコア決定ユニット１３０は、ＷＰＣＢ２００又はその１つ以上の部分２１０についての材料価値スコア１１０を決定するように構成される。この決定は、デュアルエナジー又はスペクトラルＸ線画像１２２（ＸＲＴ）に基づいて実行される。

任意の形態として、材料価値スコア決定ユニット１３０は、例えば機械学習モジュールである。

任意の形態として、材料価値スコア決定ユニット１３０は、ＷＰＣＢ２００の個々の部品２２０に関してデュアルエナジー又はスペクトラルＸ線画像１２２を分析するための画像分析ユニット１３１を含むことができる。例えば、画像分析ユニット１３１は、ＷＰＣＢ２００上に配置された部品２２０の部品タイプに関する情報と、部品タイプ当たりの部品２２０の数に関する情報とを取得するように構成しても良い。任意の形態として、これに加えて、画像分析ユニット１３１は、部品２２０のサイズ及び／又は重量に関する情報を取得することとしても良い。

材料価値スコア決定ユニット１３０は、例えば、各々の部品タイプにつき、例えば部品材料価値決定ユニット１３６を用いて、部品材料価値スコアを決定して複数の部品材料価値スコア１１２を得るように構成される。部品材料価値スコアは、各部品タイプの部品２２０の数を、各部品タイプに関連付けられた平均部品材料価値スコアで乗算することにより決定することができる。各平均部品材料価値スコアは、各部品タイプに割り当てられた予め規定された価値スコアとすることができる。部品材料価値決定ユニット１３６は、複数の平均部品材料価値スコアを示すとともに、各々の平均部品材料価値スコアにつき、その関連付けられた部品タイプを示すデータベースを備えても良い。これに代えて部品材料価値決定ユニット１３６は、各々の部品タイプにつき、各部品タイプに含まれる有価材料の市場価値の変動に基づいて該当する平均部品材料価値スコアを更新するように構成しても良い。装置１００は、例えば複数の部品材料価値スコア１１２の和を求めることによって、複数の部品材料価値スコア１１２に基づく材料価値スコア１１０の決定を実行するように構成される。

画像分析ユニット１３１は、例えば機械学習モジュールである。

任意の形態として、装置１００は、例えば部品検出ユニット１３２を用いてプリント基板廃棄物２００の部品２２０をデュアルエナジー又はスペクトラルＸ線画像１２２から検出するように構成しても良い。これに加えて、装置１００は、例えば部品特性決定ユニット１３３を用いて部品２２０のタイプ、重量及び／又はサイズ等の特性をデュアルエナジー又はスペクトラルＸ線画像１２２から推定するように構成しても良い。装置１００は、各々の部品２２０につき、各部品２２０に関連付けられた１つ以上の特性に基づいて部品材料価値を決定するように構成しても良い。

装置１００は、或る部品タイプのサイズ又は重量当たりの、予め規定された材料の平均質量に関する情報を取得するように構成しても良い。任意の形態として、平均質量は、それぞれ異なる材料及び／又はそれぞれ異なる部品タイプについて取得可能としても良い。平均質量に関する情報と、ＷＰＣＢ２００上の個々の部品２２０のサイズ及び／又は重量に関する情報とによって、装置１００は、ＷＰＣＢ２００に含まれる所定の材料の量を決定するように構成される。これに加えて、装置１００は、ＷＰＣＢ２００に含まれる所定の材料のレート・価格を取得し、所定の材料のレート・価格及び所定の材料の量に基づいて材料価値スコア１１０を決定するように構成しても良い。これは１つ以上の所定の材料について実行することができ、材料価値スコアは個々の材料の価値を示しても、又は全ての所定の材料を合わせた価値を示しても良い。

