[논문]병 인식 및 보증금 환불을 위한 분류 알고리즘

정필성; 조양현

doi:10.6109/jkiice.2017.21.9.1744

병 인식 및 보증금 환불을 위한 분류 알고리즘
A Bottle Recognition and Classification Algorithm for Deposit Refund 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.21 no.9, 2017년, pp.1744 - 1751

정필성 (JNPSOLUTION) , 조양현 (Division of Computer Science, Sahmyook University)

초록
AI-Helper

세계 각국에서 환경규제를 강화하고 생활 폐기물을 줄이기 위해서 노력하고 있다. 우리나라 역시 자원의 절약과 재활용촉진을 위한 법률을 제정하여 에너지자원순환을 위해 노력하고 있다. 정부에서는 빈병 재활용을 위하여 빈용기 보증금 제도를 시행하고 있지만 인력을 통한 회수는 한계가 존재하며, 빈병무인회수기 또한 국산화가 되어 있지 않은 관계로 시행 효과가 미비한 상황이다. 본 논문에서는 에너지자원순환을 촉진하기 위해서 빈병무인회수기에서 필수적으로 요구되는 병 인식 및 보증금 환불을 위한 병 분류 알고리즘을 제안하였다. 제안 알고리즘은 OpenCV와 CNN을 이용한 복합 식별 알고리즘으로서 제안 알고리즘의 효용성 평가를 위하여 빈병무인회수기에서 동작하는 분류 시스템을 구현하여 다양한 디바이스에서 빈병 정보 및 무인회수기에 대한 정보를 쉽게 획득할 수 있도록 하였다.

Abstract ▼ AI-Helper

We are striving to strengthen environmental regulations and reduce household waste in all countries around the world. Korea is also striving for the circulation of energy resources by enacting laws to promote resource saving and recycling. The government has implemented an empty bottle deposit system for the recycling of empty bottles, but there is a limit to the collection through manpower and the reverse vending machine is not localized. In this paper, we propose a recyclable bottle recognition and classification algorithm which is essential in the reverser vending machine to promote energy resource circulation. The proposed algorithm is a complex identification algorithm using OpenCV and CNN(Convolution Neural Network). In order to evaluate the effectiveness of the proposed algorithm, we implement a classification system that operates in an reverse vending machine, so that it can easily acquire information about bottles and reverse vending machine in various devices.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 무인회수기에서 중요한 역할을 담당 하는 식별 모듈에 사용되는 기술에 대한 초석 연구로서 활용하기 위하여 빈용기를 구분할 수 있는 특징인 주요색과 모양, 바코드, 라벨 이미지, 보증금 라벨 등을 활용 하여 빈용기를 효과적으로 식별할 수 있는 OpenCV와합성곱 신경망(CNN, Convolution Neural Network)을 이용한 복합 식별 알고리즘을 제안하고, 무인회수기에서 동작하는 분류 시스템을 구현하였다.
본 논문에서는 무인회수기에서 핵심 모듈로서 동작 하는 효율적인 빈병 식별 알고리즘을 제안하고 이를 이용한 빈병 식별 시스템을 구현하였다. 제안 알고리즘은 OpenCV를 이용하여 주요색을 구하고, 주요색에 따라 선별적으로 학습된 합성곱 신경망 학습 모델을 이용하여 병을 식별하는 복합 식별 알고리즘이다.
이러한 기기 동작의 특수성 때문에 기준을 정하여 그룹화 하여 학습을 진행하여 경쟁 후보군을 줄이는 것이 중요하다. 본 논문에서는 병을 효율적으로 식별하기 위해서 이미지를 주요색에 따라 분류하고 분류한 이미지에 대해서 전처리 과정을 진행한다.

