[논문 리뷰] Virtual Mines -- Component-level recycling of printed circuit boards using deep learning

Muhammad Mohsin, Stefano Rovetta외 2명|arXiv (Cornell University)|2024. 06. 24.

Recycling and Waste Management TechniquesEnvironmental Science인용 수 3

한 줄 요약

이 논문은 고유의 V-PCB 데이터셋에서 전자 부품을 검출함으로써 인쇄 회로 기판(PCB)의 부품 수준 재활용을 가능하게 하는 딥러닝 기반 시스템을 제안한다. 모델은 82%의 정밀도와 55%의 재현율을 기록하여 원형 경제 응용 분야에서 도시 광물 채굴을 위한 효과적인 실시간 검출을 입증한다.

ABSTRACT

This contribution gives an overview of an ongoing project using machine learning and computer vision components for improving the electronic waste recycling process. In circular economy, the "virtual mines" concept refers to production cycles where interesting raw materials are reclaimed in an efficient and cost-effective manner from end-of-life items. In particular, the growth of e-waste, due to the increasingly shorter life cycle of hi-tech goods, is a global problem. In this paper, we describe a pipeline based on deep learning model to recycle printed circuit boards at the component level. A pre-trained YOLOv5 model is used to analyze the results of the locally developed dataset. With a different distribution of class instances, YOLOv5 managed to achieve satisfactory precision and recall, with the ability to optimize with large component instances.

연구 동기 및 목표

• 폐기 전자기기(e-waste) 증가 문제를 해결하기 위해 폐기된 PCB에서 핵심 원자재(CRMs)를 고효율, 저비용으로 회수할 수 있도록 하는 것.
• 전통적 광물 채굴에 의존도를 줄이고 환경 영향을 최소화하는 부품 수준의 PCB 재활용을 지원하는 컴퓨터 비전 파이프라인 개발.
• 학습 및 평가를 위한 딥러닝 모델 훈련을 위해 8종의 전자 부품 클래스로 구성된 지역적 고품질 V-PCB 데이터셋을 구축하고 레이블링.
• 자원 제약이 있는 하드웨어(Jetson Nano)에서 실시간 배포를 위해 객체 검출 성능을 최적화하는 것.
• 특히 데이터셋에서 희귀한 부품 클래스에 대해 모델 일반화 능력을 향상시키기 위해 데이터 증강 기법 적용.

제안 방법

• 재활용 공장에서 확보한 PCB 이미지로 구성된 고유의 V-PCB 데이터셋을 수집하고, 이미지 강화, 대비 조정, 관심 영역 추출을 위해 OpenCV를 사용해 전처리.
• 레이블 스튜디오를 활용해 8종의 전자 부품 클래스(예: 콘덴서, 저항기, IC 등)를 레이블링하여 지도 학습용 데이터셋 구축.
• 고성능 GPU 서버를 사용해 사전 학습된 YOLOv5 객체 검출 모델을 V-PCB 데이터셋에 맞추어 미세조정하며, 배치 크기를 4와 8로 설정해 훈련 수행.
• 실시간 성능 평가를 위해 인퍼런스를 NVIDIA Jetson Nano에 배포하여 엣지 디바이스에서의 성능 검증.
• 클래스 분포 균형을 맞추고 희귀 부품 유형에 대한 모델의 강인성을 향상시키기 위해 데이터 증강 기법 적용.
• 경계 상자 및 클래스 수준에서 정밀도, 재현율, 평균 평균 정밀도(mAP), 손실 지표(box, obj, cls)를 사용해 성능 평가.

실험 결과

연구 질문

• RQ1 딥러닝 기반 객체 검출 모델이 실제 재활용 환경에서 다양한 전자 부품을 고정밀도와 고재현율로 검출할 수 있는가?
• RQ2 V-PCB 데이터셋의 클래스 불균형이 YOLOv5의 성능에 미치는 영향은 무엇이며, 데이터 증강이 희귀 부품 검출에 도움이 되는가?
• RQ3 커스텀 데이터셋으로 훈련된 YOLOv5 모델이 Jetson Nano와 같은 엣지 하드웨어에서 얼마나 일반화되고 효율적으로 작동하는가?
• RQ4 다양한 배치 크기가 V-PCB 데이터셋에서 YOLOv5 모델의 수렴 및 성능에 미치는 영향은 무엇인가?
• RQ5 제안된 파이프라인은 스케일업 가능하고 비용 효율적인 PCB 부품 수준 재활용을 지원할 수 있으며, 원형 경제 및 도시 광물 채굴 목표에 기여할 수 있는가?

주요 결과

• YOLOv5 모델은 V-PCB 데이터셋에서 82%의 정밀도와 55%의 재현율을 기록하여 대부분의 부품 클래스에 대해 뛰어난 검출 성능를 보였다.
• 훈련 데이터에서 인스턴스 수가 많은 부품은 더 나은 검출 성능를 보였으며, 데이터 균형의 중요성을 입증했다.
• 저전력 엣지 디바이스인 Jetson Nano에서 실시간 인퍼런스가 가능함을 입증하여 현장 재활용 환경에서의 배포 가능성을 확인했다.
• mAP는 0.56이며, mAP-95는 0.27로, 모든 클래스에 걸쳐 중간 수준의 전체 검출 정확도를 나타냈다.
• 데이터 증강이 희귀 부품 유형의 초기 인스턴스 수가 적은 경우 모델 일반화 능력을 크게 향상시켰다.
• 시스템은 딥러닝을 활용한 자동 부품 수준의 PCB 재활용의 실현 가능성을 성공적으로 입증하였으며, 원형 경제의 '가상 광산' 개념을 뒷받침했다.