同様に、装置１００は、或る部品タイプの部品当たりの、予め規定された材料の平均質量に関する情報を入手するように構成しても良い。任意の形態として、平均質量は、それぞれ異なる材料について、且つ／又はそれぞれ異なる部品タイプについて取得可能とすることができる。平均質量に関する情報と、ＷＰＣＢ２００上の個々の部品２２０の数に関する情報とによって、装置１００は、ＷＰＣＢ２００に含まれる所定の材料の量を決定するように構成される。これに加えて、装置１００は、ＷＰＣＢ２００に含まれる所定の材料のレート・価格を取得し、所定の材料のレート・価格及び所定の材料の量に基づいて材料価値スコア１１０を決定するように構成しても良い。これは１つ以上の所定の材料について実行することができ、材料価値スコアは個々の材料の価値を示しても、又は全ての所定の材料を合わせた価値を示しても良い。

図３は、ＷＰＣＢ２００又はその部分２１０への材料価値スコア１１０の割り当て３１０のための方法３００のブロック図を示す。任意の形態として、方法３００は、材料価値スコア１１０の決定３２０を備える。決定３２０は、ＷＰＣＢ２２０又はその部分２１０のデュアルエナジー又はスペクトラルＸ線画像１２２に基づいて実行することができる。決定３２０は、デュアルエナジー又はスペクトラルＸ線画像１２２を機械学習プロセスにかけることで実行するのが有利であると考えられる。

方法３００は、図１及び／又は図２の装置１００に関して説明した特徴及び／又は機能を含むことができる。

図４は、プリント基板廃棄物２００、例えば２００_１～２００_５を分別するためのシステム４００を示す。システム４００は、材料価値スコア１１０、例えば１１０_１～１１０_５をＷＰＣＢ２００又はその部分２１０に割り当てるための装置１００を備える。これに加えて、システム４００は、複数のプリント基板廃棄物２００を、装置１００により複数のプリント基板廃棄物２００の各々に割り当てられた材料価値スコア１１０に従って、プリント基板廃棄物２００についての２つ以上の等級４２０、例えば４２０_１～４２０_２に分類するための分別装置４１０を備える。

例えば、第１の等級４２０_１は、廃棄物、即ち再生利用するコストに見合わないＷＰＣＢ２００を表し、第２の等級４２０_２は、有価ＷＰＣＢ２００、即ち再生利用するコストに見合うＷＰＣＢ２００を表すものとすることができる。

装置１００は、図１及び／又は図２の装置１００に関して説明した特徴及び／又は機能を備えることができる。

図５は、プリント基板廃棄物２００を分別するための方法５００のブロック図を示す。方法５００は、ＷＰＣＢ２００又はその部分２１０に材料価値スコア１１０を割り当てるための方法３００と、複数のプリント基板廃棄物２００を、方法３００によって複数のプリント基板廃棄物２００の各々に割り当てられた材料価値スコア１１０に従って、プリント基板廃棄物２００についての２つ以上の等級４２０に分類すること５１０とを含む。

方法３００は、図３の方法３００に関して説明した特徴及び／又は機能を含むことができる。

方法５００は、図４の方法４００に関して説明した特徴及び／又は機能を含むことができる。

図４及び図５は、各々の個々のＷＰＣＢ２００の予測価値、即ち材料価値スコア１１０に基づいてＷＰＣＢ２００を自動分別するための分別システム４００及び方法５００を説明するものである。システム４００は、コンベヤベルト又はシュート上のＷＰＣＢ２００からデュアルエナジー又はスペクトラルＸ線画像１２２（ＸＲＴ）を取得するものとすることができる。これらの画像１２２を、前処理の後、例えば深層ニューラルネットワーク（又はその他好適な機械学習方法、例えば画像中の対象物を検出するための方法）に入力して、この深層ニューラルネットワークが部品２２０、例えばＩＣ、ＢＧＡ／ＰＧＡ、タンタルキャパシタ、コネクタ等を検出することとしても良い。システム４００は、部品２２０のタイプ、サイズ及び／又は重量等の特徴に基づいたモデルを用いてＷＰＣＢ２００上の各部品２２０の価値、即ち部品材料価値を算出する。検出された部品２２０のサイズ及び重量の両方をＸ線画像１２２から推定することとしても良い。

