지능형 실시간 폐의약품 분류 자동화 시스템 구현

Ⅰ. 서 론

건강보험심사평가원의 조사에 따르면, 55.2%의 응답자가 폐의약품을 쓰레기통, 하수구, 변기통에 버리고 있으며, 단 8%만이 약국이나 보건소의 수거함을 이용한다고 답했다. 또한 폐의약품 처리 방법을 아는 응답자는 25.9%에 불과했다. 폐의약품 처리 장소가 멀거나 일부 약국에서 수거를 거부하기 때문에, 많은 사람들이 폐의약품을 집에서 버리는 경우가 많다[1]. 이러한 폐의약품의 부적절한 처리는 환경오염과 생태계 교란을 초래할 수 있다[2]. 국립환경과학원의 조사에 따르면, 전 세계 뿐만 아니라 우리나라 하천에서도 다양한 약 성분이 검출되고 있으며, 이로 인해 기형 물고기와 항생제 내성 박테리아가 발견되고 있다[3]. 서울 한강 역시 약물 누적 농도가 높은 편에 속하는 것으로 확인되었다. 이러한 문제는 항생제의 잦은 노출로 박테리아와 다른 미생물이 현대 화학물질에 반응해 적응하고 진화하면서 항생제에 대한 내성을 가진 초강력 ‘슈퍼버그’가 될 수 있다는 점이다. 항생제에 대한 내성이 증가하면 약물의 효과가 떨어져 치료에 어려움을 겪게 된다. 미국 워싱턴대 연구팀이 발표한 논문에 따르면, 2019년 한 해 동안 120만 명 이상이 항생제 내성균 감염으로 사망한 것으로 나타났다. 이러한 문제를 해결하기 위해 폐의약품 수거함 사업의 필요성이 대두되고 있다. 경기도 여론조사에 따르면, 응답자의 84%가 폐의약품 수거함을 본 적이 없다고 답했으며, 89%는 수거 및 처리 사업의 확대가 필요하다고 응답했다. 또한 71%는 폐의약품이 환경에 미치는 심각성을 인지하고 있으며, 83%는 약간의 불편함을 감수하더라도 수거함을 사용할 의향이 있다고 밝혔다. 이를 해결하기 위해 본 논문에서는 폐의약품 데이터를 활용하여 지능형 폐의약품 분류 자동화 시스템을 구현하고자 한다. 이 시스템은 YOLOv8 모델을 임베디드 보드와 연결하여 폐의약품을 자동으로 분류하고 관리할 수 있도록 설계되었다. 폐의약품의 종류와 상태를 실시간으로 분석하며, 정확한 분류를 통해 효율적인 폐의약품 처리 방법을 지원한다.

Ⅱ. 관련 연구

2-2 YOLOv8

You Only Look Once 알고리즘은 객체 감지와 분류를 위한 딥러닝 알고리즘으로, 이미지를 한 번만 처리해 속도가 빠르다는 장점이 있다[5]. 그 중 YOLOv8은 YOLOv5를 개발한 Ultralytics에서 2023년 1월에 출시한 버전이다. YOLOv8은 YOLOv8(나노), YOLOv8s(소형), YOLOv8m(중형), YOLOv8l(대형), YOLOv8x 등 5가지 확장 버전을 제공한다. 그림 1은 YOLOv8의 세부 아키텍처를 보여준다. YOLOv8은 YOLOv5와 유사한 백본을 사용하되, CSPLayer의 일부를 변경한 C2f 모듈을 포함하고 있다. C2f 모듈은 고급 기능과 상황별 정보를 결합하여 감지 정확도를 높인다[6]. 그림 2는 YOLO 모델별 파라미터 수와 지연 시간에 따른 mAP 점수를 나타내며, YOLOv8은 이전 버전들보다 파라미터 수를 줄였음에도 속도가 개선되었을 뿐만 아니라, 사용 편의성을 강화하여 물체 감지와 추적 작업에서 효율성이 크게 향상되었다[7].

Fig. 1.

YOLOv8 architecture diagram

Fig. 2.

