[論文レビュー] Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification

Obai Alashram, Nejad Alagha+3 more|arXiv (Cornell University)|Jan 20, 2026

Recycled Aggregate Concrete Performance被引用数 0

ひとこと要約

この論文は、Xceptionベースの深層特徴量と古典的機械学習分類器を組み合わせたハイブリッドパイプラインを提案し、4つのC&D（建設・解体）ゴミカテゴリを分類。バランスの取れた現場データセットで約99.5%の精度を達成。

ABSTRACT

The construction industry produces significant volumes of debris, making effective sorting and classification critical for sustainable waste management and resource recovery. This study presents a hybrid vision-based pipeline that integrates deep feature extraction with classical machine learning (ML) classifiers for automated construction and demolition (C\&D) debris classification. A novel dataset comprising 1,800 balanced, high-quality images representing four material categories, Ceramic/Tile, Concrete, Trash/Waste, and Wood was collected from real construction sites in the UAE, capturing diverse real-world conditions. Deep features were extracted using a pre-trained Xception network, and multiple ML classifiers, including SVM, kNN, Bagged Trees, LDA, and Logistic Regression, were systematically evaluated. The results demonstrate that hybrid pipelines using Xception features with simple classifiers such as Linear SVM, kNN, and Bagged Trees achieve state-of-the-art performance, with up to 99.5\% accuracy and macro-F1 scores, surpassing more complex or end-to-end deep learning approaches. The analysis highlights the operational benefits of this approach for robust, field-deployable debris identification and provides pathways for future integration with robotics and onsite automation systems.

研究の動機と目的

• 信頼性の高い現場適用可能な debris分類を推進し、現場での廃棄物分別と資源回収を改善する。
• 深層特徴抽出と従来型ML分類器を組み合わせた実用的なハイブリッドビジョンパイプラインを開発する。
• UAEの現場で撮像されたC&D debrisのバランスの取れた実世界データセットを作成し、ベンチマークとする。
• 深層埋め込みを用いた複数の古典的分類器を評価し、効率的で高性能なモデルを特定する。

提案手法

• 4クラスの debris（Ceramic/Tile、Concrete、Trash/Waste、Wood）を含むバランスの取れた現場画像データセットを収集・整備する。
• グレースケール変換、299x299へのリサイズ、中央クロッピング、ImageNetベースの正規化で前処理を行う。 augmentationは訓練データのみに適用。
• 前 pretrained Xceptionネットワーク（エンコーダのみ）を用いて深層特徴を抽出し、グローバル平均プーリングを適用して2048次元の特徴ベクトルを得る。
• 訓練データの統計量を用いたzスコア正規化で特徴を標準化する。
• Xceptionの埋め込みに対して複数のML分類器（Linear SVM、Bagged Trees、kNN、Logistic Regression ECOC、RBF SVM、LDA）を訓練・評価し、最も性能が高いモデルを選択する。

実験結果

リサーチクエスチョン

• RQ1 Xception由来の特徴と古典的ML分類器を組み合わせたハイブリッドパイプラインは、実世界の現場条件で4つのC&Dゴミカテゴリをどれだけ分類できるか。
• RQ2 深層埋め込み上で最も高い精度とMacro-F1を現場のゴミ画像で達成するML分類器はどれか。
• RQ3 ゴミクラス間の混同行列・誤分類パターンはどうか、そして現場条件へのロバスト性はどれくらいか。

主な発見

Classifier	Accuracy (%)	Macro-F1 (%)
Linear SVM	99.45	99.47
Bagged Trees	99.45	99.47
kNN	99.45	99.47
Logistic Regression (ECOC)	98.36	98.41
RBF SVM	96.72	96.80
LDA	95.63	95.70

• Xception特徴量と単純な分類器を組み合わせたハイブリッドパイプラインは、4ゴミタスクのテストセットで99.45%の精度および99.47%のMacro-F1を達成。
• Linear SVM、Bagged Trees、kNNは同等のトップ性能を達成（99.45%の精度、99.47%のMacro-F1）。
• Logistic Regression (ECOC) は98.36%の精度、98.41%のMacro-F1を達成し、RBF SVMとLDAはそれぞれ96.72%および95.63%のスコア。
• 混同行分析ではCeramic/TileとConcreteでほぼ完璧な性能を示し、WoodとTrash-Wasteに小さな誤分類があり、WoodがTrash-Wasteと混同される overlap があった。
• データセットは完全にバランスされており（クラスあたり450画像）、UAEの活発な建設現場から収集され、公平な比較と実用的配備の示唆を支持する。
• 結果は、ハイブリッドパイプラインを現場ロボティクスと現場監視へ展開することを支持し、ロボティクス統合やマルチモーダルセンシングへの拡張の可能性を示唆する。