폐기물 자동 분류 기술, 저전력 기기에서도 가능할까?
 |
모로코의 시디 모하메드 벤 압델라 대학교(Sidi Mohamed Ben Abdellah University) 연구진은 제한된 메모리와 연산 능력을 갖춘 엣지 기기(Edge devices)에서 높은 정확도로 폐기물을 분류할 수 있는 경량 CNN 프레임워크를 개발했습니다.
연구진은 MobileNetV4 모델을 교사 모델로 활용하여 LCNet-0.5 등 세 가지 경량 모델을 학습시켰으며, 그 결과 LCNet-0.5가 0.58MB의 매우 작은 모델 크기로도 94.18%의 높은 정확도를 기록함을 확인했습니다.
이 연구는 복잡한 서버 없이도 스마트 쓰레기통 등 현장에서 실시간 폐기물 분류를 가능하게 하는 기술적 토대를 마련했다는 점에서 의미가 큽니다.
쓰레기 분류 자동화, 왜 경량화 기술이 필요한가
쓰레기 분류 자동화는 도시 환경 개선과 재활용률 향상을 위한 핵심 기술이지만, 기존의 강력한 합성곱 신경망(CNN) 모델은 많은 메모리와 높은 컴퓨팅 자원을 요구해 저사양 엣지 기기에 탑재하기 어렵다는 한계가 있습니다.
특히 스마트 쓰레기통이나 이동형 분류 장치와 같은 'TinyML'급 환경에서는 모델의 크기가 수 메가바이트(MB) 이하로 제한되어야 하므로, 정확도와 모델 크기 사이의 최적 균형점을 찾는 것이 매우 중요합니다.
폐기물 분류 정확도와 모델 크기, 어떤 관계인가
이번 연구에서 테스트한 모델들 중 LCNet-0.5는 모델 크기를 1MB 미만으로 유지하면서도 94.18%라는 높은 분류 정확도를 달성하여 가장 효율적인 후보로 선정되었습니다.
연구진은 EfficientNet-Lite0, LCNet-0.5, MobileNetV3-Small-0.5 세 가지 모델을 TrashNet 데이터셋으로 평가한 결과, 모델의 파라미터 수가 적을수록 메모리 점유율이 획기적으로 낮아지면서도 정확도는 충분히 실무에 적용 가능한 수준으로 유지됨을 입증했습니다.
지식 증류(Knowledge Distillation)는 정확도 향상을 보장하는가
지식 증류 기법은 고성능 교사 모델의 지식을 학생 모델에 전달하여 성능을 높이는 방식이지만, 이번 연구의 5중 교차 검증(Five-fold cross-validation) 결과에서는 지식 증류가 항상 통계적으로 우월한 성능 향상을 가져오지는 않는 것으로 나타났습니다.
연구진은 지식 증류를 학습 전략의 하나로 평가했으나, 모든 학생 모델 아키텍처에서 증류를 적용하지 않은 모델과 비교했을 때 매크로-F1 점수에서 통계적으로 유의미한 차이가 발견되지 않았다고 보고했습니다.
실생활 환경에서도 분류 성능이 유지될까
라즈베리 파이 3 모델 B+에 탑재된 LCNet-0.5 모델은 카메라 입력부터 디스플레이 출력까지 약 1.0초의 처리 시간을 기록하며 실시간 폐기물 분류 가능성을 입증했습니다.
연구진은 실제 쓰레기 매립지 데이터셋인 RealWaste를 활용한 실험에서, 추가적인 미세 조정(Fine-tuning) 단계를 거칠 경우 다양한 배경과 조명 조건을 가진 실환경 이미지에서도 우수한 분류 성능을 보일 수 있음을 확인했습니다.
자주 묻는 질문
Q. 폐기물 분류 모델을 엣지 기기에 탑재할 때 가장 큰 장애물은 무엇인가?
A. 메모리 점유율, 높은 컴퓨팅 비용, 그리고 응답 지연 시간입니다. 엣지 기기는 자원이 제한적이므로 수백만 개의 파라미터를 가진 대형 모델을 직접 구동하기 어렵습니다.
Q. 왜 연구진은 LCNet-0.5를 최적의 모델로 선정했는가?
A. INT8 스토리지 기준 1MB 미만의 크기를 유지하면서도, 평가된 경량 모델 중 가장 높은 94.18%의 정확도를 기록했기 때문입니다. 이는 자원이 극히 제한된 환경에서 정확도와 효율성 사이의 가장 이상적인 균형을 보여줍니다.
Q. 지식 증류를 사용하면 무조건 모델 성능이 좋아지는가?
A. 반드시 그렇지는 않습니다. 이번 연구의 5중 교차 검증 결과, 지식 증류를 적용한 모델과 적용하지 않은 모델 간의 성능 차이는 통계적으로 유의미하지 않았으며, 경우에 따라서는 증류를 하지 않은 모델이 근소하게 더 나은 성능을 보이기도 했습니다.
Q. 실제 현장에 이 모델을 도입하려면 어떤 준비가 필요한가?
A. 모델을 특정 환경에 맞게 최적화하기 위한 소규모의 현장 데이터 수집과 짧은 미세 조정 과정이 필요합니다. 연구 결과, 일반적인 데이터셋으로 학습된 모델도 현장 데이터를 통한 미세 조정을 거치면 실제 쓰레기 매립지와 같은 복잡한 환경에 효과적으로 적응할 수 있습니다.
출처
Echchidmi, M., & Bouayad, A. (2026). Compact waste image classification with multi-student CNNs and edge-oriented model selection. Frontiers in Artificial Intelligence, 9, 1804734. doi: 10.3389/frai.2026.1804734