제안 방법

학습을 위한 이미지를 관리하고, 식별을 위한 병 정보를 관리하기 위한 관리자 홈페이지를 구현하였다. 구현 홈페이지는 파이썬 플라스크 프레임워크를 이용 하여 프론트 엔드와 백엔드 기능을 구현하였으며, 미들웨어에서 텐서플로우를 이용하여 이미지 식별이 처리되도록 구현하였다. 그림 9는 병 정보 목록을 보여주는 화면이다.
제안 알고리즘은 OpenCV를 이용하여 주요색을 구하고, 주요색에 따라 선별적으로 학습된 합성곱 신경망 학습 모델을 이용하여 병을 식별하는 복합 식별 알고리즘이다. 또한 제안 알고리즘이 적용하여 현재 향후 연구로서 진행 중인 실제 개발되고 있는 무인회수기에 적용 가능한 시스템을 구현하였다. 제안 알고리즘과 구현된 시스템은 현재 연구 진행 중인 빈병 무인회수기를 위해서 구현되었으며, 기존의 운영 중인 독립형 무인회수기의 문제점인 인식 문제 및 정보 관리의 문제점을 개선하기 위한 연구 초석으로 평가할 수 있다.
병 식별을 위해서 갈색, 녹색, 파란색, 투명으로 주요색을 분류한 후 학습을 진행하였다. 사용된 병의 수는 환경부에서 공시한 제조사별 빈용기 보증금 포함제품과 한국순환지원유통지원센터 공지를 기준으로 분류하여 총 173종으로서 병 이미지는 각 30~40장씩 총 6,727개이며, keras 이미지 생성 알고리즘에 의해 생성된 후 총 이미지는 67,7270개이다.
표 2는 병 정보 테이블을 나타낸다. 병 정보 제공을 위한 테이블은 기본 키, 상품명, 병 종류, 용량, 보증금, 주요색, 정보 등록일, 정보 갱신일 필드로 구성하였다.
그림 10은 해당 병에 대한 이미지를 보여주는 화면이다. 이미지를 등록하고 삭제 하는 기능을 구현하였다.
학습 과정에서 이미지 정보 테이블에 있는 bottle_idx를 이용하여 병 정보 테이블의 병이름을 이용하여 디렉터리를 생성하고 이미지 정보 테이블의 이미지의 base64 인코딩 정보를 jpg 이미지로 디코딩하여 정장한다. 저장된 이미지는 ImageData Generator를 이용하여 많은 데이터셋으로 구성된 후 CNN 학습을 진행한다.
본 논문에서는 무인회수기에서 핵심 모듈로서 동작 하는 효율적인 빈병 식별 알고리즘을 제안하고 이를 이용한 빈병 식별 시스템을 구현하였다. 제안 알고리즘은 OpenCV를 이용하여 주요색을 구하고, 주요색에 따라 선별적으로 학습된 합성곱 신경망 학습 모델을 이용하여 병을 식별하는 복합 식별 알고리즘이다. 또한 제안 알고리즘이 적용하여 현재 향후 연구로서 진행 중인 실제 개발되고 있는 무인회수기에 적용 가능한 시스템을 구현하였다.
그림 9는 병 정보 목록을 보여주는 화면이다. 주요색에 따라서 이미지 정보를 등록, 수정, 삭제하는 기능을 구현하였다. 그림 10은 해당 병에 대한 이미지를 보여주는 화면이다.
그림 7은 입력된 이미지와 주요색의 결과를 보여주는 화면이다. 주요색을 구한 후 주요색을 가진 병을 학습시킨 모델을 이용하여 CNN 판별을 진행한다.
학습을 위한 이미지를 관리하고, 식별을 위한 병 정보를 관리하기 위한 관리자 홈페이지를 구현하였다. 구현 홈페이지는 파이썬 플라스크 프레임워크를 이용 하여 프론트 엔드와 백엔드 기능을 구현하였으며, 미들웨어에서 텐서플로우를 이용하여 이미지 식별이 처리되도록 구현하였다.

