The Garbage Dataset (GD): A Multi-Class Image Benchmark for Automated Waste Segregation

이 논문은 가정용 폐기물 10 개 카테고리를 포함하는 12,259 장의 이미지로 구성된 공개 데이터셋 'Garbage Dataset(GD)'을 소개하고, 다양한 딥러닝 모델을 통해 분류 성능과 탄소 배출량을 평가하여 자동 폐기물 분리 연구의 실용적 벤치마크로 활용 가치를 제시합니다.

핵심

🗑️ 이 연구는 왜 필요할까요?

우리가 매일 버리는 쓰레기를 재활용하려면 먼저 "이게 플라스틱인가, 유리인가?"를 구분해야 합니다. 하지만 사람이 일일이 손으로 분류하는 건 너무 힘들고 비효율적입니다. 그래서 AI(인공지능) 가 쓰레기를 스스로 보고 분류하게 하려고 합니다.

그런데 AI 를 가르치려면 **"잘 가르칠 수 있는 좋은 교재 (데이터)"**가 필요한데, 기존에 있던 교재들은 다음과 같은 문제가 있었습니다.

• 종류가太少 (TrashNet): 종이와 플라스틱만 많고, 다른 건 없어요.
• 장소가 이상함 (TACO, UAVVaste): 바다에 떠다니는 쓰레기나 하늘에서 본 쓰레기만 있어요.
• 실제와 다름: 너무 깔끔하게 찍힌 사진들만 있어서, 실제 쓰레기통처럼 지저분한 환경에서는 AI 가 당황합니다.

이 연구는 **"실제 우리 집과 쓰레기장에서 볼 수 있는 모든 종류의 쓰레기 사진 12,259 장을 모아, AI 가 진짜 현실에서 쓸 수 있도록 만든 새로운 교재 (GD)"**를 만들었습니다.

---

📸 이 '새로운 교재'는 어떻게 만들었나요?

1. 다양한 곳에서 사진 수집:

   • 직접 개발한 모바일 앱으로 사람들이 찍은 사진, 인터넷에서 찾아온 사진, 그리고 자원봉사자들이 보낸 사진을 모두 모았습니다.
   • 마치 다양한 취미 생활을 가진 사람들이 각자 찍은 여행 사진을 한데 모으는 것과 같습니다.

2. 불필요한 것 제거 (청소 작업):

   • 똑같은 사진이 여러 장 있는 경우 (복사본) 를 찾아서 없앴습니다. (지문으로 같은 사람인지 확인하는 것과 비슷합니다.)
   • 투명하거나, 글자가 적혀 있거나, 저작권 문제가 있는 사진은 버렸습니다.
   • 결과: 처음에 2 만 장이 넘던 사진을, AI 가 배우기 좋은 **12,259 장의 '고품질 사진'**으로 정리했습니다.

3. 10 가지 카테고리 분류:

   • 금속, 유리, 생물학적 폐기물, 종이, 배터리, 일반 쓰레기, 판지, 신발, 옷, 플라스틱 등 10 가지 주요 쓰레기 종류로 나누었습니다.

---

🔍 이 교재의 특징 (문제점과 장점)

이 교재는 AI 에게 진짜 시험을 치르게 하기에 아주 까다롭습니다.

• 📊 편향된 학생 수 (클래스 불균형):
  • '플라스틱'이나 '종이' 사진은 수천 장인데, '유리'나 '쓰레기' 사진은 몇 백 장뿐입니다.
  • 비유: 수학 선생님이 '뺄셈' 문제만 1,000 개 주고, '나눗셈' 문제는 10 개만 준다면, 학생은 뺄셈은 잘하지만 나눗셈은 전혀 못하게 되겠죠? AI 도 마찬가지라, 적은 종류의 쓰레기를 잘 못 구분합니다.
• 🌆 복잡한 배경:
  • 사진 배경이 너무 지저분하거나, 빛이 너무 강하거나 어두운 경우가 많습니다.
  • 비유: 시끄러운 카페에서 친구 목소리를 듣는 것과 비슷합니다. AI 가 쓰레기 (목소리) 를 구별하기 어렵게 만드는 '잡음'이 많습니다.
• 👀 서로 닮은 쓰레기:
  • '종이'와 '플라스틱'은 서로 너무 비슷해서 AI 가 자주 헷갈려 합니다.

---

🤖 AI 선생님들 (모델) 의 시험 결과

연구진은 이 교재를 가지고 다양한 AI 모델 (EfficientNet, ResNet, MobileNet 등) 을 시험시켜 보았습니다.

