검색 상세

딥러닝 기반 쓰레기 인식 및 분류 시스템 개발

  • 조신 (ZHAO XIN, 동신대학교 일반대학원)

초록/요약

도시화의 가속화와 소비 패턴의 변화는 생활폐기물의 구조를 더욱 복잡하게 만들 고 있으며, 이에 따라 폐기물의 종류와 발생량이 꾸준히 증가하고 있다. 이러한 변 화는 전통적으로 활용되어 온 인력 기반 분류 방식이 높은 작업 부담, 낮은 일관성, 환경 조건에 따른 변동성, 그리고 오분류 발생 가능성 등의 한계를 지니고 있음을 드러낸다. 특히 생활폐기물 배출 형태가 다양화됨에 따라 실시간 대응과 대규모 처 리의 요구가 확대되고 있어, 이를 보완할 수 있는 자동화 기반 시각 인식 기술의 적용 필요성이 점차 커지고 있다. 본 연구는 이러한 문제 인식을 바탕으로 경량 딥 러닝 기반 시각 인식 모델을 활용한 생활폐기물 분류 시스템을 설계하고, 데이터 구축·모델 학습·응용 환경 구현을 통합한 기술적 접근을 제시하는 것을 목적으로 한다. 연구 수행 과정에서 우선 생활폐기물의 시각적 특징, 형태적 다양성, 재질 특성, 색상 및 조도 변화가 인식 정확도에 미치는 영향을 분석하였으며, 국내외 폐기물 분류 기준과 관련 기술 동향을 검토하였다. 이후 실제 환경을 반영하기 위해 조명, 촬영 각도, 배경 환경이 서로 다른 조건에서 이미지를 수집하여 데이터셋을 구축하 였다. 데이터셋은 10개 분류 유형으로 구성된 총 19,770장의 이미지로 이루어졌으 며, 학습 안정성을 강화하기 위해 회전, 확대·축소, 색상 변화, 밝기 조정 등 다양한 증강 기법을 적용하였다. 이를 통해 모델이 실제 환경에서 마주할 수 있는 다양한 변동 요소에 대응할 수 있도록 데이터 기반을 마련하였다. 모델링 단계에서는 MobileNetV3-Large와 EfficientNetB0를 주요 모델로 선정하 였으며, 두 모델은 경량화 구조를 기반으로 모바일 및 엣지 환경에서 높은 적용 가 능성을 지닌다. 전이학습을 활용하여 초기 가중치를 설정하고, 미세조정을 수행하여 모델 학습을 진행하였다. 동일한 실험 환경에서 두 모델의 성능을 비교하기 위해 정확도, 정밀도, 재현율, F1-score 등의 정량적 평가 지표와 모델 크기, 추론 속도, FLOPs 등의 효율성 지표를 함께 측정하였다. 실험 결과, MobileNetV3-Large는 약 90.3%의 검증 정확도, 약 14.2MB의 모델 크 기, 약 62 FPS의 평균 추론 속도를 기록하였다. EfficientNetB0는 약 91.5%의 검증 정확도, 약 29.7MB의 모델 크기, 약 37 FPS의 추론 속도를 보였다. 두 모델의 클래 스별 분류 성향은 혼동 행렬 분석을 통해 비교하였으며, 특정 클래스에서 나타난 오분류 유형을 바탕으로 시각적 특징과 모델 반응 간의 관계를 검토하였다. 이를 통해 각 모델의 구조적 특성과 데이터 특성 간의 상호작용을 분석하였다. 또한 이 미지 배경의 복잡도, 조도 변화, 촬영 거리 차이가 성능에 미치는 영향을 실험적으 로 관찰하였다. 본 연구에서는 실험 과정에서 구축한 모델의 실제 적용 가능성을 검증하기 위해 PyQt5 기반 데스크톱 그래픽 사용자 인터페이스(GUI)를 구현하였다. 시스템은 이 미지 업로드, 자동 전처리, 모델 추론, 결과 출력으로 구성되며, 사용자 친화성을 고 려하여 설계하였다. 테스트 환경에서 시스템은 실시간 처리 조건에서 약 89% 수준 의 응용 정확도를 보였고, 이미지 입력 이후 결과 출력까지의 지연 시간도 추론 속 도에 따라 일정하게 유지되었다. 이러한 구현은 모델이 실제 분류 작업 흐름에 적 용되는 과정을 시뮬레이션하고 시스템의 동작 특성을 검증하기 위한 단계로 활용되 었다. 종합적으로 본 연구는 생활폐기물 분류 자동화를 위한 경량 딥러닝 기반 시각 인 식 접근을 제안하고, 데이터 구축·모델 비교·시스템 구현을 통합한 절차를 통해 기 술 적용 가능성을 탐색하였다. 연구 과정에서 도출된 다양한 실험 결과는 폐기물 분류 자동화의 발전 방향을 검토하는 데 활용될 수 있으며, 향후 도시 폐기물 관리 의 디지털 전환과 자원순환 체계 고도화를 위한 기초 자료로서 의미를 가진다. 키워드: 쓰레기 분류, 시각 인식, 합성곱 신경망(CNN), 경량화 모델, MobileNetV3, EfficientNetB0, PyQt5, 스마트 환경

more

목차

표 목차 iii
그림 목차 iv
초록v
Ⅰ. 서론 1
1. 연구 배경 1
2. 연구 의미 3
3. 국내외 연구 현황4
Ⅱ. 관련 연구9
1. 쓰레기 분류와 관리의 이론적 기초 9
2. 컴퓨터 비전 및 이미지 인식의 이론적 기초 10
3. 합성곱 신경망(CNN) 관련 이론 11
4. 경량화 딥러닝 모델12
Ⅲ. 시스템 설계 및 구현15
1. 시스템 전체 설계 15
2. 연구 방법 및 기술 경로 17
3. 데이터 수집 및 전처리18
4. 모델 구축 및 학습 21
5. 제안 시스템 구현 25
Ⅳ. 실험 및 결과 분석 28
1. 실험 환경 구성 28
2. 실험 데이터 설명 30
3. 모델 학습 설정 30
4. 실험 결과 비교 33
5. 결과 분석45
V. 결론 및 전망47
1. 연구 결론47
2. 연구의 한계 49
3. 향후 연구 방향 49
참고문헌 52
ABSTRACT55
감사의 글 58

more
반출 Meta View 목록