Journal Archive

폐기물은 크게 생활폐기물과 사업장폐기물로 구분된다. 생활폐기물은 사업장폐기물 외의 가정에서 발생하는 종량제 봉투, 음식물, 폐지, 고철, 가구 등을 의미한다[7]. 2013년 OECD 국가들은 1인당 521kg의 폐기물을 배출했다. 우리나라는 다른 OECD 국가들보다 낮은 353kg의 폐기물을 배출, 58.7%의 높은 재활용률을 보였다. 그러나 이는 재활용 업체로 반입되는 폐기물의 양으로서 실제 재활용률은 더 낮은 수치이다[8].

[9]의 논문에서는 합성곱 신경망 모델 중 VGG-19, Inception-V3, ResNet50을 사용하여 20가지 범주의 생활폐기물 데이터를 분류하는 모델의 성능을 분석하고, 실생활에서 활용할 수 있는 생활폐기물 분류 애플리케이션을 제작하였다. 본 논문은 실생활이 아닌 외부요인에 영향을 많이 받는 폐기물 처리장에서 사용이 가능한 분류 시스템을 연구하고자 한다. 객체를 인식하는 대상인 컴퓨터가 정확한 인식을 하기 위해서 조도 변화를 준 생활폐기물 데이터를 학습시키고, 각 조도별 정확도를 분석하여 최적의 조도를 도출한다.

컴퓨터는 이미지를 형태가 아닌 숫자로 인식한다. 디지털 이미지는 흰색부터 검정색까지 색의 명암을 표현하는 픽셀값들로 구성되어 있다. 기존의 이미지 딥러닝은 완전 연결 계층만으로 학습하였고, 완전 연결 계층은 1차원 형태의 데이터만 입력받는다. 다차원 형태인 이미지 데이터를 완전 연결 계층으로 학습시키려면, 1차원 형태로 평면화시켜야 한다. 1차원 형태로 변환하는 과정에서 공간 정보가 유실되고, 유실된 정보들로 인해 정확한 학습이 어렵다. 또한, 이미지의 크기, 높이, 채널 개수의 영향을 받으며, 이에 따라 학습시켜야 할 매개변수의 값이 급격하게 증가하게 되는데 이러한 문제점을 해결한 것이 합성곱 신경망이다.

합성곱 신경망은 1989년 LeCun이 발표한 논문에 처음 소개 되었다[10]. 이전 계층과 이웃한 영역만 연결하여 학습시킬 매개변수를 줄이고, 이미지의 공간 정보를 유지한 채 이미지의 특징을 추출하고 분류한다. 이미지의 특징을 추출하는 영역은 합성곱 계층과 풀링 계층이 여러 번 반복되는 구성이다. 합성곱 계층은 합성곱 필터를 통해 입력 이미지를 순회하면서 특징을 추출한다. 필터를 지정된 간격만큼 이동하며 합성곱 연산을 사용해 피처 맵을 만든다. 피처 맵은 입력 이미지보다 크기가 작기 때문에 이를 보완하기 위해 외곽에 특정한 값을 채워넣는다. 이를 패딩이라 하며, 보통 0으로 채운다. 피처 맵에 활성 함수를 적용한 액티베이션 맵을 최종적으로 반환한다. 풀링 계층은 합성곱 계층에서 만든 액티베이션 맵을 입력 받아, 크기를 줄이거나 특징을 강조한다. 특정 값만 유지하고 나머지는 제외하면서 크기를 줄인다. 이미지의 크기를 줄이면서 발생하는 오차들로 인해 과적합을 방지한다. 풀링 기법으로는 최댓값 풀링, 평균값 풀링 등이 있는데, 이미지 처리에서는 주로 해당 영역에서 최댓값을 추출하는 최댓값 풀링을 사용한다. 합성곱 계층과 풀링 계층에서 추출된 특징은 Flatten 계층에서 1차원 형태의 데이터로 바뀐 뒤, 완전 연결 계층을 통해 분류된다.

앞서 서술한 합성곱 신경망과 같은 기계 학습을 할 때, 모든 데이터를 학습시키는 것은 불가능하기 때문에 표본집단을 학습 데이터로 사용한다. 이때, 모델이 복잡하거나, 학습 데이터가 너무 적을 경우, 학습한 데이터에 대해서만 근접하게 예측하는 현상이 발생하는데 이를 과적합이라고 한다. 과적합을 방지하기 위해 학습 데이터의 개수를 늘리거나 모델이 학습 데이터에 의존하지 않도록 가중치를 규제하는 정규화 방법을 사용한다. 가장 유명한 정규화 방법 중 하나가 드롭아웃이다. 드롭아웃은 학습 시에 무작위로 뉴런을 제거한 후, 검증 단계에서는 학습된 모든 뉴런을 사용해 예측한다. 인위적으로 뉴런을 제거하기 때문에 학습 파라미터 간의 공적응을 방지해 상대적으로 의미있는 특징 추출이 가능하다. 매번 다른 뉴런을 제거하기 때문에 여러 개의 분류기를 생성하고 그 예측의 평균을 추론해 정확도를 높이는 앙상블 학습과 비슷한 효과를 가진다.

