섬유가 무엇으로 만들어졌는지 알아내는 방법은 보통은 ‘번 테스트(burn tests)’에 관한 언급을 많이 볼 수 있다. 번 테스트란 작은 직물의 샘플을 직접 불에 태워 섬유가 수축하는지, 녹는지, 타는지를 살펴보고 냄새를 맡아보는 것이다. 또 기존에는 작업자들이 폐기 직물을 직접 눈으로 살펴보고 감으로 분류했다. 이 같은 방법들은 첨단의 화학적 리사이클링 기법에 필요로 하는 정도의 정확도와 섬유 조성을 정확하게 판단한다는 것은 거의 불가능하다.
많은 국가들에서 직물의 섬유 조성을 명확히 표기할 것을 의무화하고 있다. 그렇다면 섬유 조성은 왜 중요한가? 전세계적으로 매해 800억 개의 의류가 생산된다고 한다. 그 중에서 50% 이상이 매립되거나 소각될 것으로 추정된다. 이처럼 높은 폐기율로 인한 자원 낭비를 줄일 수 있는 대안을 찾으라고 대형의류 회사들을 압박하고 있다. 각 정부나 지자체에서도 순환 경제를 장려하고 쓰레기 더미로 직행하는 의류들을 재활용할 수 있는 방안들을 도입하고 있다.
특히, 아크릴 및 폴리에스터로 이루어진 의류는 환경에 미치는 부담이 크다. 매번 세탁을 할 때마다 하수 처리 시설로 수십만 개의 미세 섬유 조각을 방출하기 때문이다. 이 중의 40%는 최종적으로 강, 호수 및 바다 등으로 유입돼 환경적 문제를 야기한다. 그러므로 섬유에 대해 새로운 화학적 리사이클링 기법은 무엇보다도 중요한 것이다. 예를 들어, 대표적인 리사이클링 기법을 사용하면 폴리에스터와 면으로 된 의류를 원래의 화학적 성분, 즉 셀룰로오스 섬유질과 폴리에스터 단량체 및 중합체로 환원할 수 있다. 그러려면 먼저 화학적 리사이클링을 하려는 리사이클링 업체가 의류들을 섬유 조성에 따라 정확하게 분류해야 한다.
그 해결 방안으로 인공지능을 적용해 훨씬 간편하고 정확하게 직물이나 섬유의 조성을 분석할 수 있게 되었다. 사기토(Sagitto)의 소형 근적외선 분광기는 초소형 근적외선 센서와 머신러닝 모델을 결합함으로써 이전과는 전혀 다른 차원의 분석을 할 수 있다. 각각의 직물은 섬유 조성에 따라 각기 고유한 근적외선 지문을 갖는다. 그 지문을 인공지능으로 분석해 의류들을 섬유 조성에 따라 정확하게 분류 하는 것이다. 또 900nm ~ 1,700nm의 파장 범위에서 작동하며, microUSB 연결을 통해 충전식 리튬 폴리머 배터리를 사용하고 전용 앱(App)과 저에너지 블루투스를 사용한다.
사기토는 TI의 DLP NIRscan Nano 평가 모듈(EVM)에 클라우드 기반 인공지능을 결합한 것으로 자체 데이터 전문가를 필요치 않는다. 또 머신러닝 모델을 학습시키기 위해 따로 데이터를 수집할 필요도 없다. 이는 마이크로소프트의 특정 응용 프로그램에 적합한 머신러닝 알고리즘을 사용하여 예측 모델을 구축하고 마이크로소프트의 애저(Azure) 클라우드 플랫폼에서 안전하게 자동으로 액세스할 수 있으며, 훨씬 더 다양한 제조 및 생산 업체들이 공정을 최적화할 수 있도록 장비의 비용, 전문성 및 데이터에 관련된 장벽을 제거할 수 있다.
한편 사기토의 인공지능 소프트웨어와 DLP NIRscan Nano EVM을 사용해 섬유 조성에 관한 데모 모델들을 시험해 볼 수 있으며, 고객이 머신러닝과 강력한 데이터 과학 기술을 활용할 수 있으며, NIR 기기의 데이터뿐만 아니라 다양한 소스의 데이터에 이러한 기술을 적용할 수 있다. 현재, 사기토의 소형 근적외선 분광기는 iOS 디바이스에서만 운용이 가능하다.