Comparison of mAP performance based on YOLO model parameters and latency

Ⅲ. 인공지능 모델 구현

3-2 데이터 수집 및 라벨링

인공지능 모델에 적용할 총 8개의 데이터 클래스에 대해 3,000장의 이미지 데이터를 수집하였으며, 이 중 2,100장은 학습 데이터로 사용하였다. 이미지 데이터는 ‘labelImg’ 도구를 활용하여 전처리 작업을 수행하였다. ‘labelImg’은 데이터 라벨링 작업을 수행하는 Python기반의 도구로, 이미지 내 객체를 정확하게 식별하고 라벨링하여 딥러닝 모델 학습을 위한 데이터셋을 구성하는 데 사용된다[5].

Fig. 3.

Pill data labeling process

3-3 데이터 학습

본 시스템에 적용할 인공지능 모델 학습 환경은 표 1에 제시되어 있다. 학습은 클라우드 기반의 Google Colab에서 진행되었다. 학습 파라미터는 표 2에 나열되어 있으며, 총 2,100장의 이미지 데이터를 YOLOv8M 모델을 사용하여 200 Epoch 학습을 진행하였다. 그림 4는 학습이 완료된 후의 결과 화면을 보여준다.

Table 1.

Google Colab specifications

Table 2.

Model training settings

Fig. 4.

Training data for 200 iterations

3-4 데이터 학습 결과

본 시스템에서 사용된 인공지능 모델의 성능을 평가하기 위해 총 8개의 클래스에 대한 mAP@0.5 와 mAP@0.5:0.95 값을 측정하였다. mAP@0.5는 IOU(Intersection Over Union) 임계치를 0.5로 설정한 상태에서 측정한 정확도로, Pascal Visual Object Classes 방식의 정확도를 표현하는 방식이다. 반면, mAP@0.5:0.95는 Common Objects in Context 데이터셋에서 사용되는 정확도 방식으로, Intersection Over Union 임계치를 0.5에서 0.95까지 0.05 간격으로 증가시키고 각 단계에서의 결과를 종합한 평균을 나타낸다. 이 방식은 모델의 다양한 성능을 평가하며, 객체 탐지 모델의 더 포괄적인 정확도를 제공하여 성능을 종합적으로 평가할 수 있게 한다[8]. 표 3은 전체 클래스에 대한 성능 지표를 나타낸다. 이러한 지표를 통해 학습된 모델이 각 클래스에 대해 높은 정확도와 탐지 능력을 갖추고 있음을 확인할 수 있다. 특히, 알약(Pill)과 비정상 알약(Non-conforming Pill)의 경우 각각 0.995와 0.975의 mAP@0.5 값을 기록하여 모델의 뛰어난 성능을 입증하고 있다. 또한, mAP@0.5:0.95의 전체 평균은 약 0.925로, 이는 모델이 다양한 폐의약품에 대해 넓은 범위의 IOU 기준에서도 높은 성능을 보임을 의미한다. 이 결과는 다양한 폐의약품을 효과적으로 인식하고 정확하게 분류하는 능력을 갖추고 있음을 보여준다. 그림 5는 물약 테스트 검증 데이터 셋을 이용한 성능 평가 결과를 시각적으로 나타낸 것이다. 이러한 성능 평가는 모델의 성능 지표를 제공하며, 폐의약품의 정확한 분류를 위한 탐지 능력을 강조한다. 폐의약품 데이터셋에서의 성능 평가 결과를 통해 모델의 강점을 분석하고, 향후 개선이 필요한 부분을 파악할 수 있는 기초 자료를 제공한다.

Table 3.

Overall class performance metrics

Fig. 5.

Performance evaluation of the liquid medicine validation dataset

Ⅳ. 사용자 인터페이스 구현

4-1 GUI 설계 및 구현

Tkinter는 Python 설치 시 기본으로 포함되는 Graphical User Interface 모듈로, ‘import’ 명령을 통해 간편하게 불러와 사용할 수 있다[9]. 본 시스템에서는 Tkinter를 사용하여 PC 환경 및 라즈베리파이5 환경에서 작동하도록 구현하였다. 이 GUI는 수거함에 설치된 터치 스크린을 통해 구동되며, 화면 해상도는 1024×600 픽셀로 설정되어 있다. 이를 통해 사용자는 직관적으로 폐의약품 분류 여부를 확인하고, 포인트 적립 여부 등을 쉽게 확인할 수 있는 GUI 프로그램을 제공받는다. GUI 디자인은 사용자가 빠르고 쉽게 조작할 수 있도록 직관적으로 구성되었으며, 프로젝트 로고와 GUI 각 화면에 대한 설명은 표 4에 나와 있다. ‘에코박스’라는 로고는 친환경을 의미하는 ‘에코’와 수거함을 뜻하는 ‘박스’를 결합하여 만들어졌다. 이러한 GUI를 통해 실시간 피드백 기능을 제공함으로써, 사용자는 폐의약품의 분리 배출 방법에 따라 정확하게 처리되었는지 쉽게 확인할 수 있다.

