쓰레기 사진으로 분리수거 자동 분류

분리수거를 제대로 하고 싶어도 무엇을 어느 통에 넣어야 하는지 헷갈리는 물건이 많다. 페트병 뚜껑, 음식이 묻은 용기, 여러 재질이 붙어 있는 포장지가 특히 그렇다. 잘못 넣으면 그 통 전체가 재활용되지 못하는데, 버리는 사람은 잘못했는지조차 알 수 없다.

그래서 쓰레기 사진을 넣으면 종이 · 플라스틱 · 유리 · 금속 · 일반쓰레기 가운데 어디에 해당하는지 알려 주는 모델을 만들고자 한다. 분리수거를 돕는 앱에 넣어 버리기 전에 한 번 확인하는 용도로 쓰는 것이 목적이다.

• ■ 입력: 쓰레기가 담긴 사진 한 장 (스마트폰이나 웹캠으로 촬영, 224×224 픽셀)
• ■ 출력: 다섯 클래스의 확률 — 종이 · 플라스틱 · 유리 · 금속 · 일반쓰레기 (합이 100%)

모델은 언제나 이 다섯 가지 안에서만 답한다. 다섯 확률을 더하면 반드시 100%가 되므로, 다섯 어디에도 해당하지 않는 물건을 넣어도 모델은 「해당 없음」이라고 말하지 못한다. 가장 덜 어색한 칸에 확률을 몰아줄 뿐이다. 이 점이 문항 6에서 그대로 드러난다.

① 기계학습 유형: 지도학습 — 분류 (이미지 분류)

사진마다 다섯 재질 중 하나를 이름으로 붙여서 학습시킨다. 정답이 붙어 있으므로 지도학습이다. 그리고 내놓아야 할 답이 정해진 다섯 개의 범주이므로, 수치를 맞히는 예측이 아니라 범주 하나를 집는 분류를 쓴다. 칸이 둘에서 다섯으로 늘어도 유형은 바뀌지 않는다.

다른 방법이 아닌 이유: 예측(회귀)로 하면 「재활용 가능도 0.6」 같은 숫자가 나오는데, 필요한 답은 어느 통에 넣느냐이지 정도가 아니다. 군집은 사진을 비슷한 것끼리 묶어 주기는 하지만 어느 묶음이 「플라스틱」인지를 알려 주지 못한다 — 이름은 결국 사람이 붙여야 한다.

② 구현 도구: 티처블머신

사진을 다루는 도구가 필요한데, 티처블머신은 클래스를 몇 개든 늘려 가며 사진을 넣을 수 있고 학습이 끝나면 그 자리에서 스마트폰 카메라로 확인할 수 있다. 다섯 개의 확률 막대가 함께 보이므로 모델이 무엇과 무엇 사이에서 헷갈리는지가 드러난다. 오렌지는 표 데이터를 다루는 도구라 사진에는 맞지 않고, 코랩은 같은 일을 할 수 있지만 코드를 직접 써야 해서 이번 목적에는 과하다.

• • 출처: 집과 학교에서 직접 촬영한 사진 240장 + 자유 이용이 허락된 공개 이미지 60장 (이용 조건을 하나씩 확인하고 내려받음)
• • 유형: 이미지 데이터 (224×224 픽셀)
• • 수량: 클래스별 60장 / 총 300장 (5클래스)
• • 클래스 1 — 종이(60장): 신문지, 상자, 종이컵, 전단지
• • 클래스 2 — 플라스틱(60장): 페트병, 용기, 비닐봉투
• • 클래스 3 — 유리(60장): 유리병, 유리 조각
• • 클래스 4 — 금속(60장): 캔, 알루미늄 포일, 철사
• • 클래스 5 — 일반쓰레기(60장): 음식이 묻은 포장지, 이쑤시개, 담배꽁초
• • 다양하게 만든 것: 조명(실내등·햇빛·그늘), 배경색, 상태(원형 그대로인 것·접힌 것·찌그러진 것)

실제 수행평가 때는 여기에 티처블머신 5개 클래스 이미지 업로드 화면 스크린샷을 붙입니다.