• 가장 잘한 학생: EfficientNetV2S라는 모델이 **95.13%**라는 높은 점수를 받았습니다.
• 가장 빠른 학생: MobileNet은 점수는 낮았지만 (약 67%), 매우 빠르게 공부했습니다.
• 환경 비용 (탄소 배출):
  • 점수가 높은 모델은 공부하는 데 많은 전기를 써서 탄소 배출량도 많았습니다.
  • 비유: "최고 점수를 받으려면 고급 연료 (전기) 를 많이 써야 하지만, 조금만 점수를 낮추면 친환경적인 연료로도 충분하다"는 뜻입니다.

결론: 단순히 모델을 크게 만든다고 해서 점수가 오르는 건 아니었습니다. 어떤 모델을 선택하느냐가 더 중요했고, 특히 데이터의 불균형 문제를 해결하지 않으면 AI 는 여전히 특정 쓰레기를 잘 못 구분했습니다.

---

💡 이 연구의 핵심 메시지

1. 실제 환경을 반영한 데이터가 중요하다: 깔끔한 사진만으로는 AI 를 훈련시킬 수 없습니다. 지저분하고 복잡한 실제 쓰레기 사진이 필요합니다.
2. AI 도 편견을 가질 수 있다: 데이터에 특정 쓰레기 사진이 적으면, AI 는 그걸 잘 못 구분합니다. 이를 고쳐주는 노력이 필요합니다.
3. 환경과 성능의 균형: AI 가 똑똑해질수록 전기를 많이 씁니다. 우리는 성능과 환경 비용 (탄소 배출) 을 모두 고려해서 적절한 모델을 골라야 합니다.

이 연구는 앞으로 자동 쓰레기 분리수거 기계나 재활용 앱을 개발하는 사람들에게 아주 귀중한 지도 (데이터) 를 제공하며, "AI 를 만들 때는 데이터의 특성과 환경 영향까지 함께 생각하자"고 조언합니다.

기술 요약

제공된 논문 "The Garbage Dataset (GD): A Multi-Class Image Benchmark for Automated Waste Segregation"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

전 세계적으로 폐기물 발생량이 급증하고 있음에도 불구하고, 재활용 시스템의 핵심 병목 현상은 효과적인 폐기물 분리 (Segregation) 입니다. 자동화된 분류 기술은 컴퓨터 비전을 통해 해결책이 될 수 있으나, 이를 뒷받침할 견고하고 대규모이며 잘 특성화된 (well-characterized) 이미지 데이터셋의 부재가 주요 한계로 지적됩니다.
기존 데이터셋 (TrashNet, TACO 등) 은 클래스 다양성 부족, 자연 환경 또는 항공 사진에 국한됨, 또는 웹 검색 기반의 정제된 데이터로 인해 실제 가정용 폐기물의 복잡성을 반영하지 못한다는 한계가 있습니다. 따라서 가정용 재활용 가능 물품과 일반 쓰레기를 포괄하는 대규모 다중 클래스 데이터셋과 이를 통한 모델 개발의 실질적 장벽 (클래스 불균형, 배경 복잡성 등) 을 규명할 필요가 있었습니다.

2. 방법론 (Methodology)

가. 데이터 수집 및 전처리 (Data Collection & Curation)

• 데이터 소스: DWaste 모바일 앱 촬영, 공개 저장소 및 웹 크롤링, 커뮤니티 제출 등 다중 소스를 활용하여 수집된 총 20,212 장의 이미지를 기반으로 합니다.
• 클래스 구성: 금속, 유리, 생물학적 폐기물, 종이, 배터리, 쓰레기 (일반), 골판지, 신발, 옷, 플라스틱 등 10 가지 카테고리로 구성됩니다.
• 정제 과정:
  • 중복 제거: MD5 해시 (정확한 중복) 와 지각적 해시 (Perceptual Hashing, 유사 중복) 를 사용하여 1,360 장의 유사 중복 이미지를 제거했습니다.
  • 품질 필터링: 투명 이미지 (720 장), 비-RGB 모드 이미지 (20 장), 워터마크/저작권/텍스트가 포함된 이미지 (493 장 이상) 를 제거했습니다.
  • 최종 데이터셋: 12,259 장의 라벨링된 JPEG 이미지로 축소되었으며, 클래스 간 불균형을 완화하기 위해 일부 클래스는 다운샘플링되었습니다.

나. 데이터 분석 및 검증 (Analysis & Validation)

• 통계적 분석: 클래스 불균형 (예: 플라스틱/골판지/종이의 과대표, 쓰레기/전지의 소수), 이미지 해상도 분포, 배경 복잡성 (Shannon Entropy) 및 전경 중요도 (Foreground Saliency) 를 분석했습니다.
• 시각적 분리성: PCA 와 t-SNE 를 통해 클래스 간 시각적 분리성을 평가했습니다. 종이와 플라스틱, 신발과 유리 등은 클래스 간 중첩 (Overlap) 이 심해 분류가 어려운 것으로 확인되었습니다.
• 이상치 탐지: 여러 이상치 탐지 알고리즘 (Isolation Forest, LOF 등) 을 적용하여 데이터 내 4.3% 의 이상치를 식별하고 그 분포를 분석했습니다.

