[논문 리뷰] DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet

Yash Narayan|arXiv (Cornell University)|2021. 01. 15.

Advanced Neural Network Applications참고 문헌 12인용 수 9

한 줄 요약

DeepWaste는 모바일 애플리케이션을 통해 50층의 잔차 신경망(ResNet-50)을 활용해 실시간으로 쓰레기, 재활용,堆肥로 분류하는 것을 제안한다. 이 모델은 1,218장의 실제 사진으로 구성된 자체 데이터셋에서 평균 정밀도 0.881을 달성하여 사용자의 스마트폰에서 정확하고 저비용이며 개인정보 보호가 가능한 쓰레기 처리 결정을 가능하게 한다.

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.

연구 동기 및 목표

• 재활용 및 퇴비화 가능한 자원의 오류 있는 폐기 문제를 해결하기 위해.
• 기존의 공공 교육 및 표지판의 한계를 극복하기 위해, 이는 종종 혼동스럽고 불완전하며 위치 기반 정보가 부족하기 때문이다.
• 딥러닝을 활용한 실시간 쓰레기 분류를 위한 저비용, 확장 가능하고 개인정보 보호가 가능한 모바일 솔루션을 개발하기 위해.
• 이전의 대부분의 시스템에서 간과되었던 퇴비를 별도의 분류 카테고리로 포함시키기 위해.
• 광범위한 보급을 위해 퍼블릭 스마트폰과 디바이스 내 추론을 활용함으로써 데이터 프라이버시 및 연결성 문제를 제거하기 위해.

제안 방법

• 현지 주거지역과 재활용 센터에서 촬영한 1,218장의 실제 사진으로 구성된 자체 데이터셋을 수집하여, 쓰레기, 재활용, 퇴비의 세 가지 클래스로 주석 처리하였다.
• ImageNet 사전 훈련된 가중치를 사용하여 최신의 컨volutional 신경망 아키텍처들(InceptionV3, Inception-ResNet-V2, ResNet-50, MobileNet, PNASNet)을 훈련시켰다.
• 형태와 조명 변화에 대한 강건성을 향상시키기 위해 무작위 회전(0°, 90°, 180°, 270°), 뒤집기, 자르기, 흐림 처리 등의 데이터 증강 기법을 적용하였다.
• 성능과 효율성 면에서 뛰어난 점을 고려해 ResNet-50 모델을 배포에 선택하였으며, Apple의 Core ML 프레임워크를 사용해 디바이스 내 추론을 최적화하였다.
• 모델 전체가 사용자의 모바일 기기에서 실행되어 데이터 전송이 전혀 발생하지 않으며, 전력 소비를 최소화하고 오프라인 작동이 가능하다.
• 사용자 생성 콘텐츠 기능을 통해 향후 데이터셋 확장을 커뮤니티 기여를 통해 가능하게 하였다.

실험 결과

연구 질문

• RQ1 이미지 입력만으로 실제 생활에서 다양하고 기형된 쓰레기 물체에 대해 고정밀도의 딥러닝 모델 분류가 가능한가?
• RQ2 경량화된 디바이스 내 딥러닝 모델이 실시간으로 정확하고 개인 정보 보호가 가능한 분류를 제공할 수 있으며, 모바일 배포에 적합한가?
• RQ3 퇴비를 별도의 카테고리로 포함시킬 경우, 재활용과 쓰레기만 분류하는 기존 시스템과 비교해 환경적 성과에 상당한 기여를 할 수 있는가?
• RQ4 전이 학습과 데이터 증강을 기반으로 한 모바일 앱이 기존 스마트 바구니나 산업용 시스템보다 정확도와 확장성 면에서 뛰어나게 성능을 낼 수 있는가?
• RQ5 커뮤니티 기반의 데이터 수집 방식이 모델의 일반화 능력 향상과 시스템의 장기적 지속 가능성에 얼마나 기여할 수 있는가?

주요 결과

• ResNet-50 모델은 테스트 세트에서 평균 정밀도 0.881을 기록하여 MobileNet(0.842)과 PNASNet(0.852)를 포함한 다른 아키텍처들보다 뛰어난 성능을 보였다.
• 비정상적이고 기형된 형태의 물체, 예를 들어 구부정한 캔, 부서진 병, 플라스틱 봉투 등에도 강력한 일반화 능력을 보였으며, 정확하게 쓰레기로 분류하였다.
• 앱은 평균 100ms의 추론 시간으로 실시간 예측을 제공하여 모바일 배포에 적합하다.
• Core ML를 통한 디바이스 내 추론은 사용자 프라이버시를 보장하고 인터넷 의존도를 제거하며 전력 소비를 줄였다.
• 시스템은 일반적으로 재활용으로 잘못 분류되는 플라스틱 봉투가 실제로는 쓰레기여야 한다는 점을 정확히 식별하여 재활용 흐름의 오염을 방지하였다.
• 저자들은 DeepWaste를 통한 오류 폐기 1% 감소가, 이산화탄소 배출 기준으로 650만台 이상의 가솔린 차량의 도로 운행을 중단시키는 것과 동일한 효과를 낼 수 있다고 예측하였다.