[논문 리뷰] Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification

Obai Alashram, Nejad Alagha외 3명|arXiv (Cornell University)|2026. 01. 20.

Recycled Aggregate Concrete Performance인용 수 0

한 줄 요약

이 논문은 Xception 기반의 딥 피처를 전통 ML 분류기와 결합한 하이브리드 파이프라인을 제안하여 네 가지 C&D 잔해 카테고리를 분류하고, 균형 잡힌 현장 데이터셋에서 약 99.5% 정확도를 달성합니다.

ABSTRACT

The construction industry produces significant volumes of debris, making effective sorting and classification critical for sustainable waste management and resource recovery. This study presents a hybrid vision-based pipeline that integrates deep feature extraction with classical machine learning (ML) classifiers for automated construction and demolition (C\&D) debris classification. A novel dataset comprising 1,800 balanced, high-quality images representing four material categories, Ceramic/Tile, Concrete, Trash/Waste, and Wood was collected from real construction sites in the UAE, capturing diverse real-world conditions. Deep features were extracted using a pre-trained Xception network, and multiple ML classifiers, including SVM, kNN, Bagged Trees, LDA, and Logistic Regression, were systematically evaluated. The results demonstrate that hybrid pipelines using Xception features with simple classifiers such as Linear SVM, kNN, and Bagged Trees achieve state-of-the-art performance, with up to 99.5\% accuracy and macro-F1 scores, surpassing more complex or end-to-end deep learning approaches. The analysis highlights the operational benefits of this approach for robust, field-deployable debris identification and provides pathways for future integration with robotics and onsite automation systems.

연구 동기 및 목표

• 현장 배치가 가능한 견고한 잔해 분류를 촉진하여 현장 폐기물 선별 및 자원 회수를 개선한다.
• 깊이 있는 특징 추출과 전통 ML 분류기를 결합한 실용적인 하이브리드 비전 파이프라인 개발.
• UAE 현장 사이트에서 촬영된 균형 잡힌 실세계 C&D 잔해 데이터셋을 벤치마킹용으로 생성.
• 깊은 임베딩을 대상으로 여러 고전 분류기를 평가하여 효율적이고 고성능 모델을 식별.

제안 방법

• 4가지 잔해 클래스(Ceramic/Tile, Concrete, Trash/Waste, Wood)로 균형 잡힌 현장 이미지 데이터셋 수집 및 선별.
• 그레이스케일 변환, 299x299로 리사이즈, 중앙 자름 및 ImageNet 기반 정규화; 학습 데이터에만 증강 적용.
• 사전 학습된 Xception 네트워크(인코더만)로 딥 피처 추출하고 전역 평균 풀링으로 2048차원 피처 벡터 얻기.
• 학습 데이터 통 statistics를 사용한 z-score 정규화를 통해 피처 표준화.
• Xception 임베딩에서 여러 ML 분류기(Linear SVM, Bagged Trees, kNN, Logistic Regression ECOC, RBF SVM, LDA) 학습 및 평가; 최상 성능 모델 선정.

실험 결과

연구 질문

• RQ1 현장 조건에서 Xception-derived 피처와 고전 ML 분류기를 결합한 하이브리드 파이프라인이 네 가지 C&D 잔해 카테고리를 얼마나 잘 분류하는가?
• RQ2 딥 임베딩에서 어떤 ML 분류기가 현장 잔해 이미지에서 가장 높은 정확도와 매크로-F1을 산출하는가?
• RQ3 잔해 클래스 간의 오분류 패턴은 무엇이며 현장 조건에 모델의 강건성은 어떠한가?

주요 결과

Classifier	Accuracy (%)	Macro-F1 (%)
Linear SVM	99.45	99.47
Bagged Trees	99.45	99.47
kNN	99.45	99.47
Logistic Regression (ECOC)	98.36	98.41
RBF SVM	96.72	96.80
LDA	95.63	95.70

• 하이브리드 파이프라인은 Xception 피처와 단순 분류기로 네 가지 잔해 작업에 대해 테스트 세트에서 99.45% 정확도와 99.47% 매크로-F1을 달성했다.
• Linear SVM, Bagged Trees, 및 kNN이 동일한 최고 성능을 달성했다(99.45% 정확도, 99.47% 매크로-F1).
• Logistic Regression (ECOC)은 98.36% 정확도와 98.41% 매크로-F1에 도달했으며, RBF SVM과 LDA는 각각 96.72%와 95.63%를 기록했다.
• 오분류 분석에서 Ceramic/Tile 및 Concrete에 대해 거의 완벽한 성능을 보였고, Wood와 Trash-Waste 사이의 소소한 오분류가 있었으며 Wood가 Trash-Waste와 혼동되는 부분도 있었다.
• 데이터셋은 클래스당 450장의 이미지를 포함한 완전한 균형을 이루며, 활발히 운영 중인 UAE 건설 현장에서 수집되어 공정한 비교와 실용적 배치 인사이트를 지원한다.
• 결과는 현장 로봇공학 및 현장 모니터링을 위한 하이브리드 파이프라인의 배치를 뒷받침하며, 로봇 공학 통합 및 다중 모달 sensing으로의 확장 가능성을 시사한다.