Table 4.

Project logo and system screen description

Ⅴ. 지능형 실시간 폐의약품 수거함

5-1 폐의약품 수거함 설계 및 제작

그림 6은 지능형 실시간 폐의약품 수거함의 전체 도면과 부품 도면을 보여준다. 수거함은 두 개의 주요 구역으로 나뉘어 있으며, 폐의약품이 투입되면 인공지능 모델이 이를 인식하고 분류 과정을 시작한다. 첫 번째 단계에서는 알약과 물약을 왼쪽 구역으로, 가루약과 연고 등 나머지 폐의약품은 오른쪽 구역으로 분류한다. 이후, 왼쪽 구역에서는 다시 알약과 물약을 각각 왼쪽과 오른쪽으로 세분화하여 분류하며, 오른쪽 구역에서는 가루약과 연고 등을 다시 왼쪽과 오른쪽으로 세분화하여 분류한다. 그림 7에서 보여지는 바와 같이 왼쪽 구역과 오른쪽 구역이 각각 세분화되어 최종적으로 4개의 출구로 각각의 폐의약품이 정확하게 분류되도록 설계되어 있다. 이러한 설계는 폐의약품의 분류 과정을 자동화하고, 정확성을 높이며, 폐의약품의 종류에 맞는 적절한 처리를 통해 환경 보호에 기여하도록 한다. 그림 8은 이 모든 설계와 기능이 적용된 완성된 수거함의 모습을 보여주며, 실제 제작된 모습을 시각적으로 확인할 수 있다. 이러한 방식으로 사용자는 폐의약품 처리의 편리함과 시스템의 효율성을 실질적으로 경험할 수 있을 것이다.

Fig. 6.

Complete layout and component drawings of the pharmaceutical waste collection box

Fig. 7.

The internal structure of a collection box that categorizes pharmaceutical waste into four types

Fig. 8.

Manufactured pharmaceutical waste collection box

5-2 수거함 하드웨어 구성

제작이 완료된 수거함에는 폐의약품 분류를 위한 12V 스태핑 모터가 3개가 설치되었다. 이 모터들은 아두이노 MEGA 2560에 연결된 스태핑 모터 보드를 통해 제어되며, 수거함에 설치된 모터는 그림 9에서 확인할 수 있다. 수거함의 전면에는 그림 10에 나와 있는 아두이노 MEGA 2560과 PCB 쉴드, 쿨러가 장착된 라즈베리파이 5가 설치될 것이며, 그 위에는 1024×600 해상도의 터치스크린이 장착될 예정이다. 이 터치스크린을 통해, 이전에 개발된 GUI가 사용자에게 직관적인 인터페이스를 제공할 것이다.

Fig. 9.

12V stepping motor installed in the pharmaceutical waste collection box

Fig. 10.

PCB shield mounted on Arduino MEGA 2560 and Raspberry Pi 5

5-3 폐의약품 수거함 자동화 프로세스

앞서 설명한 학습된 인공지능 모델과 Python Tkinter로 개발된 GUI 프로그램 파일은 라즈베리파이 5에 설치하였으며, 스태핑 모터를 제어하기 위한 소스코드는 아두이노 MEGA 2560에 컴파일된 상태이다. GUI 소스코드에는 아두이노 제어 코드, 학습된 YOLOv8 제어 코드, GUI 기능이 통합되어 있다. 수거함 설계상 두 개의 모터가 순차적으로 움직여야 하므로, Python에서 각 폐의약품에 맞는 분류 신호를 아두이노로 전송하면, 아두이노는 이 신호에 따라 스태핑 모터를 제어하여 의약품을 자동으로 분리한다. 그림 11은 수거함에 장착된 카메라로 학습된 YOLOv8 모델이 폐의약품 투입구를 인식한 화면을 보여주며, 잘못된 폐의약품 분리 배출에 대한 레이블과 인식률, 바운딩박스를 제거한 상태를 나타낸 것이다.

Fig. 11.

The pharmaceutical waste input recognition screen*The procedure was performed using Tylenol sold in South Korea.

