Towards Accurate and Efficient Waste Image Classification: A Hybrid Deep Learning and Machine Learning Approach

기술 요약: 정확하고 효율적인 폐기물 이미지 분류를 위한 방향

문제 제기
자동화된 폐기물 분류는 지속 가능한 글로벌 폐기물 관리에 필수적이지만, 현재 문헌은 기계 학습 (ML), 딥러닝 (DL), 그리고 하이브리드 솔루션을 통합한 체계적인 벤치마크가 부족합니다. 기존 연구들은 종종 문제의 고립된 측면만을 다루어 패러다임 간의 통합된 비교를 제공하지 못합니다. 또한, 널리 사용되는 공개 데이터셋은 오표기 (mislabeling) 와 같은 데이터 품질 문제로 인해 벤치마크의 신뢰성을 훼손합니다. 더 나아가, 딥러닝 모델이 높은 정확도를 달성하지만, 그 계산 비용과 추론 지연 시간은 리소스가 제한된 환경이나 실시간 환경에서의 배포에 도전을 제기합니다.

연구 방법
본 연구는 Garbage Classification(19,762 개 이미지, 10 개 클래스), Household Garbage(15,150 개 이미지, 12 개 클래스), TrashNet(2,527 개 이미지, 6 개 클래스) 의 세 가지 공개 데이터셋을 대상으로 폐기물 이미지 분류를 위한 세 가지 다른 패러다임에 대한 포괄적인 평가를 제안합니다.

1. 데이터셋 정제: Household Garbage 데이터셋의 데이터 무결성을 보장하기 위해 43 개의 오표기 이미지를 수동으로 검사하고 수정하는 것이 중요한 예비 단계였습니다.
2. 패러다임 1: 고전적 기계 학습 (수작업 특징):
   • 전처리: GrabCut, 임계값 처리, 윤곽선 탐지를 사용하여 이미지를 분할했습니다.
   • 특징 추출: 색상 (HSV 모멘트, 히스토그램), 형태 (윤곽선 속성, Hu 모멘트), 질감 (GLCM, LBP), 키포인트 (ORB, SIFT), 그리고 전역 특징 (GIST) 과 같은 수작업 특징들을 연결하여 1,305 차원의 고차원 벡터를 구성했습니다.
   • 분류: 이러한 특징들은 로지스틱 회귀 (LoR), SVM, KNN, 의사결정나무 (DT), 랜덤 포레스트 (RF), XGBoost, LightGBM 을 포함한 고전적 분류기들에 입력되었습니다.
3. 패러다임 2: 딥러닝 (엔드 투 엔드):
   • 표준 ResNet50, ResNet101, EfficientNetV2S 세 가지 아키텍처를 평가했습니다.
   • 원래 최상위 레이어를 GlobalAveragePooling2D 레이어와 밀집 출력 레이어로 대체하여 맞춤형 ResNet50을 개발했습니다. 이 모델은 클래스 불균형과 분류가 어려운 샘플을 처리하기 위해 희소 카테고리 포커스 손실 (Sparse Categorical Focal Loss) 을 사용하여 훈련되었습니다.
4. 패러다임 3: 하이브리드 접근법 (딥 특징 + 고전적 분류기):
   • 가장 성능이 우수한 딥 모델 (맞춤형 ResNet50) 을 특징 추출기로만 사용했습니다.
   • GlobalAveragePooling2D 레이어에서 특징을 추출하여 2,048 차원의 벡터를 생성했습니다.
   • 특징 선택: 차원을 크게 축소하기 위해 래퍼 (Wrapper) 와 임베디드 (Embedded) 방법을 적용했습니다 (100 개에서 50 개까지의 특징 하위 집합을 테스트).
   • 축소된 특징 집합은 동일한 일련의 고전적 ML 알고리즘 (SVM, LoR 등) 을 사용하여 분류되었습니다.

주요 결과

• 하이브리드 우위성: 하이브리드 접근법은 순수 ML 과 순수 DL 방법 모두를 일관되게 능가했습니다. TrashNet과 수정된 Household Garbage 데이터셋에서 하이브리드 모델은 100% 정확도를 달성했습니다. Garbage Classification 데이터셋에서는 99.87% 정확도에 도달하여 최상의 순수 DL 모델 (97.37% 의 맞춤형 ResNet50) 을 능가했습니다.
• 데이터 수정의 영향: 수정된 Household Garbage 데이터셋에서 하이브리드 모델은 100% 정확도를 유지한 반면, 엔드 투 엔드 딥러닝 베이스라인은 99.74% 에서 99.16% 로 하락했습니다. 이는 DL 모델이 원래의 레이블 노이즈에 과적합되었음을 시사합니다.
• 특징 선택 효율성: 특징 선택은 정확도를 훼손하지 않으면서 입력 차원을 95% 이상 (2,048 에서 50~100 개 특징까지) 축소했습니다. 일부 경우, 전체 특징 집합을 사용하는 것보다 컴팩트한 특징 하위 집합을 사용하는 것이 실제로 성능을 향상시켰습니다.
• 계산 효율성: CNN 백본이 추론 시간의 대부분 (샘플당 약 6~10ms) 을 차지하지만, 경량 ML 모델에 의한 후속 분류는 무시할 수 있는 오버헤드 (1 밀리초 미만) 를 추가합니다. 하이브리드 접근법은 엔드 투 엔드 DL 에 비해 총 추론 지연 시간을 약간 줄여줍니다 (예: TrashNet 에서 9.09ms 대 9.97ms) 그리고 분류기 구성 요소에 대해 훨씬 빠른 훈련 시간을 제공합니다.

의의 및 주장
저자들은 이 연구가 데이터 무결성 문제를 해결하고 ML, DL, 하이브리드 패러다임에 대한 통합된 비교를 제공함으로써 폐기물 분류에 대한 더 신뢰할 수 있는 벤치마크를 확립했다고 주장합니다. 주요 기여는 딥 특징 추출과 고전적 분류기 및 공격적인 특징 선택을 결합한 하이브리드 프레임워크가 계산 비용과 모델 복잡성을 크게 줄이면서 최첨단 정확도를 달성한다는 것을 입증한 것입니다.

이 논문은 이 접근법이 무거운 특징 추출 (온라인에서 상각되거나 오프라인으로 수행될 수 있음) 을 경량이고 빠른 분류 단계에서 분리하기 때문에 리소스가 제한된 환경 (예: 엣지 장치) 에서의 확장 가능한 배포에 특히 적합하다고 주장합니다. 연구는 하이브리드 전략이 다양한 데이터셋 규모에 걸쳐 기존 최첨단 벤치마크를 능가하는 실제 폐기물 관리 시스템을 위한 견고하고 효율적이며 매우 정확한 솔루션을 제공한다고 결론지었습니다.