このモデルから結果として得られたＷＰＣＢ２００の金銭的価値、即ち複数の部品材料価値１１２は、後の段階でこれらＷＰＣＢ２００の処理に用いられる個々の冶金学的プロセスに適合させたものとしても良い。更に、ＷＰＣＢ２００の価値、即ち材料価値スコア１１０を予測するためのモデルは、システム４００の使用者の実際のプロセス、即ち例えば実際の冶金学的プロセスにおける歩留まり、材料価値の現レート、又はプロセスで妨げとなって価値を低下させる部品に対して適合させたものとしても良い。使用者はＷＰＣＢ２００の予測価値又は価値含有量１１０についての閾値を設定することができ、その場合、この閾値を下回ればシステム４００はＷＰＣＢを拒絶して分別排除する、例えばそのＷＰＣＢを等級４２０_１に分別する。ここでの価値含有量とは、単位質量当たり又は単位面積当たりの価値又は金銭的価値、例えばユーロ／ｋｇ又はユーロ／ｃｍ^２を意味する。

図６は、材料価値スコア１１０を決定するための本願明細書に記載された装置１００によって使用され得るモデルを決定するための方法６００のプロセス図を示す。

図６は、例えば、対象物検出用のモデル１３２のトレーニング、例えば深層学習モデル（ＤＬモデル）のトレーニングを示す。機械学習においては、モデルのトレーニング及び評価に代表データベース（representative database）が不可欠である。従って、第１のステップは、そのような機械可読のデータベース及びラベルベースを現実世界のＷＰＣＢ２００のサンプルから生成することとしても良い。一実験において、発明者は、例えば個々のＷＰＣＢ２００から（例えばＷＰＣＢの数は１０４であり得る）、例えば、部品２２０（例えば代表部品(representative components））へのアノテーション６１０を行ってアノテーション済部品（annotated components）６１２を得た（例えばアノテーション済部品の数は１５１４であり得る）。例えば、トレーニングのために、ＷＰＣＢ２００の部品２２０にアノテーション６１０を行い、アノテーションのデータセットやデータベース、即ちアノテーション済部品６１２を得る。更なるステップとして、ＷＰＣＢのデュアルエナジー又はスペクトラルＸ線画像１２２の取得１２０に関するものがあり得る。ＷＰＣＢ２００のＸ線画像１２２に基づいて、且つ同じＷＰＣＢ２００のアノテーション済部品６１２に基づいて対象物検出用のモデル１３２をトレーニングすることができる。トレーニング済のモデル１３２及び／又はトレーニング中のモデル１３２は、ＷＰＣＢ２００の部品を特定、認識又は検出して検出部品６１４を得るように構成される。

一実施形態によると、対象物検出用モデル１３２は、部品２２０のタイプ、重量及び／又はサイズ等の特性をデュアルエナジー又はスペクトラルＸ線画像１２２から推定するように構成しても良い。

これに加えて、方法６００は、ＷＰＣＢ２００からそれぞれ異なる部品クラスの代表サンプルを準備及び排除するステップを含んでも良い。次に、これらのサンプル即ちＷＰＣＢ２００に対し、例えばＩＣＰ―ＯＥＳ（誘導結合型プラズマ光学発光分光法。その他元素の含有量が得られるあらゆる方法が利用可能）による分析６２０を行い、１つ以上の所定の材料、例えば有価金属の含有量６２２を入手する。この情報、即ち代表部品２２０及び検出部品６１４における１つ以上の所定の材料の含有量６２２によって、モデル１３０の較正の基本となる真値が得られ、これにより全ての該当する部品、例えば検出部品６１４の実際の価値、そして最終的にＷＰＣＢ２００の価値１１０、例えば全ての該当する部品の価値の和又は加重和としてのそれを予測する。ＷＰＣＢ２００の代表部品における１つ以上の所定の材料の元素含有量６２２を得る際、代表部品の元素分析６２０は適用ケース当たり一回だけ実行されることとしても良い。得られた元素含有量６２２を用いてモデル１３０を較正し、価値推定を行なうことができる。

