From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

쓰레기 분리 배출은 완벽하게 하려고 시도하기 전까지는 단순해 보이는 작업입니다. 이집트의 일부 지역을 포함한 많은 곳에서, 이 일은 플라스틱과 종이, 금속과 유리를 분리하고 유기물과 그 외의 것들을 나누기 위해 수 시간을 보내는 가족들의 몫이 됩니다. 이는 느리고 어려우며, 종종 가치 있는 재료들이 일반 폐기물 흐름 속에서 손실되는 결과를 초기도 합니다. 이를 해결하기 위해 과학자들은 스스로 "볼 수 있는" 컴퓨터를 이용해 쓰레기를 자동으로 분류하는 기술에 주목했습니다. 이 시스템은 딥러닝이라 불리는 인공지능의 한 종류에 의존하는데, 이는 마치 인간의 뇌가 수많은 예를 통해 고양이나 자동차를 식별하는 법을 배우는 것처럼, 이미지 속의 패턴을 인식하기 위해 디지털 처리 계층을 사용합니다. 이러한 시스템이 물리적인 기계와 결합되면, 정교함과 속도를 갖추어 재활용의 지루한 작업을 처리함으로써 자원을 절약하고 환경을 보호할 수 있을 것으로 기대됩니다.

카이로 아메리칸 대학교의 연구진은 이 개념을 한 단계 더 발전시켜, 단순히 물체가 무엇인지 식별하는 것을 넘어 그 이상의 기능을 수행하는 스마트 쓰레기통 프로토타입을 제작했습니다. 그들은 물체가 어디에 속하는지 결정하기 전에 특정 문제를 확인하는 세심한 문지기 역할을 하는 시스템을 만들었습니다. 연구진은 분류 작업을 액체 여부 확인, 다중 부품 구성 여부 확인, 재활용 가능 여부 결정, 그리고 마지막으로 재질 식별이라는 네 가지 별도의 단계로 나눔으로써, 높은 정확도로 쓰로를 분류하는 기계를 구축할 수 있다는 것을 발견했습니다. 식품 기업인 네슬레(Nestlé) 및 폐기물 관리 조직인 다와르(Dawar)와의 협력을 통해 개발된 이들의 연구 결과, 실제 세계의 쓰레기를 92.4%의 정확도로 성공적으로 분류하는 물리적 쓰레기통이 탄생했습니다.

이 혁신의 핵심은 작업 순서에 있습니다. 기존의 자동 분류 시도 대부분은 플라스틱이나 종이와 같이 재질을 식별하는 데에만 집중했습니다. 그러나 연구진은 실제 쓰레기가 단순한 시스템을 혼란스럽게 만드는 복잡한 상황을 동반한다는 점을 깨달았습니다. 예를 들어, 남은 탄산음료가 들어있는 플라스틱 병은 재활용 전체 배치(batch)를 망칠 수 있으며, 플라스틱 뚜껑이 달린 커피 컵은 사실 두 가지 서로 다른 재료가 결합된 형태입니다. 이를 처리하기 위해 팀은 순차적인 파이프라인을 설계했습니다. 첫 번째 단계는 아이템에 액체가 포함되어 있는지 확인하는 것입니다. 카메라가 액체의 흔적을 포착하면, 기계는 작동을 멈추고 해당 아이템을 사용자에게 돌려주어 오염을 방지합니다. 두 번째 단계는 아이템이 단일 물체인지 아니면 여러 부품의 혼합인지 확인합니다. 만약 사용자가 여러 구성 요소를 가진 복잡한 아이템을 버리려고 하면, 기계는 다시 이를 수동 분리를 위한 대상으로 표시합니다. 이 두 가지 안전 검사를 통과한 아이템만이 다음 단계로 넘어가며, 여기서 컴퓨터는 해당 아이서 재활용 가능한지, 그리고 그렇다면 구체적으로 어떤 재질로 만들어졌는지 결정합니다.

