選別ラインのゴミを画像で見分けられるか、MATLABで試した話（条件を変えると精度はどう落ちるか）

こんにちは。

小澤泰生です。

ゴミを画像で見分けられないか、というご相談が昔あったので、公開データで試しに検証したらどうだろうと思って、やってみました。

聞くところによると、資源ごみの選別工場では、ベルトコンベアの上を流れてくるゴミから、人が手でペットボトルや缶を抜き取っている所が、まだあるそうです。

これをカメラとAIで見分けられないか、という話は昔からあって、海外ではロボットで拾う装置も売られています。

では実際に、公開されている画像を使って、MATLABで作ってみると、どこまでできて、どこでつまずくのか。

今回は、それを試した記録です。

画像解析の定番の3つ、（１）「分類」（何が写っているか）、（２）「検出」（どこに何があるか）、（３）「輪郭・セグメンテーション」（物の形どおりに切り出す）を、順に試しています。

先に結論を書くと、

• 1個ずつ切り出した画像の「分類」なら、5種類で正解率88%
• ただし、正解の量を減らす、別の日の画像で試す、暗くする、ぼかす、と条件によっては76〜79%まで落ちる（強くぼかすと65%）
• コンベアの上から「見つける（検出）」のは、ずっと難しい
• 見つけた枠をSAMに渡すと、物ごとの輪郭まで切り出せる（正解の輪郭との重なりが0.59→0.69に上がる）
• 落ち方は種類によって違い、数の少ない種類（びん・缶）から落ちる

でした。

「精度98%」のような数字は、白い背景に1個だけ置いた写真なら出ます。でも、それは現場の数字ではありません。今回は、下がった数字のほうを、そのまま載せます。

何を解く問題か

ごみの選別には、大きく2つの向きがあります。

• 拾い出し：混ざって流れてくるごみの中から、資源になる物を見つけて、種類ごとの箱に移す（例：缶・びん・ペットボトルが混ざった中から、ペットボトルを拾う）
• 取り除き：ほぼ1種類だけが流れる線から、混ざった異物を抜いて、純度を上げる（例：紙だけを残したい線から、プラスチックや金属を抜く）

今回解くのは、前者の「拾い出し」の手前の部分です。

混ざって流れてくる中から、資源になる物が「どこにあって」「何なのか」を、画像で当てます。人やロボットが拾って振り分けるには、まずこれが分からないといけません。

5種類にまとめたのは、振り分け先（日本の分別の箱）に合わせるためです。

ちなみに、缶は磁石（鉄）や渦電流（アルミ）でも分けられるので、画像で見分ける価値が大きいのは、ペットボトルとそれ以外のプラスチック容器の見分けや、異物の取り除きのほうだと考えています。

使ったデータ：選別工場のコンベアの画像

使ったのは、WaRP（Waste Recycling Plant）という公開データです。

資源ごみの選別工場のコンベアを真上から撮った画像で、物が重なったり、潰れたり、暗かったりと、現場そのままの画像です。

元は28種類に分かれていますが、日本の分別に合わせて、5種類にまとめました。

• PETボトル（透明・色付き・潰れたものなど14種類をまとめた）
• プラ容器（乳製品の白いボトル、洗剤のボトル、ポリタンクなど）
• びん
• 缶
• 紙パック

数はPETボトルが6割で、びんは5%と、かなり偏っています。現場のごみの割合そのままなので、これも現実的です。

それから、データを調べていて、気づいたことが2つありました。

• 学習用と試験用に、まったく同じ画像が9枚入っていた（学習用から外しました）
• 試験用の画像の半分以上が、学習用のどれかと30秒以内に撮られていた

2つ目は、同じ日・同じ照明・同じカメラの画像で試していることになるので、そのままだと、精度は甘めに出ます。これは後で、「別の日の画像で試す」で確かめました。

（１）1個ずつの分類：正解率88%

まず、人が付けた枠で1個ずつ切り出した画像を、5種類に分けます。

ResNet-18という、画像の分類でよく使われる小さめのAIを出発点にして、7,871枚で学習し直しました（転移学習）。ノートPCのGPU（RTX 3050・メモリ4GB）で、学習は6分弱です。

