재활용 선별장 AI 비전 도입 가이드: 선별 방식 비교부터 비용·안전까지
선별장의 마지막 품질 관리는 왜 아직 사람 손에 남아 있을까
유럽의 생활폐기물 선별장은 이미 상당 부분 자동화돼 있습니다. 봉투를 찢는 파봉기, 크기별로 거르는 트롬멜, 바람과 반발력을 쓰는 풍력·탄도 선별기, 금속을 끌어내는 자력·와전류 선별기가 라인을 따라 이어집니다.
그런데도 회수한 소재의 최종 품질 검사, 덩치 큰 폐기물 속 재활용품 골라내기는 여전히 작업자 몫인 경우가 많습니다. 2021년 유럽의 선별장 실증 연구는 이 작업이 소음, 폐기물 직접 접촉, 중량물 취급이 겹친 환경에서 이뤄지고, 교대 시간 후반으로 갈수록 작업 성과가 떨어진다고 지적합니다.
AI 비전 선별은 바로 이 구간을 겨냥한 기술입니다. 다만 "카메라와 로봇만 달면 해결된다"는 기대로 접근하면 투자 대비 효과가 기대에 못 미치기 쉽습니다. 이 글에서는 선별 방식별 차이부터 공개 연구의 성능 데이터, 비용 구조, 안전 요건, 혼합 운영 방식까지 도입 전에 따져야 할 기준을 차례로 살펴봅니다.
수선별·광학 선별·AI 비전 선별은 무엇으로 소재를 구분할까
세 방식의 차이는 "무엇을 근거로 소재를 판별하느냐"에서 출발합니다. 판별 근거가 다르면 잘 잡아내는 소재와 놓치는 소재, 현장 조건에 대한 민감도도 함께 달라집니다.
수선별: 가장 유연하지만 성과를 일정하게 유지하기 어렵다
작업자는 형태·색·무게를 한꺼번에 보고 판단하므로 처음 보는 폐기물에도 바로 대응합니다. 반면 작업 강도가 높은 환경에서는 피로가 쌓이며 성과가 흔들리고, 인력 확보 문제에서도 자유롭지 않습니다.
- 강점: 대형·비정형 폐기물과 예외 품목에 즉시 대응한다.
- 한계: 교대 후반 성과 저하, 위생·안전 부담이 따른다.
센서 기반 광학 선별: 재질 판별에 강하지만 판별 규칙이 고정적이다
근적외선(NIR) 같은 분광 센서는 소재가 빛을 흡수·반사하는 고유 패턴으로 플라스틱 종류를 구분하고, 판별한 물체를 압축 공기로 불어내 분리합니다. 재질 자체를 읽기 때문에 겉보기가 비슷한 수지도 가려낼 수 있지만, 미리 정한 판별 범위 밖의 품목이나 겹쳐 들어온 물체에는 약합니다.
- 강점: 고속 연속 처리와 수지 종류별 분리에 유리하다.
- 한계: 설정 범위 밖 품목, 여러 겹으로 투입된 물체에서 오판이 생긴다.
AI 비전과 로봇 선별: 형상을 학습하고 선별 대상을 바꿀 수 있다
AI 비전은 카메라 영상에서 물체의 형태·색·질감을 딥러닝 모델로 인식하고, 로봇 팔이나 액추에이터가 그 물체를 집거나 밀어냅니다. 2025년 오픈액세스 논문은 근접 센서처럼 물체의 유무만 감지하는 기존 PLC 방식으로는 플라스틱·금속·종이를 구분하기 어렵다는 점을 AI 비전 결합의 출발점으로 삼았습니다.
실제 현장 설비는 카메라 하나에만 의존하지 않는 경우가 많습니다. 2021년 실증 연구에 쓰인 로봇 선별기는 RGB 카메라, NIR 센서, 가시광 센서, 금속 탐지기를 함께 묶고 딥러닝 소프트웨어로 판단을 내렸습니다.
- 강점: 재학습으로 선별 대상을 바꿀 수 있고, 한 대가 여러 소재를 집어 서로 다른 호퍼로 나눈다.
