[論文レビュー] DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet

Yash Narayan|arXiv (Cornell University)|Jan 15, 2021

Advanced Neural Network Applications参考文献 12被引用数 9

ひとこと要約

DeepWasteは、50層の残差畳み込みニューラルネットワーク（ResNet-50）を活用したモバイルアプリを提案する。このモデルは、端末内でのディープラーニングを用いて、リアルタイムでごみをごみ、リサイクル、堆肥の3つのカテゴリに分類する。独自に構築した1,218枚の実世界の画像からなるデータセット上で平均精度0.881を達成し、ユーザーのスマートフォン上で正確で低コストかつプライバシーを守るごみ分別意思決定を可能にする。

ABSTRACT

Accurate waste disposal, at the point of disposal, is crucial to fighting climate change. When materials that could be recycled or composted get diverted into landfills, they cause the emission of potent greenhouse gases such as methane. Current attempts to reduce erroneous waste disposal are expensive, inaccurate, and confusing. In this work, we propose DeepWaste, an easy-to-use mobile app, that utilizes highly optimized deep learning techniques to provide users instantaneous waste classification into trash, recycling, and compost. We experiment with several convolution neural network architectures to detect and classify waste items. Our best model, a deep learning residual neural network with 50 layers, achieves an average precision of 0.881 on the test set. We demonstrate the performance and efficiency of our app on a set of real-world images.

研究の動機と目的

• 回収可能および堆肥化可能な素材の誤った分別を低減することで、増大する世界的なごみ問題に対処すること。
• 現在の公的教育や標識には、しばしば混乱を招く、不完全で場所に特化しないという限界があるため、それを克服すること。
• ディープラーニングを用いた、低コストでスケーラブルかつプライベートなモバイルソリューションを開発し、リアルタイムでのごみ分類を実現すること。
• 従来の大多数のシステムで無視されてきた、堆肥を独立した分類カテゴリとして含めること。
• 広範な採用を可能にするために、普及しているスマートフォンと端末内推論を活用し、データのプライバシーと接続性の懸念を解消すること。

提案手法

• 地域の住宅地やリサイクル施設から収集した1,218枚の実世界の画像からなる独自データセットを構築し、3つのクラス（ごみ、リサイクル、堆肥）にアノテーションを施した。
• ImageNetで事前学習された重みを用いて、複数の最先端の畳み込みニューラルネットワークアーキテクチャ（InceptionV3、Inception-ResNet-V2、ResNet-50、MobileNet、PNASNet）を訓練した。
• 形状や照明の変化に強い耐性を付けるために、ランダム回転（0°、90°、180°、270°）、反転、クロップ、ぼかしのデータオーグメンテーション技術を用いた。
• 性能と効率性に優れるとして、ResNet-50モデルがデプロイに選ばれ、AppleのCore MLフレームワークを用いて端末内推論用に最適化された。
• モデルはユーザーのモバイルデバイス上で完全に実行され、データの送信が一切ないため、プライバシーが保たれ、電力消費が最小限に抑えられ、オフライン動作が可能となる。
• ユーザーが生成するコンテンツ機能により、今後のデータセット拡張がコミュニティ参加によって可能となる。

実験結果

リサーチクエスチョン

• RQ1 画像入力のみで、実世界の多様で変形したごみに対して、高精度なディープラーニングモデルが分類を達成できるか？
• RQ2 軽量で端末内でのディープラーニングモデルは、モバイルデプロイメントに適したリアルタイムで正確かつプライベートな分類を提供できるか？
• RQ3 別個の分類カテゴリとして堆肥を含めることで、リサイクルとごみのみを分類するシステムと比較して、環境的成果に顕著な向上が見られるか？
• RQ4 トランスファー学習とデータオーグメンテーションを活用したモバイルアプリは、既存のスマートボックスや産業用システムを上回る精度とスケーラビリティを達成できるか？
• RQ5 コミュニティ主導のデータ収集は、モデルの一般化能力とシステムの長期的持続可能性をどの程度向上できるか？

主な発見

• ResNet-50モデルはテストセットで最高の平均精度0.881を達成し、MobileNet（0.842）やPNASNet（0.852）など他のアーキテクチャを上回った。
• へばりついた缶、潰れたボトル、プラスチックバッグなど、変形や不規則な形状のアイテムに対しても、強力な一般化能力を示し、正しく「ごみ」と分類した。
• アプリは平均100msの推論時間でリアルタイム予測を提供し、モバイルデプロイメントに適している。
• Core MLを用いた端末内推論により、ユーザーのプライバシーが保たれ、インターネット接続の必要がなく、電力消費も削減された。
• システムは、リサイクルと誤認されがちなプラスチックバッグを「ごみ」と正しく識別し、リサイクル流の混入を防いだ。
• 著者らは、DeepWasteによる誤った分別の1％削減が、CO2換算で650万台以上のガソリン自動車の排出削減に相当すると予測している。