실험은 NVIDIA Geforce RTX 3090, RAM 128GB, Intel i9 X-Processor를 사용하는 CUDA10.0 GPU 환경에서 진행하였으며, Linux OS 와 Python 3.6.9, Tensorflow 2.3.1, Keras 2.4.3 버전을 사용하였다.

과학기술정보통신부와 한국지능정보사회진흥원의 사업의 일환으로 구축된 AI 허브에서 제공되는 생활폐기물 이미지 인공지능 학습용 데이터를 사용하였다[11].

실험을 위해 데이터는 도시 지역에서 버려지는 폐기물인 도시형 생활폐기물(MSW)중 한국폐기물협회에서 발표한 ‘2019년 전국 폐기물 발생 및 처리 현황’ 자료에 따라 종이류, 플라스틱, 유리류, 캔류, 비닐류, 패트병류 등 6개의 데이터를 사용했다[12].

이미지의 해상도가 달라 128x128으로 리사이즈 하였고, local optimum 에 빠지는 가능성을 줄이고 학습속도를 빠르게 하기 위해 이미지 픽셀을 255로 나눠 0~1사이로 정규화 하여 사용하였다.

사용한 데이터셋의 범주는 캔, 유리류, 플라스틱, 패트병류, 종이류, 비닐류 순서대로 0, 1, 2, 3, 4, 5으로 지정하였다. 훈련데이터는 각 범주당 2,320개이며, 총 13,920개로 조도에 변화에 따라 달라지는 이미지데이터 특성을 학습시키기 위해 Python 라이브러리인 PIL(Python Imaging Library)의 ImageEnhance 클래스를 사용해 이미지의 밝기를 바꿔 사용하였다.

ImageEnhance 의 Brightness 함수는 원본 이미지(image2), 원본 이미지와 같은 크기와 모드의 검은색 이미지(image1) 만들고 저장한다. 그 후, enhace 함수를 인자(α)와 함께 호출하면 blend 함수에 의해 검은색이미지 와 원본 이미지가 인자값에 따라서 합쳐지게 되고 밝기가 변경된 이미지(data)가 완성되는데, 그 식은 수식1과 같다. 인자 값의 범위는 너무 낮으면 이미지 전체 픽셀값이 0에 수렴되고 너무 높으면 이미지 전체가 픽셀값이 255에 수렴하게 되어 인자값의 범위를 0.6~1.4로 정하였다.

원본 이미지 T1, 원본보다 어두운 이미지는 인자 값 0.6, 0.7, 0.9을 사용해 T2, T3, T4로 설정하였고 원본보다 밝은 이미지는 인자 값 1.1, 1.3, 1.4 사용해 T5, T6, T7으로 설정해 사용하였다. 픽셀 값이 가장 낮은 T2와 픽셀 값이 가장 높은 T7은 그림1과 같다.

Fig. 1. 
Image according to the change of illuminance

조도를 변경했을 경우 이미지의 RGB 채널 중 R 채널의 T1, T2, T7의 픽셀값 변화는 그림 2와 같다. 테스트 데이터는 각 범주당 80개, 7가지의 조도 변화를 주어 560개씩이며, 총 3,360개이다. 조도에 변화를 준 이미지 데이터를 통한 합성곱 신경망의 성능을 확인하고자 모든 실험에서의 테스트 데이터를 같게 사용하였고, 조도 변화에 따른 데이터가 모든 조도 환경에서 어떻게 반응하는지 보기 위해 T1 ~ T7에서 사용한 조도를 모두 포함하고 있는 테스트 데이터를 사용하였다. 사용한 데이터는 표 1, 표 2와 같다.

Fig. 2. 
Pixel value change according to illuminance change

이미지 처리에서 뛰어난 성능을 보이는 합성곱 신경망을 사용하였다[13].

본 논문에서는 Python 라이브러리인 Keras 를 사용하여 합성곱 신경망을 모델링 하였으며 Keras 라이브러리에 ModelCheckpoint를 사용하여 검증 정확도가 가장 높았을 때의 학습을 저장해 사용하였고 EarlyStopping를 사용해 검증 로스가 3에포크 동안 좋아지지 않는다면 학습을 조기 종료 하였다. 모든 실험은 초기 가중치와 학습률을 고정하여 실험하였다.

실험에서 사용할 데이터는 총 6개의 범주만 분류하는 문제이기 때문에 1000개의 범주를 분류하는 구글의 Inception 같은 깊은 모델보다는 간단한 모델을 만들어 사용하였다[14]. 합성곱 신경망층에서는 4개의 히든 레이어 층과 풀링 층을 구성하였다.

노드 수는 각 64, 128, 64, 64개, 필터의 크기는 3x3, 3x3, 3x3, 1x1을, 신경망의 과적합을 방지하기 위해 드롭아웃을 사용 하였다[15]. 완전연결층에는 노드 수 256개의 층과 마지막에는 노드 수 6개와 softmax를 사용하여 범주를 분류하는 층으로 구성하였다. 20 에포크(epoch) 동안 학습하였고, 활성함수는 ReLu를, 풀링은 MaxPooling을, 최적화 함수는 adam을, 손실 함수는 crossentropy를 사용하였으며, 모델의 전체 구조는 그림 3과 같다.

Fig. 3. 
Model Summary