- 한계: 학습 데이터 확보 부담이 크고, 물체 겹침과 불안정한 투입에 민감하다.
| 구분 | 판별 근거 | 잘 맞는 대상 | 주의할 조건 | 운영 부담 |
|---|---|---|---|---|
| 수선별 | 작업자의 시각·경험 | 대형·비정형 폐기물, 최종 품질 검사 | 교대 후반 성과 저하 | 인력 확보, 작업 환경 관리 |
| 광학 선별 | 분광 패턴(재질) | 수지 종류별 고속 분리 | 설정 범위 밖 품목, 다층 투입 | 판별 규칙 설정, 센서 보정 |
| AI 비전 + 로봇 | 영상 형상 학습 + 복합 센서 | 여러 품목이 섞인 흐름, 선별 대상이 자주 바뀌는 라인 | 물체 겹침, 긴 물체, 불안정한 투입 | 학습 데이터 구축, 소프트웨어 갱신 |
공개 연구가 보여 주는 AI 비전 선별의 성능과 한계
AI 비전 선별의 성능은 공급사 자료마다 다르게 제시되고, 측정 조건이 공개되지 않는 경우도 많습니다. 조건이 공개된 연구 두 편을 보면 어떤 지표를 어떻게 읽어야 하는지가 분명해집니다.
통제된 환경의 시제품: 소재별 정확도 차이가 크다
2025년 MDPI 논문은 YOLOv8 모델과 PLC를 결합한 컨베이어 선별 시제품을 만들고, 금속 캔·플라스틱병·종이 세 종류를 약 2,000장의 이미지로 학습시켰습니다. 통제된 실험 환경에서 소재별 정확도는 플라스틱병 91%, 금속 캔 88%, 종이 75%였습니다.
이 수치에서 눈여겨볼 부분은 평균보다 편차입니다. 연구진은 종이 분류의 오류 원인으로 배경과의 혼동을 추정했고, 노이즈를 줄여 전체 정확도를 높이는 방법으로 컨베이어 바닥을 검은색으로 바꾸는 안을 제시했습니다. 물체가 겹칠 때의 분류 문제는 후속 과제로 남겼습니다. 형태가 일정한 병·캔보다 구겨지고 납작해지는 종이류가 어렵다는 뜻이고, 실제 선별장의 혼합 폐기물은 실험 조건보다 훨씬 불규칙합니다.
실제 선별장 실증: 순도는 높았지만 회수율이 낮았다
2021년 MDPI 논문은 스페인 바르셀로나의 생활폐기물 선별장(연간 평균 약 30만 톤 반입)에 AI 로봇 선별기를 설치해 대형 폐기물 라인에서 시험한 결과를 정리했습니다. 로봇은 13종 소재를 학습했고, 소재별로 500~1,000개의 샘플을 모아 컨베이어에 직접 투입하며 반복 학습하는 과정을 거쳤습니다.
결과는 엇갈렸습니다. 분리된 소재의 순도는 대부분 기대를 웃돌았고 일부는 100%에 이르렀지만, 회수율은 섬유류가 13%에 그쳤고 알루미늄은 그보다 낮았습니다. 집어 낸 물건은 정확했지만, 집어야 할 물건을 상당량 놓쳤다는 의미입니다. 연구진은 건설폐기물용으로 개발된 장비를 생활폐기물에 적용하면서 성분과 형상이 달라진 점을 주요 원인으로 봤습니다.
두 연구를 함께 보면 하나의 지표만으로 성능을 판단하기 어렵다는 점이 드러납니다.
- 순도: 분리된 물건 중 목표 소재의 비율로, 판별이 얼마나 정확한지를 보여 준다.
- 회수율: 투입된 목표 소재 중 실제로 골라낸 비율로, 얼마나 놓쳤는지를 보여 준다.
비용 구조: 장비 가격보다 커지기 쉬운 숨은 비용
AI 비전 선별의 견적은 보통 로봇·센서·제어기 같은 하드웨어를 중심으로 제시됩니다. 실제 총비용은 기존 라인을 로봇에 맞추는 개조, 학습 데이터를 쌓는 기간, 운영 중 계속 필요한 갱신 작업에서 크게 갈립니다.
