[논문 리뷰] WasteNet: Waste Classification at the Edge for Smart Bins

Gary White, Christian Cabrera외 3명|arXiv (Cornell University)|2020. 06. 10.

Recycling and Waste Management Techniques참고 문헌 43인용 수 46

한 줄 요약

WasteNet은 저전력 기기(e.g., Jetson Nano)에서 폐기물을 여섯 가지 카테고리(종이, 판지, 유리, 금속, 플라스틱, 기타)로 분류하는 엣지 배포 CNN으로 TrashNet에서 97% 정확도를 달성하고 클라우드 접속 없이도 분리 판단을 가능하게 합니다.

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.

연구 동기 및 목표

• 스마트 빈에서 재활용 오염을 줄이기 위한 자동 폐기물 분리 동기 부여.
• 클라우드 연결 없이 작동하는 엣지 배포 가능 CNN 기반 폐기물 분류기 개발.
• 전이 학습을 통해 일반 폐기물 카테고리에서 분류 정확도 향상.
• 엣지 기기에 적합한 실용적 학습 스킴 시연.
• TrashNet에서 최첨단 심층 학습 모델과의 성능 비교 평가.

제안 방법

• Jetson Nano와 같은 엣지 기기에 배포 가능한 폐기물 분류 CNN 기반 모델 WasteNet 제안.
• Feature extraction과 점진적 언프리징을 결합한 하이브리드 튜닝 전략으로 이미지넷에서의 전이 학습 적용하여 재앙적 망각 방지.
• TrashNet 이미지에서 일반화 향상을 위한 데이터 증강 사용.
• DenseNet을 기본 네트워크로 채택하고 계층별 구분 학습률로 미세 조정.
• TrashNet 데이터셋에 대해 train/validation/test 분할(50/25/25)을 사용하여 학습 및 평가.

실험 결과

연구 질문

• RQ1 WasteNet이 TrashNet 폐기물 분류 작업에서 기존 최첨단 심층 모델을 능가할 수 있는가?
• RQ2 클라우드 접근 없이 스마트 빈에서 정확한 실시간 폐기물 분류를 엣지 배치로 가능하게 하는가?
• RQ3 하이브리드 전이 학습 접근법이 재앙적 망각을 줄이면서 엣지 성능을 향상시키는가?
• RQ4 실제 이미징 변형에서도 여섯 가지 폐기물 카테고리에 대해 WasteNet은 어떻게 수행하는가?

주요 결과

• WasteNet은 TrashNet에서 0.970 정확도(정밀도/재현율/F1도 0.970) 달성, 연구의 다른 모델을 능가.
• 다음으로 0.953 정확도(DenseNet169)인 모델이 두 번째로 우수해 뚜렷한 성능 차이가 있다.
• 혼동 행렬은 대부분 정확한 예측을 보이고 일부 오라벨링은 주로 유리 클래스와 금속/플라스틱 클래스 간에 발생한다.
• 학습 곡선은 상단 레이어 학습 후 차등 학습률로 점진적 언프리징을 통해 재앙적 망각을 피하는 단계적 학습을 보여준다.
• 그래디언트 기반 로컬라이제이션(히트맵)은 예측을 이끄는 영역을 식별하고 불확실한 경우 사람의 분류를 촉발하기 위한 신뢰도 임계치(>0.9) 제안을 시사한다.
• 방법은 엣지 기기(Jetson Nano 등)에 적합하여 온-빈 지능적 의사 결정 및 클라우드 의존도 감소를 가능하게 한다.