代表部品は、集積回路（ＩＣ）、タンタルキャパシタ、ボールグリッドアレイ（ＢＧＡ）、ピングリッドアレイ（ＰＧＡ）、及び／又はコネクタを含み得る。代表部品の選択は、ＷＰＣＢからの回収対象の１つ以上の所定の材料に依存することとしても良い。代表部品は、また、再生利用における後続のプロセスステップの妨げとなって結果としてマイナスの価値をもたらす部品、例えば大きなアルミニウムヒートシンク又は有毒物質含有部品を含む場合もある。

一実施形態によると、材料価値スコア１１０を決定するための本願明細書に記載の装置１００は、ＷＰＣＢ２００のデュアルエナジー又はスペクトラルＸ線画像１２２を入手し、対象物検出のためにトレーニングされたモデル１３２を用いて検出部品６１４を決定するように構成しても良い。これに加えて、装置１００は、価値推定用のモデル１３０を用いて検出部品６１４に基づき材料価値スコア１１０を決定するように構成しても良い。

ここから、該当する部品２２０を検出するように機械学習モデルをトレーニングすることができる。ＩＣＰ―ＯＥＳから、あらゆる部品クラスにおける有価材料の含有量が既知となる。Ｘ線画像１２２から推定された重量及び材料の現レートを用いて各部品における各材料の価値を推定することができる。従って、全ての部品の価値の和を求める、即ち複数の部品材料価値１１２の和を求めることによってＷＰＣＢ２００全体の価値１１０を算出することができる。後続の冶金学的プロセス及びその他使用者に固有のパラメータに応じて、材料の価値の加重和及び合計値の加重和を用いて（達成可能な利益という意味での）材料価値を予測することができる。実際の重みは、それぞれのプロセスを反映するように調節する必要がある。また、これらの重みは、プロセスにおける所与の材料の回収率を反映するものでも良い。部品によっては、後続のプロセスステップの妨げになる場合に割り当てられるマイナスの価値となることもある。

深層学習方法によるＷＰＣＢ２００上の部品２２０を検出する本願に記載の手法において、発明者は、ＹＯＬＯ［３］及びＥｆｆｉｃｉｅｎｔＤｅｔ［４］等の先行技術の対象物検出ネットワークを統合する好適な手法を見出した。データベースのトレーニング及び評価においては、発明者は機械学習における確立された評価スキームに従った。データを３つの個別のセット、即ちトレーニング用、検証用及びテスト用に分割する。検証用は、モデルのトレーニングプロセスを調節してその性能を検証するために用いるものである。この最終モデルが見いだされた後は、テストデータは独立の最終評価として用いられる。発明者が４つの部品クラス、即ちＩＣ、タンタルキャパシタ、コネクタ及びＢＧＡ・ＰＧＡについての再現度及び精度の調和平均によるスコアを求めたところ、８７．８３％、８２．５４％、７９．２６％、８８．８９％となった。この部品検出性能と、化学的分析から得られた統計学的知見によると、個々のＷＥＥＥのＷＰＣＢ２００からの材料価値スコア１１０の予測において当該モデルは良好な結果を示している。

その利点として、部品２２０の可視性に関わらず部品２２０を検出できることが挙げられる。即ち、ＰＣＢ２００が部品２２０の上（２３０）又は下（２４０）のいずれに配置されていても、又は両方に実装されていても、部品２２０はＸ線画像１２２に現れることができる。従って、Ｘ線に基づく手法は、画像化プロセス中のＰＣＢの位置及び向きに依存しないため、明示的に位置付けする必要がなく、それでもなおＰＣＢ２００上の全ての部品２２０を検出することができる。

