[논문 리뷰] Towards artificially intelligent recycling Improving image processing for waste classification

Youpeng Yu, Ryan Grammenos|arXiv (Cornell University)|2021. 08. 09.

Recycling and Waste Management Techniques참고 문헌 12인용 수 6

한 줄 요약

이 논문은 폐기물 분류 정확도를 향상시키기 위해 광범위한 데이터 증강 기법을 적용한 전이 학습 기반의 컨볼루션 신경망(CNN)을 제안한다. 하이퍼파라미터 최적화 및 기울기, 뒤집기, 밝기 조절 등의 기법을 적용하여 모델은 테스트 정확도 95.40%를 달성하였으며, 표준 웹캠을 통해 실시간 분류 기능을 구현함을 보여주었다.

ABSTRACT

The ever-increasing amount of global refuse is overwhelming the waste and recycling management industries. The need for smart systems for environmental monitoring and the enhancement of recycling processes is thus greater than ever. Amongst these efforts lies IBM's Wastenet project which aims to improve recycling by using artificial intelligence for waste classification. The work reported in this paper builds on this project through the use of transfer learning and data augmentation techniques to ameliorate classification accuracy. Starting with a convolutional neural network (CNN), a systematic approach is followed for selecting appropriate splitting ratios and for tuning multiple training parameters including learning rate schedulers, layers freezing, batch sizes and loss functions, in the context of the given scenario which requires classification of waste into different recycling types. Results are compared and contrasted using 10-fold cross validation and demonstrate that the model developed achieves a 91.21% test accuracy. Subsequently, a range of data augmentation techniques are then incorporated into this work including flipping, rotation, shearing, zooming, and brightness control. Results show that these augmentation techniques further improve the test accuracy of the final model to 95.40%. Unlike other work reported in the field, this paper provides full details regarding the training of the model. Furthermore, the code for this work has been made open-source and we have demonstrated that the model can perform successful real-time classification of recycling waste items using a standard computer webcam.

연구 동기 및 목표

• 딥 러닝을 활용한 이미지 기반 폐기물 분류 정확도를 향상시키기 위해.
• 효과적인 데이터 증강을 통해 제한된 레이블이 부여된 폐기물 이미지 데이터셋 문제를 해결하기 위해.
• 학습률, 배치 크기, 손실 함수와 같은 하이퍼파라미터를 최적화하여 모델의 일반화 능력을 향상시키기 위해.
• 소비자용 웹캠을 사용한 실시간 분류 기능을 구현할 수 있는 구현 가능한 시스템을 개발하기 위해.
• 재현 가능성과 커뮤니티 활용을 위해 전체 학습 세부 정보와 오픈소스 코드를 제공하기 위해.

제안 방법

• 자체 제작한 폐기물 이미지 데이터셋을 기반으로 전이 학습을 활용해 미리 훈련된 CNN을 미세조정하기 위해.
• 학습률 스케줄러, 배치 크기, 레이어 동결 전략 등을 포함한 하이퍼파라미터를 체계적으로 튜닝하기 위해.
• 다양한 데이터 증강 기법 적용: 무작위 플립, 회전, 기울임, 줌, 밝기 조절.
• 모델 성능 평가를 위해 10겹 교차검증을 사용하여 안정성과 일반화 능력을 확보하기 위해.
• 실제 구현을 위해 표준 컴퓨터 웹캠을 활용한 실시간 추론 파이프라인을 구현하기 위해.
• 효율적인 수렴을 위해 분류 교차 엔트로피 손실과 Adam 옵timizer를 사용하기 위해.

실험 결과

연구 질문

• RQ1 제한된 데이터를 가진 폐기물 이미지 데이터셋에 대해 전이 학습이 분류 정확도를 크게 향상시킬 수 있는가?
• RQ2 다양한 데이터 증강 기법이 폐기물 분류에서 CNN의 일반화 능력과 정확도에 어떤 영향을 미치는가?
• RQ3 이 특정 재활용 환경에서 최적의 하이퍼파라미터 조합은 무엇인가? 이를 통해 가장 높은 테스트 정확도를 달성할 수 있는가?
• RQ4 미세조정된 딥 러닝 모델이 표준 소비자용 하드웨어와 웹캠을 사용해 실시간 성능을 달성할 수 있는가?
• RQ5 전체 학습 세부 정보와 오픈소스 코드는 환경 AI 응용 분야에서 재현 가능성과 보급에 얼마나 기여하는가?

주요 결과

• 기본 모델은 전이 학습과 하이퍼파라미터 튜닝을 통해 테스트 정확도 91.21%를 달성하였다.
• 데이터 증강 기법을 통합한 후 모델의 테스트 정확도는 95.40%로 향상되었다.
• 최종 모델은 표준 컴퓨터 웹캠을 사용하여 재활용 폐기물 항목의 성공적인 실시간 분류를 수행하였다.
• 10겹 교차검증을 통해 다양한 데이터 분할에서 일관된 성능을 확인하였다.
• 완전한 학습 파이프라인과 코드는 오픈소스로 공개되어 재현 가능성을 보장하였다.
• 학습률 스케줄러와 배치 크기 포함한 상세한 하이퍼파라미터 설정 정보를 제공하여 모델의 강건성에 기여하였다.