딥러닝 폐기물 자동 분류란? ResNet 정확도 98%의 재활용 선별 연구

환경 연구 동향  | 앨지닥터

파키스탄 Minhaj University를 포함한 국제 공동연구팀은 합성곱 신경망(CNN)으로 도시 폐기물 이미지를 12개 범주로 자동 분류할 수 있는지 평가해 Scientific Reports에 발표했습니다. 연구진은 공개 데이터의 이미지 1만 5,535장을 전처리·증강해 여러 딥러닝 모델을 비교했습니다. 저자 표에서 ResNet은 정확도 98.0595%, 정밀도 97.9764%, 재현율 98.0158%, F1 점수 97.9875%로 비교 모델 가운데 가장 높은 성능을 보였습니다. 다만 RGB 사진만으로는 투명도와 반사 특성이 비슷한 재질을 구분하기 어려웠고, 저자들은 실시간 영상과 실제 폐기물 처리 환경에서의 추가 검증을 제안했습니다.

폐기물 증가와 자동 선별의 필요성

도시에서 나오는 생활폐기물은 수거 뒤에도 재질과 오염 정도가 제각각이어서, 재활용하거나 안전하게 처리하려면 먼저 종류를 구분해야 합니다. 유엔환경계획은 전 세계 도시 고형폐기물이 2023년 21억 톤에서 2050년 38억 톤으로 늘어날 것으로 전망했습니다. 보고서는 폐기물 예방과 관리, 재활용을 포함한 순환경제 전환을 중요한 대응 경로로 제시합니다. [배경 1]

합성곱 신경망은 사진에서 선·모양·질감 같은 특징을 단계적으로 학습해 사물을 구분합니다. 이 연구가 사용한 ResNet은 앞선 층의 정보를 뒤쪽 층으로 건너보내는 잔차 연결을 도입해 깊은 신경망의 학습을 쉽게 만든 구조입니다. [배경 2] 연구진은 이 구조가 서로 다른 폐기물 사진을 얼마나 정확하게 가려내는지 물었습니다.

공개 이미지 1만 5,535장을 이용한 분류 절차

연구진은 배터리, 생물성 폐기물, 갈색 유리, 판지, 의류, 녹색 유리, 금속, 종이, 플라스틱, 신발, 일반 쓰레기, 흰색 유리 등 12개 범주의 공개 이미지 1만 5,535장을 사용했습니다. 이미지 수는 의류 5,325장부터 갈색 유리 607장까지 차이가 났습니다. 연구진은 이 불균형을 줄이기 위해 SMOTE 오버샘플링과 가중 손실을 적용했다고 설명했습니다.

이미지는 180×180×3 크기로 맞추고, 가장자리를 보존하면서 잡음을 줄이는 필터와 좌우·상하 반전, 회전을 적용했습니다. ImageNet 사전학습 가중치를 이용한 전이학습과 하이퍼파라미터 탐색을 거쳐 150회 학습했으며, 논문은 데이터를 80% 학습용과 20% 평가용으로 나눴다고 보고했습니다. 성능은 정확도, 정밀도, 재현율, F1 점수와 12개 범주의 혼동행렬로 평가했습니다.

다섯 모델 가운데 가장 높았던 ResNet 성능

저자들이 제시한 모델 비교표에서 ResNet의 정확도는 98.0595%로 가장 높았습니다. 정밀도는 97.9764%, 재현율은 98.0158%, F1 점수는 97.9875%였습니다. 같은 표에서 AlexNet의 정확도는 96.5071%, VGG16은 95.2135%, GoogLeNet은 93.7257%, SqueezeNet은 90.4916%였습니다. 이는 동일 연구에서 비교한 다섯 모델의 성능 순위이며, 서로 다른 데이터셋을 쓴 외부 연구 전체에 그대로 일반화되는 순위는 아닙니다.

겉모습이 비슷한 재질에 집중된 오분류

정확도가 높아도 모든 재질을 같은 수준으로 구분한 것은 아니었습니다. 저자들은 혼동행렬에서 흰색·녹색·갈색 유리와 투명 플라스틱 사이, 종이와 판지 사이에 일부 오분류가 나타났다고 설명했습니다. 투명도와 반사 특성, 표면 질감과 색이 비슷하면 일반 RGB 사진에서 재질 차이가 충분히 드러나지 않았다는 해석입니다.

폐기물이 서로 겹치거나 배경 잡음이 있는 경우에도 오류가 생겼습니다. 이는 사진 속 모양과 색을 중심으로 학습한 모델이 물질의 화학적·광학적 성질까지 직접 측정한 것은 아니라는 뜻입니다. 연구진은 적외선·다중분광·초분광 정보나 재질 센서를 결합하면 시각적으로 비슷한 품목을 더 세밀하게 구분할 가능성이 있다고 제안했습니다.

정지 이미지 성과와 실제 현장 적용 사이의 간극

이 연구는 공개 이미지 데이터에서 ResNet 계열 모델이 12개 폐기물 범주를 높은 정확도로 분류할 수 있음을 보여줬습니다. 저자들은 자동 선별이 재활용과 폐기물 관리의 효율을 높이는 기반이 될 수 있다고 해석했습니다. 동시에 더 깊은 신경망은 연산량이 커서 저전력 스마트 수거함이나 엣지 장치에서 실시간으로 구동하기 어려울 수 있다고 지적했습니다.