検出部品６１４に基づく価値１１０の評価は、使用者にとって重要な種類の材料等に優先順位を付けたり、材料の部品の回収率といった影響を組み込むことが柔軟にできるため有利である。

装置の文脈でいくつかの局面を記載したが、これらの局面は対応する方法の記載をも表すものであり、ブロック又は装置は、方法ステップ又は方法ステップの特徴に対応することは明らかである。同様に、方法ステップの文脈で記載した局面は、対応する装置の対応するブロック若しくは項目又は特徴の記載をも表す。

特定の実現時の要件に応じて本発明の各実施形態はハードウェアで実現しても、又はソフトウェアで実現しても良い。この実現は、デジタル記憶媒体、例えばフロッピーディスク、ＤＶＤ、ＣＤ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ又はフラッシュメモリであって、電子的に読み出し可能な制御信号を格納しており、プログラム可能なコンピュータシステムと協働する（又は協働可能である）ことにより該当する方法が実行されるようにするものを用いて実行することができる。

本発明に従ういくつかの実施形態は、データキャリアであって、電子的に読み出し可能な制御信号を有しており、プログラム可能なコンピュータシステムと協働可能であることにより本願明細書に記載の方法の１つが実行されるようにするものを含む。

一般的に、本発明の各実施形態は、プログラムコードを有するコンピュータプログラム製品として実現することができ、当該プログラムコードは、コンピュータプログラム製品がコンピュータ上で実行される際に上述の方法の１つを実行するように動作する。当該プログラムコードは、例えば機械可読キャリアに格納することができる。

他の実施形態は、本願明細書に記載の方法の１つを実行するためのコンピュータプログラムであって、機械可読キャリアに格納されたものを含む。

従って、換言すると、本発明の方法の一実施形態は、コンピュータプログラムであって、当該コンピュータプログラムがコンピュータ上で実行される際に本願明細書に記載の方法の１つを実行するためのプログラムコードを有するものである。

従って、本発明の方法の更なる実施形態は、本願明細書に記載の方法の１つを実行するためのコンピュータプログラムを記録して含むデータキャリア（又はデジタル記憶媒体、又はコンピュータ可読媒体）である。

更なる実施形態は、処理手段、例えばコンピュータ又はプログラム可能論理装置であって、本願明細書に記載の方法の１つを実行するように構成又は適合されたものを含む。

更なる実施形態は、本願明細書に記載された方法の１つを実行するためのコンピュータプログラムをインストールしたコンピュータを含む。

実施形態によっては、プログラム可能論理装置（例えば、フィールドプログラマブルゲートアレイ）を用いて、本願明細書に記載の方法におけるいくつか又は全ての機能を実行しても良い。実施形態によっては、フィールドプログラマブルゲートアレイは、マイクロプロセッサと協働して、本願明細書に記載の方法の１つを実行しても良い。一般的に、当該方法は、どのようなハードウェア装置によって実行されても良い。

上述の各実施形態は、単に本発明の原理を例示するものである。本願明細書に記載の構成及び詳細を変更及び変形したものが当業者には明らかであることが理解される。従って、本願明細書における各実施形態の記載及び説明として提示された特定の詳細によってではなく、添付の特許請求の範囲によってのみ限定されることが意図される。

［参考文献］
[1] Mallaiyan Sathiaseelan, M. A., Paradis, O. P., Taheri, S., & Asadizanjani, N. (2021). Why Is Deep Learning Challenging for Printed Circuit Board (PCB) Component Recognition and How Can We Address It?. Cryptography, 5(1), 9.
[2] Silva, L. H. D. S., Junior, A. A., Azevedo, G. O., Oliveira, S. C., & Fernandes, B. J. (2021). Estimating Recycling Return of Integrated Circuits Using Computer Vision on Printed Circuit Boards. Applied Sciences, 11(6), 2808.
[3] 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).
[4] Tan, M., Pang, R., & Le, Q. V. (2020). Efficientdet: Scalable and efficient object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 10781-10790).

