[論文レビュー] Inference of Recyclable Objects with Convolutional Neural Networks

Jaime Caballero, Francisco Vergara+2 more|arXiv (Cornell University)|Apr 2, 2021

Municipal Solid Waste Management参考文献 14被引用数 4

ひとこと要約

本稿では、プラスチックボトル、アルミカン、紙/段ボールの3種類のリサイクルごみを含む10,000枚以上の実世界画像から構成される新規データセットFotini10kを用いてトレーニングされた畳み込みニューラルネットワーク（CNN）に基づく自動リサイクルごみ分別システムを提案する。ResNet50、MobileNetV1、MobileNetV2で99％のトップ1精度を達成し、8ビット量子化後も97％の精度を維持する。これにより、Raspberry Pi やCoral TPUなどのエッジデバイスでリアルタイム推論が可能となる。

ABSTRACT

Population growth in the last decades has resulted in the production of about 2.01 billion tons of municipal waste per year. The current waste management systems are not capable of providing adequate solutions for the disposal and use of these wastes. Recycling and reuse have proven to be a solution to the problem, but large-scale waste segregation is a tedious task and on a small scale it depends on public awareness. This research used convolutional neural networks and computer vision to develop a tool for the automation of solid waste sorting. The Fotini10k dataset was constructed, which has more than 10,000 images divided into the categories of 'plastic bottles', 'aluminum cans' and 'paper and cardboard'. ResNet50, MobileNetV1 and MobileNetV2 were retrained with ImageNet weights on the Fotini10k dataset. As a result, top-1 accuracy of 99% was obtained in the test dataset with all three networks. To explore the possible use of these networks in mobile applications, the three nets were quantized in float16 weights. By doing so, it was possible to obtain inference times twice as low for Raspberry Pi and three times as low for computer processing units. It was also possible to reduce the size of the networks by half. When quantizing the top-1 accuracy of 99% was maintained with all three networks. When quantizing MobileNetV2 to int-8, it obtained a top-1 accuracy of 97%.

研究の動機と目的

• コンピュータビジョンとディープラーニングを用いたリサイクルごみの自動分別システムの開発。
• プラスチックボトル、アルミカン、紙/段ボールの3つのカテゴリに分けられる10,000枚以上の実世界画像を含むFotini10kデータセットの構築と公開。
• トレーニング済みのCNN—ResNet50、MobileNetV1、MobileNetV2—をFotini10kデータセット上で評価・比較し、ごみ分類性能を検証すること。
• 量子化による最適化を通じて、モデルサイズと推論時間を削減しながら高い精度を維持するように、エッジデバイスへのデプロイを可能にする。
• 最先端の画像分類性能を示すことで、今後のごみ分別におけるオブジェクト検出システムの基盤を構築すること。

提案手法

• Fotini10kデータセットは、実世界環境で動作するカスタムロボットセットアップを用いて収集され、視覚的に中立的な条件での撮影により一貫性と代表性を確保した。
• ResNet50、MobileNetV1、MobileNetV2アーキテクチャに対して、ImageNetの事前学習済み重みをFotini10kデータセット上で微調整するトランスファーラーニングを実施した。
• モデル量子化は2段階で実施：まず浮動小数点16ビット（float16）にすることでモデルサイズを縮小し、推論速度を向上。次に8ビット整数（int-8）にすることでさらなる最適化を図った。
• Raspberry Pi 4 および Google Coral Dev Board といった組み込みプラットフォーム上で推論性能を評価し、推論時間と1秒あたりのフレーム数（fps）を測定した。
• エッジデバイスでの効率的なデプロイを目的に、モデルをTensorFlow Lite（.tflite）形式に変換した。
• 全精度モデルと比較して、量子化モデルの精度、モデルサイズ、推論速度の観点から性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ実世界のリサイクル物のデータセットが、CNNベースのごみ分類モデルの精度向上に寄与するか？
• RQ2 Fotini10kデータセット上で微調整された場合、ResNet50、MobileNetV1、MobileNetV2といった異なるCNNアーキテクチャは、リサイクルごみ分類においてどの程度の性能を示すか？
• RQ3 モデル量子化によって推論時間とモデルサイズをどれほど削減できるか。ただし、分類精度が著しく低下しない範囲で。
• RQ4 トレーニング済みモデルは、Raspberry Pi やGoogle Coral TPU といった低消費電力エッジデバイスでリアルタイム推論を達成できるか？
• RQ5 本稿で提示されたシステムは、先行研究と比較して、特にトップ1精度の観点でどの程度優れているか？

主な発見

• Fotini10kデータセット上で微調整されたResNet50、MobileNetV1、MobileNetV2の3つのCNNアーキテクチャすべてで、テストセットにおいて99％のトップ1精度を達成した。
• float16精度への量子化後、Raspberry Piでは推論時間が2倍速くなり、標準CPUでは3倍速くなったが、精度に変化はなかった。
• 8ビット整数（int-8）への量子化によりモデルサイズは半減したが、トップ1精度は97％を維持した。MobileNetV2は速度と精度のバランスが最も優れていた。
• int-8に量子化されたMobileNetV2モデルは、Google Coral Dev Boardで350 fpsを超える推論速度を達成し、リアルタイム性能の可能性を示した。
• 量子化に対する耐性が高く、float16に量子化しても精度は0.001％の低下にとどまり、エッジデバイスへの展開に適していることが示された。
• Fotini10kデータセットは、リサイクルごみ画像分類分野で最先端の性能を実現し、Gyawaliらが報告した87.8％のトップ1精度（ResNet18を用いて）を上回った。