| 비용 구분 | 주요 항목 | 놓치기 쉬운 이유 |
|---|---|---|
| 초기 투자 | 로봇 팔·그리퍼, 카메라·센서, 연산 장치·제어기, 호퍼와 설치 플랫폼 | 견적의 중심이라 비교적 잘 드러난다 |
| 라인 개조 | 단층 공급 장치, 컨베이어 속도 조정, 투입량 측정 센서, 통신망 | 로봇 성능이 투입 조건에 좌우되지만 별도 공사로 잡힌다 |
| 학습·안정화 | 소재별 샘플 수집, 반복 투입 학습, 안정화 기간의 라인 점유 | 정식 가동 전 기간이라 비용으로 인식되지 않는다 |
| 운영·유지 | 소프트웨어 갱신과 모델 재학습, 그리퍼 소모품, 센서 청소 | 계약 범위에 따라 부담 주체가 달라진다 |
앞의 실증 연구에서 성능 개선책으로 제시된 항목도 상당수가 로봇 바깥의 일이었습니다. 정기적인 소프트웨어 업데이트, 설비의 기계적 개조, 집기 전략 개선, 투입 흐름을 고르게 만드는 장치 설치, 일부 폐기물 흐름을 앞 공정으로 돌리는 공정 조정 등입니다. 견적을 비교할 때는 이 항목들이 공급사 범위인지, 선별장이 따로 부담해야 하는지를 계약 전에 구분해 두는 것이 좋습니다.
효과 쪽도 같은 방식으로 따져야 합니다. 순도가 높아지면 재생원료의 품질과 판매 조건이 나아질 수 있고, 회수율이 오르면 소각·매립으로 넘어가는 양이 줄어듭니다. 다만 그 크기는 반입 폐기물의 성분과 소재별 거래 단가에 따라 달라지므로, 회수 기간을 일률적으로 단정하기보다 자기 라인의 데이터로 계산하는 편이 정확합니다.
로봇 선별 셀의 안전 요건: 작업자가 빠진 자리에 생기는 위험
수선별 인원이 줄면 날카로운 물체, 소음, 중량물에 노출되는 시간도 줄어듭니다. 실증 연구에서도 작업자들은 사고 위험 감소를 로봇 도입의 기회로 꼽았습니다. 대신 컨베이어 위에서 빠르게 움직이는 로봇 팔, 그리고 막힘 해소·청소·그리퍼 교체를 위해 셀 안으로 들어가는 정비 작업이 새로운 위험 지점이 됩니다.
산업용 로봇의 안전 국제표준인 ISO 10218 계열은 로봇의 동작 범위와 사람의 접근을 어떻게 분리하고 제어할지를 다룹니다. 국내 산업안전 관련 법령의 로봇 작업 요건과 함께, 선별 셀 설계 단계에서 아래 기능이 갖춰졌는지 확인합니다.
- 격리와 접근 통제: 로봇 동작 범위를 방호울로 막고, 출입문을 열면 로봇과 컨베이어가 멈추도록 연동한다.
- 정지 기능 연동: 비상정지 시 로봇만이 아니라 앞뒤 컨베이어까지 함께 멈추게 한다.
- 정비 중 재기동 방지: 에너지 차단·잠금 절차를 두고, 정비 시에는 저속·수동 모드로만 움직이게 한다.
- 혼합 구간 분리: 수선별 작업자가 남는 구간과 로봇 셀 사이를 물리적으로 나눈다.
선별장은 폐기물 낙하와 분진이 잦아 센서·안전장치가 오염되기 쉬운 환경입니다. 안전장치가 오작동해 라인이 자주 멈추면 현장에서 장치를 우회하려는 유혹이 생기므로, 설치 위치와 청소 주기까지 운영 절차에 넣어 두는 것이 실질적인 안전 대책입니다.
도입 효과가 기대에 못 미치는 이유
공개 연구에서 확인된 원인은 상당수가 로봇 자체보다 로봇이 일하는 조건과 관련됩니다. 확인된 패턴을 원인별로 정리하면 다음과 같습니다.
먼저 점검할 부분은 "투입 조건을 그대로 둔 경우"입니다. 실증 연구에서 처리량을 실제 운영 수준으로 올리자 일부 구간에서 폐기물이 한 겹으로 펼쳐지지 않고 서로 겹치기 시작했고, 그때부터 로봇이 물체를 인식하고 집는 데 어려움이 커졌습니다. 처리량과 인식률은 서로 당기는 관계라서, 단층 공급 장치나 투입량 측정 센서, 컨베이어 속도 조정 없이 처리량만 높이면 성능이 함께 떨어집니다.