Ⅵ. 지능형 실시간 폐의약품 분류 자동화 시스템 구현

6-1 시스템 통합 및 최종 테스트

하드웨어와 소프트웨어 간의 상호작용을 통해 폐의약품을 자동으로 분류하는 전체 시스템의 동작을 테스트하고자 한다. 각 모듈이 원활하게 작동하는지 확인한 후, 최종 테스트를 통해 라즈베리파이 5에 탑재된 학습된 YOLOv8 모델과 GUI 프로그램이 실시간으로 폐의약품을 정확하게 인식하고, 아두이노 MEGA 2560에 연결된 스태핑 모터가 분류 신호에 맞춰 정확하게 작동하는지를 검증하였다. 이 과정에서 폐의약품의 투입부터 최종 분류까지 모든 과정을 점검하여 시스템이 의도한 대로 작동하는지 확인하였다. 테스트는 주로 많이 사용되는 알약과 물약을 대상으로 진행하였으며, 그림 12는 수거함 앞면에 설치된 카메라로, 이 카메라를 통해 폐의약품을 인식하고자 한다. 표 5는 물약을 처리하는 과정을 나타낸다. 먼저 수거함에 설치된 터치스크린에는 폐의약품을 잘못된 방법으로 버릴 경우 수거되지 않는다는 경고 메시지가 표시된다. 사용자가 폐의약품을 투입구에 넣고 확인 버튼을 누르면 카메라가 이를 인식하며, 터치스크린에는 “인식 중”이라는 화면이 나타난다. 물약이 플라스틱 병으로 모아져 처리된 경우, 이는 폐의약품 배출 방법에 맞으므로 인공지능 모델이 이를 물약으로 인식하고 스태핑 모터가 자동으로 물약으로 분류한다. 처리 완료 후에는 물약 처리 완료 GUI 화면이 표시되며, 사용자는 포인트 적립 화면을 통해 휴대전화 번호로 포인트를 적립할 수 있다. 반면, 표 6은 잘못된 알약 처리 방법을 나타낸다. 사용자가 알약을 약 비닐과 함께 버릴 경우, 이는 폐의약품 배출 방법에 맞지 않기 때문에 터치스크린에 “분류할 수 없습니다”라는 GUI 화면이 표시되며, 스태핑 모터는 작동하지 않는다. 이 시스템은 잘못된 폐의약품 배출을 방지하고 정확하게 폐의약품을 처리할 수 있도록 설계되었다. 전체 시스템은 높은 정확성과 신뢰성을 바탕으로 폐의약품 분리 배출을 지원하며, 사용자에게 직관적인 인터페이스를 제공하여 사용 편의성을 극대화하였다.

Fig. 12.

Camera installed in the pharmaceutical waste collection box

Table 5.

Liquid medicine classification process

Table 6.

