[论文解读] ContamiNet: Detecting Contamination in Municipal Solid Waste

Khoury Ibrahim, Danielle A. Savage+3 more|arXiv (Cornell University)|Nov 11, 2019

Advanced Neural Network Applications参考文献 9被引用 4

一句话总结

ContamiNet 是一种卷积神经网络（CNN），利用来自 Recology 的三万五千多张未经整理的图像，检测住宅回收与堆肥垃圾桶中的污染情况。当在出现频率至少 1,000 次的标签上进行训练时，其 AUC 达到 0.86，几乎与人类专家（平均 AUC 0.88）持平，显示出在城市固体废物管理中实现实时污染检测与居民教育的强劲潜力。

ABSTRACT

Leveraging over 30,000 images each with up to 89 labels collected by Recology---an integrated resource recovery company with both residential and commercial trash, recycling and composting services---the authors develop ContamiNet, a convolutional neural network, to identify contaminating material in residential recycling and compost bins. When training the model on a subset of labels that meet a minimum frequency threshold, ContamiNet preforms almost as well human experts in detecting contamination (0.86 versus 0.88 AUC). Recology is actively piloting ContamiNet in their daily municipal solid waste (MSW) collection to identify contaminants in recycling and compost bins to subsequently inform and educate customers about best sorting practices.

研究动机与目标

• 开发一种基于图像识别的自动化系统，用于检测住宅回收与堆肥垃圾桶中的污染情况。
• 通过在源头识别污染，减轻受污染可回收物对环境与经济造成的负担。
• 通过基于图像的污染检测结果，实现对居民的针对性教育，支持可持续废物管理。
• 评估深度学习模型在检测城市固体废物污染方面与人类专家的性能表现。
• 探索标签频率对模型性能的影响，并确定最优的训练阈值。

提出的方法

• 在 Recology 收集的 30,780 张未经整理的图像上训练卷积神经网络（CNN），每张图像最多包含 89 个标签。
• 应用标签频率阈值（100、300、1,000）以过滤稀有标签，提升模型的泛化能力与性能。
• 使用受试者工作特征曲线下面积（AUC）评估模型性能，95% 置信区间通过测试集的 10,000 次自助重采样计算得出。
• 训练数据包含来自住宅回收与堆肥垃圾桶的图像，标签涵盖多种污染类型，如食物残渣、塑料袋和受污染的纸张。
• 该模型设计用于在实际城市固体废物收集中部署，未来可集成至通知居民污染情况的反馈系统。
• 未来改进方向包括使用边界框定位污染物，并通过标准化摄影协议提升数据收集质量。

实验结果

研究问题

• RQ1 深度学习模型能否以接近人类专家的性能检测住宅回收与堆肥垃圾桶中的污染？
• RQ2 训练数据中的标签频率如何影响污染检测模型的性能？
• RQ3 为在模型准确率与数据保留率之间取得平衡，训练标签的最优最低频率阈值是多少？
• RQ4 在未经整理的真实世界图像上训练的 CNN 能否实现与人类专家在 AUC 上无统计差异的性能？
• RQ5 在多次评估轮次中，该模型的性能与个别专家相比如何？

主要发现

• 当在出现频率至少 1,000 次的标签上进行训练时，ContamiNet 的 AUC 达到 0.86，几乎与人类专家的平均 AUC（0.882）持平。
• 在标签频率阈值为 1,000 时，保留了 89% 的训练数据，确保了模型的稳健泛化能力。
• ContamiNet 的 AUC 与专家 1 无统计差异，且显著优于专家 3，仅有专家 2 和 4 略微优于它。
• 当移除稀有标签（如 toxic_batteries、waste_pet）后，模型性能显著提升，原因在于这些标签的训练样本不足。
• ContamiNet 的 AUC 95% 置信区间为 [0.854, 0.871]，与人类专家平均值的置信区间 [0.875, 0.890] 存在重叠。
• 本研究证明，深度学习模型可利用来自城市废物收集的真实世界、未经整理的图像数据，实现接近专家水平的污染检测性能。