Claims

プリント基板廃棄物（２００）又はその部分（２１０）に材料価値スコア（１１０）を割り当てるための装置（１００）であって、
前記材料価値スコア（１１０）を決定するように構成され、前記プリント基板廃棄物（２００）又はその部分（２１０）のデュアルエナジー又はスペクトラルＸ線画像（１２２）に基づいて前記決定を実行するように構成される、装置。
請求項１に記載の装置（１００）であって、
前記デュアルエナジー又はスペクトラルＸ線画像（１２２）を機械学習モジュール（１３２）にかけることによって前記決定を実行するように構成される、装置。
請求項２に記載の装置であって、
前記機械学習モジュール（１３２）は、アノテーション済部品（６１２）のデータセットに基づいてトレーニングされ、前記アノテーション済部品（６１２）は、ＷＰＣＢ（２００）の代表部品のアノテーションを表す、装置。
請求項１から３のいずれか一項に記載の装置（１００）であって、
前記デュアルエナジー又はスペクトラルＸ線画像（１２２）から前記プリント基板廃棄物（２００）の部品（２２０）を検出するように構成される、装置。
請求項４に記載の装置（１００）であって、
前記デュアルエナジー又はスペクトラルＸ線画像（１２２）から前記部品（２２０）のタイプ、重量及び／又はサイズを推定するように構成される、装置。
請求項５に記載の装置（１００）であって、
各々の部品（２２０）につき、各部品（２２０）に関連付けられたタイプ、重量及び／又はサイズに基づいて部品材料価値を決定するように構成される、装置。
請求項６に記載の装置（１００）であって、
前記部品材料価値（１１２）に基づいて前記材料価値スコア（１１０）の決定を実行するように構成される、装置。
請求項１から７のいずれか一項に記載の装置（１００）であって、
前記プリント基板廃棄物（２００）の両側の面（２３０，２４０）を同時に分析することによって前記材料価値スコア（１１０）を入手するように構成される、装置。
請求項１から８のいずれか一項に記載の装置（１００）であって、
前記材料価値スコア（１１０）は、前記プリント基板廃棄物（２００）からの回収対象の１つ又は２つ以上の所定の材料の含有量に依存する、装置。
プリント基板廃棄物（２００）又はその部分（２１０）に材料価値スコア（１１０）を割り当てる（３１０）ための方法（３００）であって、
前記方法は、前記材料価値スコア（１１０）の決定（３２０）を備え、前記決定（３２０）は、前記プリント基板廃棄物（２００）又はその部分（２１０）のデュアルエナジー又はスペクトラルＸ線画像（１２２）に基づいて実行される、方法。
請求項１０に記載の方法（３００）であって、前記決定（３２０）は、前記デュアルエナジー又はスペクトラルＸ線画像（１２２）を機械学習プロセスにかけることによって実行される、方法。
プリント基板廃棄物（２００）を分別するためのシステム（４００）であって、
請求項１から９のいずれか一項に記載の、割り当てるための装置（１００）と、
複数のプリント基板廃棄物（２００）を、前記割り当てるための装置（１００）によって前記複数のプリント基板廃棄物（２００）の各々に割り当てられた材料価値スコア（１１０）に従って、プリント基板廃棄物（２００）についての２つ以上の等級（４２０）に分類するための分別装置（４１０）と、を備える、システム。
プリント基板廃棄物（２００）を分別するための方法（５００）であって、
請求項１０又は請求項１１に記載の、割り当てるための方法（３００）と、
複数のプリント基板廃棄物（２００）を、前記割り当てるための方法（３００）によって前記複数のプリント基板廃棄物（２００）の各々に割り当てられた材料価値スコア（１１０）に従って、プリント基板廃棄物（２００）についての２つ以上の等級（４２０）に分類すること（５１０）と、を備える、方法。