結果は、試験用の1,551枚で、正解率88.1%でした。

見分けた例を、種類ごとに並べるとこんな感じです。

間違えた例も並べてみます。

間違え方を見ると、どれも「そうだよね」というものです。

• 潰れたペットボトル → プラ容器（形が崩れると、ボトルらしさが消える）
• 緑や茶色のペットボトル ↔ びん（色が同じで、透け方しか手がかりがない）
• 乳製品の白いボトル ↔ 牛乳の紙パック（白地に印刷、で見た目が近い）

AIが画像のどこを見て判断したかを、色で重ねて見ることもできます（Grad-CAM）。

外れた例では、切り出した画像に写り込んだ「隣の物」を見ていることがありました。1個だけ置いた写真と、コンベアの上の写真の違いが、ここに出ます。

条件を変えると、どう落ちるか

ここからが本題です。条件を変えて、正解率がどう落ちるかを、2つの向きから測りました。

• 学習に使う画像を変える（正解の量・撮った日）
• 学習はそのままで、試験の画像だけを悪くする（暗さ・ぼけ・解像度）

前者は「正解を付ける手間をどこまで減らせるか」、後者は「本番のカメラや照明が悪かったらどうなるか」を見ています。

学習に使う画像を変える

正解付きの画像の数を減らしたり、ある日の画像を学習から外したりして、学習し直しました。

• 学習に使う正解付きの画像を1/4に減らすと82.2%、1/10に減らすと79.1%（全部使うと88.1%）
• 学習に使っていない日（3月25日）の画像で試すと78.8%（その日も学習に入れたときは82.3%）

全体の正解率は、ゆるやかに落ちます。ただ、正解を1/10にすると、びんと缶の当たり具合（F1）は0.5〜0.6まで下がりました。数の少ない種類から、先に崩れます。

試験の画像だけを悪くする

こちらは学習はし直さず、試験用の画像だけを加工しています。加工は、こんな感じです。

• 試験の画像を暗く（明るさ1/4）すると76.3%、強くぼかすと64.7%
• 解像度は、1/2ならほとんど落ちない（85.7%）

（基準の「加工なし」が87.2%で、上の88.1%と少し違うのは、評価のときの画像の縮め方が違うためです。）

全体の数字だけ見ると、そこそこ持ちこたえているように見えます。ところが、種類ごとに分けると、話が変わります。

缶は、暗くすると、見つけられた割合が90%から8%に落ちました。びんも71%から21%です。金属の光り方や、ガラスの透け方という手がかりが、暗いと消えるのだと思います。

一方で、PETボトルはほとんど落ちません（むしろ上がる）。AIは迷うと、数の多いPETボトルと答えるようになるからです。全体の正解率だけ見ていると、これに気づけません。

現場向けに言い換えると、

• カメラの画素数より、照明とぶれ（シャッター速度）を整えるほうが効く
• 「全体で何%」ではなく、種類ごとの数字で判断する
• 学習に使った日とは別の日の画像で、必ず確かめる

ということになります。

（２）検出：コンベアの上から見つける

最後に、切り出す前のコンベアの画像から、5種類の物の場所と種類を一度に当てる「検出」を作りました。場所は、物を囲む長方形の枠（外枠。バウンディングボックスと呼びます）で答えます。

YOLOv4-tinyという軽い検出器を出発点に、2,199枚で学習し直しています。ノートPC 2台で、合わせて約36分の学習です。

精度の目安のAP50（枠が半分以上重なれば正解、1が満点）は、平均0.43でした。PETボトルは0.66、缶は0.27です。

1個ずつの分類が88%だったのに比べると、ずいぶん低く見えますが、「どこにあるか」も当てる必要があり、重なりや隠れが効いてくるためです。物がまばらな場面ではよく見つけますが、山積みの場面では見落としが多くなります。

ちなみに、学習を80エポック（約2時間半）まで延ばしてみましたが、試験の精度は25エポックあたり（AP50 0.40）で頭打ちになり、先の短い学習の0.43を超えませんでした。

学習データでの損失は下がり続けるのに、試験の精度は上がらない。学習データに合わせすぎ（過学習）の形です。効いたのは、60エポック目で学習率を下げたところで、枠の重なりを厳しく見る精度（AP75）が0.13から0.20に上がりました。

