[論文レビュー] Waste detection in Pomerania: non-profit project for detecting waste in environment

Sylwia Majchrowska, Agnieszka Mikołajczyk+5 more|arXiv (Cornell University)|May 12, 2021

Municipal Solid Waste Management参考文献 56被引用数 4

ひとこと要約

本論文は、検出ネットワークを用いた局所化と7種類の廃棄物カテゴリの分類のための分類器を備えた、オープンソースで2段階のディーブラーニングフレームワークを提示している。検出では平均70%の正確度を達成し、分類では75%の正確度を示しており、公開済みのデータセットとモデルを用いた、自動化されたごみ管理および環境監視のスケーラブルなソリューションを提供する。

ABSTRACT

Waste pollution is one of the most significant environmental issues in the modern world. The importance of recycling is well known, either for economic or ecological reasons, and the industry demands high efficiency. Our team conducted comprehensive research on Artificial Intelligence usage in waste detection and classification to fight the world's waste pollution problem. As a result an open-source framework that enables the detection and classification of litter was developed. The final pipeline consists of two neural networks: one that detects litter and a second responsible for litter classification. Waste is classified into seven categories: bio, glass, metal and plastic, non-recyclable, other, paper and unknown. Our approach achieves up to 70% of average precision in waste detection and around 75% of classification accuracy on the test dataset. The code used in the studies is publicly available online.

研究の動機と目的

• 深層学習を用いて、構造のない現実世界のゴミの検出と分類に挑戦すること。
• 多様な環境条件下でごみの検出と分類が可能な統合的でオープンソースのシステムを開発すること。
• グダニスク、ポーランドの現実データおよび現地の分別ルールに基づく、自動化されたごみ分類によってリサイクル効率を向上させること。
• 研究者および実務家が利用可能な包括的で公開済みのデータセットおよびモデルフレームワークを構築すること。
• ドローンを用いた違法投棄物の検出やスマートごみ箱の自動化などの応用を可能にする、強力なオブジェクト検出および分類技術を提供すること。

提案手法

• 2段階のディーブラーニングパイプライン：まず、アノテーションベースのオブジェクト検出を用いて、EfficientDet-D2が画像内のゴミの局所化を実行する。
• 次に、EfficientNet-B2が7つのカテゴリ（生分解性、ガラス、金属およびプラスチック、非リサイクル可能、紙、その他、不明）のいずれかに分類を割り当てる。
• データセットは、都市、自然、水中のゴミ画像を含む複数の公開データソースを統合し、注意深くアノテートされ、データ拡張が施されている。
• OpenLitterMapの部分的にラベル付けされたデータに対して疑似ラベル付けを適用し、分類性能の向上を図ったが、その効果は限定的であった。
• 実世界の制御不能なシナリオにおける検出および分類の最適化のため、トランスファー学習とハイパーパramータチューニングを用いた。
• システムは完全にオープンソースであり、GitHub上でコードおよびトレーニング済みモデルが公開されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのシステムは、制御不能な現実世界の環境において、高精度なゴミの検出と分類を達成できるか？
• RQ2 2段階の検出器-分類器パイプラインは、都市、自然、水中の環境を含む多様なごみタイプの分類において、どの程度効果的か？
• RQ3 データ拡張および疑似ラベル付けは、不均衡で部分的にラベル付けされたごみデータセットにおける分類正確度をどの程度向上させるか？
• RQ4 公開ベンチマーク上での検出mAPおよび分類正確度の観点から、本フレームワークは既存手法と比較してどの程度優れているか？
• RQ5 本システムは、ドローンを用いた違法投棄物の検出やスマートごみ箱における自動ごみ分別などの応用に一般化可能か？

主な発見

• EfficientDet-D2モデルを用いたゴミ検出では、平均66.4%の正確度（AP@0.5）を達成し、同等のデータセット上で先行手法を上回った。
• 分類モデルはテストセットで75%の正確度を達成し、クラスの不均衡や限られたラベル付きデータの影響にもかかわらず、強力な性能を示した。
• 疑似ラベル付けの適用は僅かな改善にとどまり、特に生分解性やその他のごみといったレアクラスでは、データ品質と不均衡の制限が顕著に見られた。
• 中型および大型のゴミオブジェクトは高い正確度で局所化に成功したが、小さな破片については困難を示し、小物オブジェクト検出の改善が求められることが明らかになった。
• オープンソースのフレームワークおよびデータセットは公開されており、環境監視、スマートごみ管理、さらなる研究への再利用が可能である。
• 結果から、実世界のゴミ検出にディーブラーニングを導入することが実現可能であることが示され、ドローンやロボット分別システムへの統合の可能性も示唆された。