[論文レビュー] WasteNet: Waste Classification at the Edge for Smart Bins

Gary White, Christian Cabrera+3 more|arXiv (Cornell University)|Jun 10, 2020

Recycling and Waste Management Techniques参考文献 43被引用数 46

ひとこと要約

WasteNetは、低消費電力デバイス（例：Jetson Nano）上で、6カテゴリ（紙、段ボール、ガラス、金属、プラスチック、その他）に廃棄物を分類するエッジ展開CNNです。TrashNetで97%の精度を達成し、クラウドに接続せずに bin 内での意思決定を可能にします。

ABSTRACT

Smart Bins have become popular in smart cities and campuses around the world. These bins have a compaction mechanism that increases the bins' capacity as well as automated real-time collection notifications. In this paper, we propose WasteNet, a waste classification model based on convolutional neural networks that can be deployed on a low power device at the edge of the network, such as a Jetson Nano. The problem of segregating waste is a big challenge for many countries around the world. Automated waste classification at the edge allows for fast intelligent decisions in smart bins without needing access to the cloud. Waste is classified into six categories: paper, cardboard, glass, metal, plastic and other. Our model achieves a 97\% prediction accuracy on the test dataset. This level of classification accuracy will help to alleviate some common smart bin problems, such as recycling contamination, where different types of waste become mixed with recycling waste causing the bin to be contaminated. It also makes the bins more user friendly as citizens do not have to worry about disposing their rubbish in the correct bin as the smart bin will be able to make the decision for them.

研究の動機と目的

• スマートビンにおけるリサイクル汚染を減らすための自動廃棄物分別を動機付ける。
• クラウド接続なしで動作するエッジへデプロイ可能なCNNベースの廃棄物分類器を開発する。
• 転移学習を用いて一般的な廃棄物カテゴリの分類精度を向上させる。
• エッジデバイスに適した実用的なトレーニング手法を示す。
• TrashNet上で最先端の深層学習モデルと比較して性能を評価する。

提案手法

• Jetson Nano のようなエッジデバイスへデプロイ可能な廃棄物分類CNNモデルとして WasteNet を提案する。
• ImageNet からの転移学習を適用し、特徴抽出と段階的アンフリーズを組み合わせたハイブリッド調整戦略で壊滅的忘却を緩和する。
• TrashNet の画像で一般化を向上させるためデータ拡張を使用する。
• 基盤ネットワークとして DenseNet を採用し、層ごとに区別的な学習率で微調整する。
• TrashNet データセットで train/validation/test の分割（50/25/25）で学習・評価を行う。

実験結果

リサーチクエスチョン

• RQ1 WasteNet は TrashNet の廃棄物分類タスクにおいて既存の最先端深層モデルを上回ることができるか？
• RQ2 クラウドなしでスマートビンの正確なリアルタイム廃棄物仕分けをエッジ展開で実現可能か？
• RQ3 ハイブリッド転移学習アプローチは、エッジ性能を改善しつつ壊滅的忘却を低減するか？
• RQ4 実世界の画像変動下で六つの廃棄物カテゴリに対して WasteNet はどのような性能を示すか？

主な発見

モデル	精度	適合率	再現率	F1スコア
WasteNet	0.970	0.970	0.970	0.970
DenseNet169	0.953	0.954	0.953	0.953
DenseNet121	0.942	0.942	0.942	0.941
ResNet101	0.939	0.939	0.939	0.938
ResNet50	0.937	0.937	0.937	0.937
VGG16	0.928	0.927	0.928	0.927
ResNet34	0.918	0.918	0.918	0.918
DenseNet161	0.913	0.917	0.913	0.912
VGG19	0.907	0.908	0.907	0.907
SqueezeNet	0.811	0.814	0.811	0.812
AlexNet	0.784	0.786	0.784	0.782

• WasteNet は TrashNet で 0.970 の精度を達成し（精度/再現率/F1 も 0.970）、本研究の他モデルを上回る。
• 次点モデルは DenseNet169 で 0.953 の精度を示し、顕著な性能リードを示している。
• 混同行列はほとんど正確な予測を示す一方、主に glass と metal/ plastic クラス間で誤ラベルが発生していることを示している。
• トレーニング曲線は段階的学習を示す：最上位層のトレーニングの後、壊滅的忘却を避けるために識別的な学習率で段階的にアンフリーズする。
• 勾配に基づく局所化（ヒートマップ）は予測を駆動する領域を特定し、不確かなケースに対しては閾値（>0.9）を指定して人間による仕分けをトリガーすることを示唆する。
• 本手法はエッジデバイス（例：Jetson Nano）に適しており、ビン内での知能的決定を可能にし、クラウド依存を低減する。