2023 한국정보기술학회 하계종합학술대회 금상 수상작

폐기물 이미지를 CNN 알고리즘을 통해 '재활용품'과 '일반 쓰레기'로 자동 분류하는 이진 분류 모델 개발

1. 프로젝트 개요

구분	내용
수행 기간	2023년 (학부 팀 프로젝트, 5인)
주요 역할	데이터 전처리, CNN 모델링 및 하이퍼파라미터 튜닝, 성능 분석
사용 기술	Python, TensorFlow(Keras), OpenCV, Matplotlib
핵심 성과	테스트 정확도 95.5% 달성, 학술대회 논문 투고 및 금상 수상

2. 기획 배경

배경: COVID-19 이후 비대면 소비 증가로 가정 내 쓰레기 배출량이 급증했으나, 복잡한 분리수거 기준으로 인해 일반 쓰레기로 잘못 배출되는 경우가 빈번함.
목표: 머신러닝(CNN)을 활용하여 쓰레기 이미지를 입력하면 **'재활용품(Recyclable)'**과 **'일반 쓰레기(Trash)'**를 자동으로 구분해주는 모델을 구현하여 분리배출 효율을 높이고자 함.

3. 개발 과정

3.1. 데이터셋 구축 및 전처리

데이터 수집: 재활용품(2,390장)과 일반 쓰레기(137장) 총 2,527장의 이미지 데이터 확보.
Data Augmentation (데이터 증강): 일반 쓰레기 데이터가 현저히 적은 불균형(Imbalance) 문제를 해결하기 위해 ImageDataGenerator를 도입.
- Rescale(1/255), Shear(0.2), Zoom(0.2), Horizontal Flip 등을 적용하여 데이터 다양성 확보.
데이터 분할: Train(학습), Validation(검증), Test(테스트) 셋으로 디렉토리 구조화.

3.2. CNN 모델링

초기 모델의 과적합 문제를 해결하기 위해 레이어를 깊게 쌓고 규제(Regularization)를 적용한 최종 아키텍처를 설계함.

구조: Conv2D(3층) + MaxPooling + Dense Layer
입력/출력: $250 \times 250$ RGB 이미지 입력 $\rightarrow$ Sigmoid (0~1 이진 분류) 출력
최적화: Optimizer(Adam), Loss(binary_crossentropy)

`# [핵심 모델 코드] model = Sequential()

특징 추출 (Feature Extraction)

model.add(Conv2D(16, kernel_size=(3,3), input_shape=(250, 250, 3), activation='relu')) model.add(Conv2D(32, (3,3), activation='relu')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Dropout(0.25)) # 과적합 방지

model.add(Conv2D(64, (3,3), activation='relu')) model.add(MaxPooling2D(pool_size=(2,2))) model.add(Dropout(0.25))

분류 (Classification)

model.add(Flatten()) model.add(Dense(64, activation='relu')) model.add(Dropout(0.25)) model.add(Dense(128, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 이진 분류`