다. 벤치마크 실험 (Benchmark Experiments)

• 모델 선정: EfficientNetV2 (S, M), MobileNet, ResNet50, ResNet101 등 5 가지 딥러닝 아키텍처를 선정하여 전이 학습 (Transfer Learning) 방식으로 평가했습니다.
• 실험 설정: 데이터를 학습 (80%), 검증 (10%), 테스트 (10%) 로 분할하고, 클래스 불균형 해소를 위해 무작위 언더샘플링을 적용했습니다.
• 평가 지표: 정확도 (Accuracy), 재현율 (Recall), F1 점수, 학습 시간, 그리고 **운영 탄소 배출량 (Operational Carbon Emissions)**을 측정했습니다.
• 입력 크기: 원본 이미지, 256x256, 384x384 크기의 표준화 버전으로 실험을 수행했습니다.

3. 주요 기여 (Key Contributions)

1. GD (Garbage Dataset) 공개: 가정용 폐기물 분류를 위한 최초의 대규모 다중 클래스 데이터셋을 공개하여, 실제 환경의 복잡성 (다양한 조명, 배경, 물체 변형) 을 반영한 새로운 벤치마크를 제시했습니다.
2. 데이터 중심 통찰 제공: 단순한 모델 성능 비교를 넘어, 데이터셋 고유의 특성 (클래스 불균형, 배경 복잡성, 시각적 중첩) 이 모델 성능에 미치는 영향을 정량적으로 분석했습니다.
3. 지속 가능성 지표 도입: 모델 평가 시 정확도뿐만 아니라 탄소 배출량을 함께 측정하여, 환경 응용 분야에서 AI 모델 선택 시 환경적 비용 (Environmental Footprint) 을 고려해야 함을 강조했습니다.
4. 다양한 데이터 소스 분석: 모바일 앱, 웹, 커뮤니티 등 다양한 소스에서 수집된 데이터의 도메인 차이 (Domain Shift) 를 분석하여, 실제 배포 시 필요한 도메인 적응 연구의 기초를 마련했습니다.

4. 실험 결과 (Results)

• 성능: EfficientNetV2S 모델이 95.13% 의 정확도와 0.95 의 F1 점수로 가장 우수한 성능을 보였습니다.
• 입력 크기의 영향: 이미지 해상도를 384x384 로 높이는 것이 정확도 향상 (1% 미만) 에 미치는 효과는 미미한 반면, 계산 비용과 탄소 배출량은 크게 증가했습니다.
• 모델 비교: EfficientNetV2 계열이 ResNet 계열보다 일관되게 우수한 성능을 보였습니다. 반면, MobileNet 은 학습 속도가 빠르고 탄소 배출이 적지만 (67.88% 정확도), 정확도 측면에서는 큰 손실이 있었습니다.
• 클래스별 성능:
  • 소수 클래스인 '쓰레기 (Trash)'는 모든 모델에서 낮은 F1 점수 (최대 0.90) 를 기록하여 클래스 불균형의 심각성을 보여줍니다.
  • '종이'와 '플라스틱'은 시각적 유사성으로 인해 혼동하기 쉬운 클래스로 확인되었습니다.
• 탄소 배출: 가장 정확한 모델 (EfficientNetV2S) 은 중간 수준의 탄소 비용을 발생시켰으며, MobileNet 은 가장 친환경적이지만 성능이 낮았습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 폐기물 분류 연구에 있어 **실제 세계의 복잡성 (Real-world complexity)**을 반영한 필수적인 리소스를 제공했습니다. 주요 결론은 다음과 같습니다.

1. 데이터의 중요성: 모델 아키텍처의 선택이 단순한 이미지 리사이징보다 성능에 더 큰 영향을 미치지만, 데이터셋 고유의 편향 (불균형, 배경 노이즈) 을 해결하지 않으면 실제 배포 시 성능이 제한됩니다.
2. 지속 가능한 AI: 환경 문제 해결을 위한 AI 개발은 높은 정확도뿐만 아니라 학습 및 운영 과정의 탄소 배출량을 고려한 모델 선택이 필수적임을 시사합니다.
3. 향후 연구 방향: 클래스 불균형 보정, 고급 데이터 증강 (Augmentation), 그리고 정확도와 효율성을 모두 잡는 모델 개발이 향후 연구의 핵심 과제로 제시되었습니다.

결론적으로, GD 데이터셋은 폐기물 관리 시스템의 자동화를 위한 강력한 베이스라인을 제공하며, 데이터 중심의 접근 방식과 환경적 고려 사항이 결합된 지속 가능한 AI 개발의 중요성을 강조합니다.