[논문 리뷰] Waste detection in Pomerania: non-profit project for detecting waste in environment

Sylwia Majchrowska, Agnieszka Mikołajczyk외 5명|arXiv (Cornell University)|2021. 05. 12.

Municipal Solid Waste Management참고 문헌 56인용 수 4

한 줄 요약

이 논문은 다양한 환경에서 쓰레기 탐지 및 분류를 위한 오픈소스이자 이단계 딥러닝 프레임워크를 제안한다. 탐지 네트워크를 통해 위치를 파악하고 분류 네트워크를 통해 일곱 가지 쓰레기 유형을 분류한다. 탐지에 대해 평균 정밀도 70%를 달성하고 분류 정확도는 75%를 기록하여 공개 데이터셋과 모델을 활용한 자동화된 쓰레기 관리 및 환경 모니터링에 대한 확장 가능한 솔루션을 제공한다.

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.

연구 동기 및 목표

• 딥러닝을 활용해 비정형이고 실제 환경에서의 쓰레기 탐지 및 분류 과제를 해결하기 위해.
• 다양한 환경 조건에서 쓰레기를 탐지하고 분류할 수 있는 통합된 오픈소스 시스템을 개발하기 위해.
• 그로츠카, 폴란드 현지 정책에 기반한 실제 데이터와 분류 규칙을 활용해 쓰레기 분류 자동화를 통해 재활용 효율을 향상시키기 위해.
• 연구자 및 전문가들이 사용할 수 있도록 포괄적인 공개 데이터셋과 모델 프레임워크를 구축하기 위해.
• 드론 기반 불법 투기 탐지 및 스마트 스크래치 박스 자동화와 같은 애플리케이션을 가능하게 하기 위해 강력한 객체 탐지 및 분류 기반의 시스템을 제공하기 위해.

제안 방법

• 이단계 딥러닝 파이프라인: 첫 번째 단계로, 앵커 기반 객체 탐지 기반의 탐지기(EfficientDet-D2)가 이미지 내 쓰레기의 위치를 국소화한다.
• 두 번째 단계로, 분류기(EfficientNet-B2)가 일곱 가지 카테고리 중 하나를 할당한다: 생물성, 유리, 금속 및 플라스틱, 재활용 불가, 종이, 기타, 또는 알 수 없음.
• 데이터셋은 도시, 자연, 수중 쓰레기 영상 등 여러 공개 자료를 조합하여 구성되었으며, 철저한 주석 처리와 데이터 증강이 적용되었다.
• 반등정의 데이터(OpenLitterMap)에 대해 의사라벨링을 적용하여 분류 성능을 향상시켰지만, 성과 향상은 제한적이었다.
• 실제 환경에서 통제되지 않은 상황에서의 탐지 및 분류 최적화를 위해 전이 학습과 하이퍼파라미터 튜닝을 활용하였다.
• 시스템은 완전히 오픈소스이며, 코드와 학습된 모델이 GitHub에 공개되어 있다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 시스템이 통제되지 않은 실제 환경에서 높은 정밀도로 쓰레기를 탐지하고 분류할 수 있는가?
• RQ2 이단계 탐지기-분류기 파이프라인은 도시, 자연, 수중 환경 등 다양한 환경에서 다양한 쓰레기 유형을 분류하는 데 얼마나 효과적인가?
• RQ3 데이터 증강 및 의사라벨링이 불균형하고 부분적으로 레이블이 부여된 쓰레기 데이터셋에서 분류 정확도를 얼마나 향상시키는가?
• RQ4 공개 벤치마크에서 기존 방법과 비교해 본다면, 제안된 프레임워크는 탐지 mAP와 분류 정확도 측면에서 어떤 성능을 보이는가?
• RQ5 이 시스템은 드론 기반 불법 투기 탐지나 스마트 스크래치 박스 내 자동 쓰레기 분류와 같은 애플리케이션에 일반화될 수 있는가?

주요 결과

• EfficientDet-D2 모델을 사용한 쓰레기 탐지에서 평균 정밀도(AP@0.5)는 66.4%를 기록하여 유사한 데이터셋에서 이전 방법들을 능가하였다.
• 테스트 세트에서 분류 모델은 클래스 불균형과 제한된 레이블 데이터에도 불구하고 75%의 정확도를 달성하여 뛰어난 성능을 보였다.
• 의사라벨링의 적용은 근소한 성능 향상만을 가져왔으며, 생물성 또는 기타 쓰레기와 같은 희귀 클래스의 경우 데이터 품질과 불균형 문제로 인한 한계를 시사하였다.
• 중간 및 대형 쓰레기 물체의 국소화는 높은 정밀도로 성공했지만, 작은 부스러기의 경우 어려움을 겪었으며, 이는 소형 물체 탐지 성능 향상의 필요성을 시사한다.
• 오픈소스 프레임워크와 데이터셋은 공개되어 있어 환경 모니터링, 스마트 쓰레기 관리 및 향후 연구에 재사용이 가능하다.
• 결과적으로 딥러닝을 활용한 실제 환경 쓰레기 탐지의 실현 가능성을 입증하였으며, 드론이나 로봇 분류 시스템에의 통합 가능성도 보여주었다.