精度を上げるには、回数を増やすより、水増しを強くする・解像度を上げる・大きい検出器にする方が見込みがある、と考えています（ここはまだ試していません）。

（３）輪郭・セグメンテーション（枠から輪郭へ）

検出の枠は、物を囲む長方形（外枠）なので、物の形とは合いません。面積の割合を出したり、ロボットがつかむ位置を決めたりするには、物の輪郭が欲しくなります。

そこで、SAM（Segment Anything Model）を使ってみました。画像と「この枠の中の物」を渡すと、学習なしでその物の輪郭を返してくれるAIです。種類は分からないので、種類は検出器が、輪郭はSAMが受け持ちます。

WaRPには、輪郭の正解が付いた画像が112枚あるので、「枠をそのまま輪郭とみなす」場合と、「SAMの輪郭」を比べました。

正解の輪郭との重なり（IoU、1が満点）は、

• 枠そのまま：0.59
• SAMの輪郭：0.69（112枚中89枚で枠より良くなった）
• 枠を10%広げてからSAMに渡す：0.45

でした。

SAMはうまくいけば、ボトルの形にきれいに沿います。面白いのは、枠を少し広げてから渡すと、隣の袋まで輪郭に含めてしまうことです。SAMの出来は渡す枠の正確さで決まるので、検出を良くすれば、輪郭も一緒に良くなります。

それから、びんだけはSAMでも良くなりませんでした（0.57→0.57）。透明や暗い色のガラスは、背景との境目が見えにくいのだと思います。

コンベアの画像で、検出の枠をSAMで輪郭にすると、物の形がくっきり浮かび上がります。

いろいろな場面で並べると、こんな感じです。

今回はノートPCのGPUで動かしましたが、それでも1枚あたり数秒で輪郭が出ました。SAM 2など、より速く動くように改良された新しいモデルも出てきているので、今後は、さらに手軽に、速く使えるようになっていくと思います。

画像だけでは分からないこと

今回はふつうのカメラ（RGB）の画像なので、見た目で分かることしか分かりません。

• プラスチックの材質（PETかPPか、など）は、近赤外のカメラ（分光）が要る
• 黒いプラスチックは、近赤外でも難しい
• 金属の種類や、電池が混ざっているかは、X線などが要る

「どのセンサーで、何を見分けたいか」から決めるのが、本当は先です。

次に試すこと

• 日本の家庭ごみ（ペットボトル・缶・びん・紙パック）を自分で撮った写真で試す
• 検出の精度を上げる（水増し・解像度・検出器の大きさを変える）
• 正解付きの画像が無いときに、学習なしで分類できるAIがどこまで使えるかを比べる

現場の写真が数百枚あれば、その現場での落ち方も、同じ手順で測れます。

報告書（PDF）

この記事の内容を、報告書の形（32ページ）にまとめたものです。方針・学習の条件・種類ごとの数字など、記事では省いた細かいところも載せています。

使ったデータ・ソフトウェア

• データ：WaRP（Waste Recycling Plant Dataset）。Kaggleで CC0（パブリックドメイン）として公開されているもの
• 論文：Yudin, D. et al., "Hierarchical waste detection with weakly supervised segmentation in images from recycling plants", SSRN 4183424
• MATLAB R2025b（Deep Learning Toolbox、Computer Vision Toolbox、Image Processing Toolbox）
• 学習済みのAI：ResNet-18、YOLOv4-tiny（COCO で学習済み）。どちらも MathWorks 提供のもの
• PC：ノートPC（GPU は RTX 3050 Laptop 4GB と RTX 4050 Laptop 6GB）

この記事の数字は、技術紹介のための試作で測ったもので、条件ごとに1回ずつ学習した値です。実際の現場での精度を保証するものではありません。

一緒に作るなら

選別や検査の画像で、「AIで見分けられるか」を試したい方は、まず、手元の現場の写真で、何が言えるかを確かめるところから始めます。

うまくいくところだけでなく、どの条件で落ちるかも含めて、ソースコードと説明スライドでお渡しします。

画像処理・深層学習の開発全般は、こちらにまとめています。
https://algo-dev.com/services/imgdev/
https://algo-dev.com/services/deep_learning/