본 연구는 폐플라스틱 자동 분류를 위한 최신 인공지능 객체 탐지 모델의 성능을 평가하였다. Faster R-CNN, YOLOv8, YOLOv11, Swin Transformer 총 4개 모델을 대상으로 PET, PS, PP, PE 4종의 폐플라스틱 이미지 48,000개로 학습 및 테스트를 수행하였다. Optuna를 활용해 하이퍼파라미터를 최적화하고, 정확도, 정밀도, 재현율, F1 score, 평균 정밀도 평균값 (mAP), 추론 시간 등으로 성능을 평가하였다. Swin Transformer는 최고 정확도 (0.988)와 mAP (0.988)를 기록하며 복잡하거나 오염된 플라스틱에서도 우수한 분류 성능을 나타냈다. YOLOv11은 가장 빠른 추론 속도 (61.67 ms/이미지)를 보이며 실시간 처리 환경에 적합함을 확인하였다. 연구 결과, 모델 선택 시 정확도와 처리 속도 간의 트레이드오프가 존재함을 확인하였으며, 폐플라스틱 재활용을 위한 AI 기반 분류 시스템 구축에 실질적인 참고 자료를 제공한다.

This study evaluates the performance of state-of-the-art AI-based object detection models for automated plastic waste classification. Four models—Faster R-CNN, YOLOv8, YOLOv11, and Swin Transformer—were trained and tested on a dataset of 48,000 images covering four plastic types (PET, PS, PP, PE). Hyperparameters were optimized using Optuna, and performance was assessed via accuracy, precision, recall, F1 score, mean Average Precision (mAP), and inference time. Swin Transformer achieved the highest accuracy (0.988) and mAP (0.988), demonstrating superior classification capability, particularly for complex or contaminated plastics. YOLOv11 exhibited the fastest inference speed (61.67 ms/image) with competitive accuracy, highlighting its suitability for real-time applications. These results reveal a trade-off between accuracy and processing speed, providing guidance for model selection based on application requirements. This study offers quantitative benchmarks and practical insights for deploying AI-driven plastic recycling systems.

Artificial Intelligence Object Detection Deep Learning Plastic Waste Swin Transformer