"학습한 폐기물과 실제 폐기물이 다른 경우"도 성능을 끌어내립니다. 건설폐기물에 맞춰 개발된 장비가 생활폐기물에서 인식률이 낮아진 사례, 통제된 실험에서도 배경과 헷갈린 종이류가 대표적입니다. 현장 폐기물로 다시 학습시키고 컨베이어 배경 같은 촬영 조건을 손보는 과정을 처음부터 일정에 넣어야 합니다.
"집기 어려운 형상"은 인식이 맞아도 실패로 이어집니다. 섬유, 필름, 종이, 골판지처럼 길거나 늘어지는 물체는 집는 단계에서 놓치기 쉽습니다. 그리퍼와 집기 전략을 개선하거나, 이런 물체가 많은 흐름은 일부를 앞 공정으로 돌려 로봇이 처리할 양을 줄이는 방법을 함께 검토합니다.
"순도만 보고 판단한 경우"는 도입 후에야 문제가 드러납니다. 높은 순도는 판별이 정확하다는 뜻일 뿐, 놓친 양까지 알려 주지 않습니다. 시운전과 계약 조건에 순도와 회수율을 함께 측정하도록 명시해야 실제 재활용량의 변화를 확인할 수 있습니다.
사람·광학 선별기·로봇의 역할을 나누는 혼합 운영
실증 연구는 대부분의 선별장이 수작업과 자동 선별을 함께 쓴다고 정리합니다. 일부 공정은 사람이 하는 편이 낫고, 다른 공정은 자동화가 더 정확하고 안전하기 때문입니다. AI 비전 선별도 기존 방식을 통째로 대체하기보다 어디에 배치하느냐의 문제로 보는 편이 현실적입니다.
- 광학 선별기 후단 보정: 광학 선별기가 놓치거나 잘못 분리한 물체를 로봇이 후단에서 다시 골라낸다.
- 품목별 분담: 형태가 일정하고 반복되는 품목은 로봇이, 대형·비정형 폐기물과 예외 품목은 사람이 맡는다.
- 작업자 역할 전환: 수선별 인원이 로봇 유지보수와 학습 데이터 관리로 옮겨 가도록 교육 계획을 함께 세운다.
역할 전환은 기술 문제가 아니라 조직 문제이기도 합니다. 실증 연구는 로봇 확대가 단순 직무 감소로 이어질 수 있어 작업자 사이에 불안이 생긴다고 짚었습니다. 도입 계획 단계에서 어떤 업무가 사라지고 어떤 업무가 새로 생기는지를 현장과 먼저 공유해야 운영이 안정됩니다.
AI 비전 선별의 성패는 로봇보다 라인 설계에서 갈린다
AI 비전 선별은 형상을 학습해 여러 소재를 동시에 다루고, 선별 대상을 바꿀 수 있다는 점에서 수선별과 광학 선별이 남긴 빈자리를 메울 수 있습니다. 하지만 공개 연구가 보여 주듯 소재별 성능 편차가 크고, 투입 조건과 폐기물 형상에 따라 회수율이 크게 흔들립니다.
그래서 비교해야 할 것은 장비 사양만이 아닙니다. 라인 개조, 학습·안정화 기간, 운영 중 갱신까지 포함한 총비용, 로봇 셀의 격리와 정비 절차, 사람과 장비의 역할 분담이 함께 설계돼야 기대한 효과가 나옵니다.
첫걸음은 현재 수선별 구간에서 어떤 품목을 얼마나 놓치고 있는지 순도와 회수율 기준으로 측정해 보는 것입니다. 이 데이터가 있어야 공급사 제안의 성능 수치를 자기 라인 기준으로 검증하고, 로봇이 가장 효과를 낼 위치를 정할 수 있습니다.
참고문헌
- Almtireen, N., Reddy, V., Sutton, M., et al. "PLC-Controlled Intelligent Conveyor System with AI-Enhanced Vision for Efficient Waste Sorting." Applied Sciences (MDPI). 2025-02-03. https://www.mdpi.com/2076-3417/15/3/1550.
- Wilts, H., Garcia, B.R., Garlito, R.G., et al. "Artificial Intelligence in the Sorting of Municipal Waste as an Enabler of the Circular Economy." Resources (MDPI). 2021-03-29. https://www.mdpi.com/2079-9276/10/4/28.
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.