대상 데이터

병 식별을 위해서 갈색, 녹색, 파란색, 투명으로 주요색을 분류한 후 학습을 진행하였다. 사용된 병의 수는 환경부에서 공시한 제조사별 빈용기 보증금 포함제품과 한국순환지원유통지원센터 공지를 기준으로 분류하여 총 173종으로서 병 이미지는 각 30~40장씩 총 6,727개이며, keras 이미지 생성 알고리즘에 의해 생성된 후 총 이미지는 67,7270개이다. 성능평가 결과로 갈색은 98%, 녹색은 100%, 파란색은 97%, 투명은 98%, 모든 이미지를 함께 평가했을 때는 95%의 성능 평가 결과를 확인할 수 있었다.
그림 5는 데이터셋 이미지의 학습 결과를 보여주는 화면이다. 사용된 주요색 그룹은 녹색이며 소주(참이슬, 처음처럼 등), 백화수복, 칠성사이다, 설중매 등 22 종류의 병 이미지를 학습시킨 결과이다.
또한 제안 알고리즘이 적용하여 현재 향후 연구로서 진행 중인 실제 개발되고 있는 무인회수기에 적용 가능한 시스템을 구현하였다. 제안 알고리즘과 구현된 시스템은 현재 연구 진행 중인 빈병 무인회수기를 위해서 구현되었으며, 기존의 운영 중인 독립형 무인회수기의 문제점인 인식 문제 및 정보 관리의 문제점을 개선하기 위한 연구 초석으로 평가할 수 있다. 향후 서버를 경유하는 것이 아닌 스마트폰 애플리케이션에 직접 모델을 적용하여 실시간으로 빈병 식별이 이루어지도록 하여 빈병을 회수 하는 편의점 및 대형 마트의 운영자용 애플리케이션으로 연구를 진행할 예정이다.
학습을 위한 이미지는 한 종류당 30~40장으로 촬영 하였으며, ImageDataGenerator를 사용하여 확장 이미지 생성과정에서 200~300장으로 늘어나게 된다. 학습을 위한 learning rate는 0.

이론/모형

그림 6은 병 식별 알고리즘을 나타낸다. 병 이미지를 받아들이면 텐서플로우를 이용해서 미리 학습된 Inception 모델을 이용하여 병이 맞는지 확인한다. 병 이미지가 아니거나 식별이 불가능한 이미지일 경우 사용자의 디바이스로 오류 메시지를 전송한다.
학습 데이터의 양은 식별 확률에 영향을 미칠 수 있기 때문에 데이터셋 처리 과정을 통해 준비된 이미지보다 더 많은 이미지로 늘리는 과정을 진행한다. 이를 위해서 keras에서 제공하고 있는 ImageDataGenerator를 사용하였다[8]. 그림 3은 본 논문에서 학습을 위해 사용된 datagen을 활용한 소스 코드 중 일부이다.
이미지 학습을 위해서 텐서플로우(tensorflow)에서 제공하는 Inception v3 모델을 이용하였다[9]. 그림 5는 데이터셋 이미지의 학습 결과를 보여주는 화면이다.
병 이미지로 판별된 경우 병이 가지고 있는 주요색을 분석한다. 주요색을 분석하는 방법은 OpenCV의 calcHist 함수를 이용한 컬러 히스토그램 분석 방법을 이용한다[10]. 병에 대한 CNN 판별 진행 전에 컬러 히스토그램 분석을 통한 주요색을 구하게 되면 CNN 판별에 사용될 학습 모델을 정확하게 선택 가능하며, 이미지 판별을 위한 후보 이미지가 줄어들어 오류를 줄일 수 있는 이점이 있다.

성능/효과

현재 환경부 공표에 따르면 보증금 지급이 가능한 병은 약 120종류이며, 재활용이 가능한 병까지 합치면 500 종류 이상으로 조사 되고 있다. 본 논문을 위한 선행 연구에서 200 종류의 병을 모아서 학습을 시킨 결과 경쟁 후보군이 많아져 정확도가 85% 미만으로 나오는 결과를 볼 수 있었다.정확도가 낮아지는 이유에 대한 분석은 다음과 같다.
사용된 병의 수는 환경부에서 공시한 제조사별 빈용기 보증금 포함제품과 한국순환지원유통지원센터 공지를 기준으로 분류하여 총 173종으로서 병 이미지는 각 30~40장씩 총 6,727개이며, keras 이미지 생성 알고리즘에 의해 생성된 후 총 이미지는 67,7270개이다. 성능평가 결과로 갈색은 98%, 녹색은 100%, 파란색은 97%, 투명은 98%, 모든 이미지를 함께 평가했을 때는 95%의 성능 평가 결과를 확인할 수 있었다. 100%가 되지 않는 이유로는 병에 붙어 있는 라벨이 생산년도 별로 다르고, 이벤트를 위해 잠깐 동안 한정판으로 생산되는 경우가 있기 때문에 같은 종류라 고해도 라벨 이미지가 다를 수 있기 때문이다.