컴퓨터에게 이러한 기술을 가르치기 위해, 연구진은 각각 하나의 특정 작업에 전념하는 네 개의 별도 인공지능 모델을 훈련시켰습니다. 그들은 이미 가지고 있는 일반적인 이미지에 대한 지식을 바탕으로 쓰레기를 보는 특정 작업에 맞춰 그 지식을 미세 조정할 수 있는 '전이 학습(transfer learning)' 기법을 사용했습니다. 액체 감지와 다중 구성 요소 식별 작업을 위해, 팀은 수천 장의 실제 폐기물 사진을 찍어 자체적인 맞춤형 데이터셋을 구축했습니다. 그들은 결과가 일관되게 나오는지 확인하기 위해 이 모델들을 여러 번 테스트했으며, 시스템이 액체를 약 91%의 평균 정확도로 감지하고, 단일 구성 요소와 다중 구성 요소를 약 96%의 정확도로 식별할 수 있다는 것을 발견했습니다. 재활용 가능 여부를 결정하고 재질을 판별하는 모델들은 더욱 뛰어난 성능을 보이며 각각 96.8%와 94.3%의 정확도에 도달했습니다.

소프트웨어가 준비되자, 팀은 실제 환경에서 시스템을 테스트하기 위해 물리적 프로토타입을 제작했습니다. 이 쓰레기통은 다섯 가지 유형의 폐기물을 위한 내부 칸이 있는 나무 구조물로 되어 있습니다: 유기 재활용품, 종이, 플라스틱, 기타 재활용품, 그리고 비재활용품입니다. 내부에는 회전 트레이가 달린 기계 팔이 분류기 역할을 합니다. 사용자가 아이서를 통 안에 넣으면, 카메라가 이미지를 캡처하고 4단계 소프트웨어 파이프라인이 이를 분석합니다. 아이템이 모든 검사를 통과하면, 소프트웨어는 기계 팔에 명령을 보내 트레이를 올바른 칸 위에 위치시키고 아이템을 떨어뜨립니다. 이 전체 과정은 인간이 쓰레기를 검사하고 분류하는 방식을 모방하도록 설계되었으며, 기계의 속도와 일관성을 갖춘 연속적인 흐름으로 진행됩니다.

연구진은 파트너사인 다와르로부터 제공받은 이집트 공동체의 폐기물 이미지를 대량으로 수집하여 시스템을 테스트했습니다. 이는 시스템이 훈련에 사용되는 깨끗하고 완벽한 사진이 아니라, 사람들이 실제로 버리는 쓰레기에 대해 어떻게 작동하는지 확인할 수 있게 해준 매우 중요한 단계였습니다. 통합 시스템은 이러한 실제 세계의 아이템들을 지정된 다섯 개의 통에 92.4%의 확률로 정확히 분류했습니다. 이 결과는 최종 결정을 내리기 전에 여러 전문화된 검사를 거치는 방식이 효과적임을 시사합니다. 그러나 연구진은 한계점도 언급했습니다. 이 시스템은 전적으로 시각에 의존하기 때문에 밀봉된 불투명 용기 내부의 액체는 볼 수 없으며, 기계 부품의 경우 번잡한 공공장소에서의 장기적인 내구성이 아직 테스트되지 않았습니다.

이러한 과제에도 불구하고, 이 프로젝트는 자동화된 재활용을 향한 명확한 경로를 보여줍니다. 특화된 인공지능과 물리적 분류 메커니즘을 결합함으로써, 연구진은 팀이 단순히 모양이나 색상에 근거해 추측하는 것이 아니라 오염이나 혼합 재료와 같은 쓰레기의 미묘한 차이를 이해하는 기계를 만드는 것이 가능하다는 것을 입증했습니다. 대학, 주요 기업, 그리고 지역 폐기물 관리 그룹 간의 협력은 컴퓨터 시뮬레이션에서 작동하는 장치로 나아가는 데 필요한 자원을 제공했습니다. 시스템이 아직 완벽하지 않고 실제 세상의 다양한 쓰레기를 처리하기 위한 추가 테스트가 필요하지만, 이 프로젝트는 우리의 쓰레기 분류라는 힘든 일을 기계가 처리하고 인간은 다른 과업에 집중할 수 있는 미래를 향한 유망한 전망을 제시합니다.