Warning message when a wrong pill is inserted

Ⅶ. 결 론

본 연구에서는 지능형 실시간 폐의약품 분류 자동화 시스템을 설계하고 성공적으로 구현하였다. 이 시스템은 폐의약품의 적절한 분리 배출을 유도함으로써 환경 보호와 공공 건강 증진에 기여하는 것을 목표로 한다. 하드웨어와 소프트웨어의 통합을 통해 사용자가 폐의약품을 수거함에 투입하면 시스템이 이를 자동으로 인식하고 분류하여 처리하는 과정을 구현하였다. 주요 성과 중 하나는 YOLOv8 기반의 인공지능 모델을 활용하여 다양한 종류의 폐의약품을 높은 정확도로 실시간 인식할 수 있었다는 점이다. 이 모델은 Python Tkinter로 개발된 GUI와 연동되어 사용자에게 직관적인 인터페이스를 제공하며, 터치스크린을 통해 폐의약품의 올바른 배출 방법을 안내받고 손쉽게 분류를 진행할 수 있도록 하였다. 또한 아두이노 MEGA 2560과 연동된 스태핑 모터 시스템은 인공지능 모델의 인식 결과에 따라 폐의약품을 자동으로 분류하고 처리하는 역할을 수행하였다. 본 시스템의 의의는 크게 두 가지로 나눌 수 있다. 첫째, 폐의약품의 잘못된 배출로 인한 환경 오염을 효과적으로 예방할 수 있다. 기존 수거 방식에서는 사용자가 의도치 않게 폐의약품을 잘못 배출하는 경우가 많았으나, 본 시스템을 통해 정확하고 효율적인 분리 배출이 가능해져 환경에 미치는 부정적 영향을 최소화할 수 있다. 둘째, 사용자 친화적인 설계를 통해 더 많은 사람들이 폐의약품의 올바른 분리 배출에 적극적으로 참여하도록 유도할 수 있다. GUI와 포인트 적립 시스템을 통해 사용자는 직관적인 인터페이스를 경험할 수 있으며, 포인트 적립을 통해 시스템 사용에 대한 동기를 부여받을 수 있다. 향후 연구 및 개선 방안으로는 다음과 같은 사항들이 있다. 현재 시스템은 특정 형태의 폐의약품에 대해 높은 정확도를 보이지만, 다양한 형태와 크기의 폐의약품을 인식하고 처리할 수 있도록 인공지능 모델의 성능 개선이 필요하다. 또한, 시스템의 활용성과 접근성을 높이기 위해 그림 13과 같이 애플리케이션을 개발하여 사용자가 적립한 포인트로 다양한 기프티콘 등을 사용할 수 있는 콘텐츠를 개발할 예정이다. 또한 보건소와 협약을 맺어 시스템을 시범 운영한 후, 아파트 관리사무소, 약국 등에 설치하여 실제 운영을 통해 사용자들의 피드백을 수집하고, 이를 바탕으로 시스템을 지속적으로 개선할 계획이다. 이러한 지속적인 개선과 확장을 통해 본 지능형 실시간 폐의약품 분류 자동화 시스템은 환경 보호와 공공 건강 증진에 더욱 크게 기여할 것으로 기대된다. 더 나아가, 기술과 서비스의 융합을 통해 사회 전반에 걸쳐 지속가능한 발전을 이루는 데 중요한 역할을 할 것으로 전망된다.

Fig. 13.

EcoBox Application Prototype*This is the Korean version of the prototype.

Acknowledgments

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 지역지능화혁신인재양성사업의 연구결과로 수행되었음(IITP-2024-RS-2022-00156287).

References

• S. Lee, K. Kim, and B. Min, “Survey of Public Perception on Waste Medicine Recovery and Disposal System,” in Proceedings of Korean Society for Environmental Education Conference, Seoul, pp. 302-306, 2014.
• G. Kim, J. Koo, D. Kang, Y. Song, and K. Song, “Study on Measures to Promote Collection of Waste Medicines,” in Proceedings of the Korean Society of Industrial Engineers Spring Joint Conference, Jeonnam, pp. 5798-5807, 2017.
• M. S. Kim and W. S. Byun, “A Legislative Study on the Method of Process Concerning Disposal Medicine from Home,” Environmental Law Review, Vol. 39, No. 3, pp. 253-279, December 2017.
• H.-J. Kim, Y.-J. Choi, and I.-H. Lee, “Improvement of Waste Drug Management System by Comparing Domestic and Overseas Programs,” Korean Journal of Clinical Pharmacy, Vol. 29, No. 4, pp. 286-294, December 2019. [https://doi.org/10.24304/kjcp.2019.29.4.286]
• D.-U. Lee, M.-S. Kim, N.-H. Kim, and G.-M. Choi, “Implementation of Real-Time Sign Language AI Translation Program,” Journal of Digital Contents Society, Vol. 24, No. 10, pp. 2585-2591, October 2023. [https://doi.org/10.9728/dcs.2023.24.10.2585]
• J. Terven, D. Córdova-Esparza, and J. Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS,” Machine Learning and Knowledge Extraction, Vol. 5, No. 4, pp. 1680-1716, 2023. [https://doi.org/10.3390/make5040083]
• Y. S. Seo, J. K. Ha, H. W. Choi, H. S. Shin, and M. K. Kim, “YOLOv8-based Low-Quality Image Object Detection Using Super-Resolution Technique,” in Proceedings of Symposium of the Korean Institute of Communications and Information Sciences, Gyeongbuk, pp. 672-673, November 2023.
• J. H. Lee, I. S. Kim, H. B. Kim, S. W. Lee, and S. K. Jung, “Case Study of YOLOv5 Model Optimization for Edge AI,” in Proceedings of the Symposium of the Korean Institute of Communications and Information Sciences, Jeju, pp. 897-898, June 2022.
• D. Kim, “Introduction to Python V (Tkinter),” Magazine of the SAREK, Vol. 45, No. 2, pp. 94-98, February 2016.