후속연구

제안 알고리즘과 구현된 시스템은 현재 연구 진행 중인 빈병 무인회수기를 위해서 구현되었으며, 기존의 운영 중인 독립형 무인회수기의 문제점인 인식 문제 및 정보 관리의 문제점을 개선하기 위한 연구 초석으로 평가할 수 있다. 향후 서버를 경유하는 것이 아닌 스마트폰 애플리케이션에 직접 모델을 적용하여 실시간으로 빈병 식별이 이루어지도록 하여 빈병을 회수 하는 편의점 및 대형 마트의 운영자용 애플리케이션으로 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	에너지 자원순환이란 무엇인가?	에너지 자원순환이란 환경정책상의 목적을 달성하기 위해 필요한 범위에서 폐기물의 발생을 억제하고 발생된 폐기물을 적정하게 재활용 또는 처리하는 등 자원의 순환과정을 환경 친화적으로 이용·관리하는 것을 말한다. 현재 우리가 일상생활 속에서 손쉽게 실천할 수 있는 방법으로는 재활용이 가능한 빈용기를 분리 선별 하여 생활 폐기물을 줄이는 것이다.
	각국에서 환경규제를 강화하고 생활 폐기물 문제를 해결하기 위해 다양한 실천과 노력을 기울이는 이유는 무엇인가?	세계는 지금 산업화와 더불어 인구 증가, 도시화, 대량 소비 등으로 인하여 오염물질 배출량이 증가하고 있으며 이에 따라서 환경오염이 점차 심화되고 있으며 그 피해 범위 또한 광역화되어 가고 있다. 이에 대한 대비책으로 각국에서는 환경규제를 강화하고 생활 폐기물 문제를 해결하기 위해서 다양한 실천과 노력을 기울이고 있지만 몇몇 강대국의 노력만으로는 환경문제를 해결하기에는 역부족이다.
	빈용기 보증금 제도란 무엇인가?	정부에서는 이러한 실천 운동을 장려하기 위해서 빈용기 보증금 제도를 시행하고 있다. 빈용기 보증금 제도란 소비자가 부담하는 보증금이라는 경제적 유인을 통해 빈용기 회수 및 재사용을 촉진하기 위한 제도로서 생산자는 재사용을 위한 도소매업소의 회수 및 보관 등에 소요되는 일정 비용을 취급수수료로 지급하는 제도이다[4,5].

참고문헌 (10)

K. H. Park, I. H. Sung, D. K. Min, and J. G. Kim, "A Study on the active plans for the returnable glass bottles," Journal of the Korea Society of Environmental Administration, vol. 3, pp. 203-216, Feb. 1997.
P. S. Jeong, and Y. H. Cho, "A bottle recycling information management system for the promotion of saving and recycling of resources due," Journal of the Korea Institute of Information and Communication Engineering, vol. 20, no. 11, pp. 2155-2161, Nov. 2016.

원문보기 상세보기
K. C. Lim, "A study on development of evaluation indicators to collaborative energy saving projects with NGO," Journal of Energy Engineering, vol. 24, no. 3, pp. 142-149, Sep. 2015.

원문보기 상세보기
J. H. Lee, and C. H. Kim, "Development and application of environmental convergency education prototype for resources recycling," Korea Science & Art Forum, vol. 22, pp. 275-286, Dec. 2015.
Ministry of Environment. Empty Bottle Refund Institution [Internet]. Available: https://www.me.go.kr/issue/reuse/.
S. C. Lim, S. H. Kim, Y. H. Kim, and D. Y. Kim, "Training Network Design Based on Convolution Neural Network for Object Classification in few class problem," Journal of Korea Institute of Information and Communication Engineering, vol. 21, no. 1, pp. 144-150, Jan. 2017.

원문보기 상세보기
Y. G. Kim, and E. Y. Cha, "Streamlined GoogLeNet Algorithm Based on CNN for Korean Character Recognition," Journal of Korea Institute of Information and Communication Engineering, vol. 20, no. 9, pp. 1657-1665, Sept. 2016.

원문보기 상세보기
Tensorflow - How to Retrain Inception's Final Layer for New Categories [Internet]. Available: https://www.tensorflow.org/tutorials/image_retraining.
Keras Image Preprocessing - ImageDataGenerator [Internet]. Available: https://keras.io/preprocessing/image/.
OpenCV - calcHist [Internet]. Available: http://docs.opencv.org/3.1.0/d1/db7/tutorial_py_histogram_begins.html/.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증