• 학습 설정: Epochs 50 / 배치 크기 16 / 학습률 0.001 (티처블머신 기본값 그대로)
• 300장 중 20%인 60장을 시험용으로 떼어 놓고 나머지로 학습했다.
• 시험 결과: 60장 중 54장 정답 — 정확도 90.0%
• 클래스별로 나눠 보면 성적이 고르지 않다 — 종이 12/12, 플라스틱 11/12, 유리 11/12, 금속 11/12, 일반쓰레기 9/12
• 일반쓰레기가 가장 낮은 것은 예상할 수 있는 결과다. 다른 넷은 재질이라는 공통점이 있지만, 일반쓰레기는 「나머지 전부」라는 뜻이라 생김새에 공통점이 없다.

실제 수행평가 때는 여기에 티처블머신 학습 완료 화면(정확도·손실 그래프) 스크린샷을 붙입니다.

■ 테스트 1 — 학습한 것과 비슷한 물건 (빈 투명 페트병)

• 예상: 플라스틱으로 분류
• 실제 출력: 플라스틱 95% / 유리 3% / 금속 1% / 일반쓰레기 1% / 종이 0%
• 예상대로 맞았고, 확신도 컸다.

■ 테스트 2 — 학습에 없던 상태 (내용물이 남은 알루미늄 캔)

• 예상: 금속으로 분류
• 실제 출력: 금속 44% / 플라스틱 33% / 일반쓰레기 23%
• 맞히기는 했지만 확신이 크게 떨어졌다. 학습 사진은 전부 비어 있고 깨끗한 캔이었다.

■ 테스트 3 — 다섯 칸에 아예 없는 물건 (음료 팩)

• 예상: 판단하기 어려움 — 애초에 이것 때문에 모델을 만들기 시작했다.
• 실제 출력: 종이 52% / 일반쓰레기 31% / 플라스틱 17% → 화면에는 「종이」
• 모델이 대신 답해 주기를 바랐던 바로 그 물건에서 확신이 낮았다.

■ 분석

테스트 2는 학습 사진의 폭이 좁았던 것이 원인이다. 금속 사진 속 캔은 전부 비어 있고 깨끗했으니, 내용물이 남아 색과 형태가 달라진 캔은 모델에게 낯설다. 이것은 사진을 더 다양하게 모으면 나아지는 문제다.

테스트 3은 성격이 다르다. 음료 팩은 종이와 은박과 플라스틱이 붙어 있어 실제로도 별도로 모아 배출하는 대상이다. 그런데 내 모델에는 그 칸이 없다. 없는 답은 아무리 사진을 더 넣어도 나오지 않는다. 다섯 확률의 합이 100%로 정해져 있으니 모델은 반드시 다섯 중 하나에 답을 몰아야 한다.

그래서 52%라는 낮은 확률이 곧 신호다. 테스트 1의 95%와 비교하면 차이가 뚜렷하다. 확률이 낮다는 것은 「이 물건은 내가 아는 다섯 가지와 잘 맞지 않는다」는 뜻인데, 화면에 답만 띄우면 그 신호가 통째로 사라진다.

정확도 90%는 이 실패를 예고하지 못했다. 시험용 60장이 전부 다섯 클래스 안의 물건이었기 때문이다. 모델은 자기가 모르는 것을 시험해 볼 수 없다 — 그것은 사람이 골라 넣어야 한다.

사진 300장을 모으는 데 시간이 가장 많이 들었다. 처음에는 검색해서 내려받으려 했는데, 남이 찍은 사진에는 저작권이 있다는 걸 알고 직접 찍기로 했다. 쓰레기를 찍으려고 집 안을 돌아다닌 것이 이번 실습에서 제일 오래 걸린 일이었다.

가장 크게 남은 것은 음료 팩을 넣어 봤을 때다. 애초에 그것 때문에 모델을 만들기 시작했는데, 정작 그 물건에서 확률이 52%밖에 나오지 않았다. 내가 칸을 다섯 개로 정한 순간, 그 밖의 답은 아예 나올 수 없게 된 것이었다. 문제를 어떻게 나눌지 정하는 일이 사진을 모으는 일만큼 중요하다는 걸 알았다.

90%라는 정확도도 다시 보게 됐다. 클래스별로 나눠 보니 일반쓰레기만 75%였고, 평균 하나로는 어디를 고쳐야 하는지 알 수 없었다. 그리고 확률이 낮다는 것 자체가 「나는 잘 모르겠다」는 신호인데, 화면에 답만 띄우면 그 말이 사라진다는 것도 이번에 처음 생각해 봤다.