버려진 전자제품을 알아보는 AI, 재활용 현장에 맞춰 배우다

분석할 사진마다 예시를 골라 적응하는 영상분할 기술…처리 시간 약 6분의 1로 줄였지만 현장 적용에는 추가 검증 필요

수명이 다한 전자제품은 버리는 순간에도 여러 자원을 품고 있다. 이를 다시 활용하려면 먼저 무엇이 섞여 있는지 알아야 한다. 케이블과 조명, 콘센트가 뒤엉킨 사진에서 물체의 경계를 구별하는 일은 재활용 자동화를 위한 기초 작업이다. 집게로 무엇을 집고 어디를 분리할지 정하려면 물체의 위치와 형태부터 파악해야 하기 때문이다.

전자폐기물의 규모도 커지고 있다. ITU와 UNITAR가 발간한 『Global E-waste Monitor 2024』에 따르면 2022년 세계 전자폐기물 발생량은 6,200만 톤이었다. 적절하게 수거·재활용됐다고 공식 기록된 비율은 22.3%에 그쳤다. 이 수치는 이번 AI 실험의 결과가 아니라, 전자폐기물 관리가 필요한 배경을 보여주는 국제 통계다.

호주 모나시대 Aseni Senanayake 연구진은 전자폐기물 사진을 분석하는 AI가 개별 이미지에 맞춰 적응하도록 하는 방법을 제안했다. 2026년 10월 26일 『Scientific Reports』에 게재 승인 후 공개된 논문은 이미 학습된 영상분할 모델을 새로운 작업에 맞게 조정하는 과정에 초점을 맞춘다.

물체의 이름과 경계를 구별하는 일

사진에 케이블이 있다는 사실을 알아보는 것과 케이블이 차지하는 영역을 정확히 구분하는 것은 다른 작업이다. 영상분할은 물체 영역을 픽셀 단위로 표시한다. 배경과 물체가 만나는 경계, 여러 물체가 겹치는 부분을 얼마나 정확하게 나누는지가 중요하다.

연구진이 활용한 SAM2는 메타가 공개한 영상분할 모델이다. 사용자는 점이나 상자, 마스크로 대상을 지정할 수 있다. 이처럼 여러 이미지에 활용할 수 있는 모델이라도 특정 산업의 작업에 적용할 때는 정확도와 처리 조건을 별도로 살펴야 한다.

재활용을 위한 인식도 마찬가지다. 사진에서 물체를 잘라내는 기능만으로는 실제 작업 과정 전체를 설명할 수 없다. 구분된 영역이 분리·해체할 대상과 맞는지, 서로 다른 물체의 경계가 충분히 정확한지 확인해야 한다. 이번 연구는 이러한 작업을 위한 모델 적응 방법을 다룬다.

사진마다 필요한 예시 25장을 고른다

제안 방식은 새로운 사진을 분석할 때 관련 예시를 먼저 고른다. 정답 영역이 표시된 사진 가운데 대상 이미지와 관련성이 높고 서로 중복되지 않는 25장을 찾아 모델을 조정한다. 연구진은 이를 테스트 시점 미세조정이라고 부른다.

이 과정에서는 예시의 구성도 수만큼 중요하다. 어떤 사진을 참고자료로 고를지와 그 자료로 모델을 어떻게 조정할지를 함께 다뤄야 한다. 비슷한 사진만 모으면 같은 정보가 반복될 수 있고 관련 없는 예시가 섞이면 분석할 대상을 제대로 설명하지 못할 수 있기 때문이다.

연구진은 사진 900장 가운데 750장을 참고자료 후보로, 150장을 평가용으로 나눴다. 모델이 매번 적은 수의 예시를 사용하더라도 참고자료 자체는 준비돼 있어야 한다. 사람이 물체의 정답 영역을 표시하는 작업이 사라지는 것은 아니다.

이 방식의 비용 구조를 살피려면 준비 단계에서 드는 시간과 실제 분석 단계에서 드는 시간을 나눠 볼 필요가 있다. 모델을 한 번 조정한 뒤 이미지를 계속 처리하는 방식과 달리 사진마다 적응 과정을 거치기 때문이다.

‘약 6배’는 어떤 시간을 비교했나

논문의 시간 단축 결과는 이 구분을 해야 정확하게 읽을 수 있다. 제안 방식으로 평가용 사진 150장을 모두 처리하는 데 약 1.3시간이 걸렸다. 비교 방식의 오프라인 미세조정과 추론 시간을 합친 전체 시간보다 약 6배 짧았다는 결과다.

한 장을 분석하는 데 걸리는 시간은 오히려 제안 방식이 더 길었다. 관련 자료를 찾고 모델을 조정한 뒤 추론하는 데 평균 31.10초가 들었다. 비교 방식은 오프라인 미세조정에 약 7.5시간이 필요했지만 조정을 마친 뒤에는 장당 0.96초로 추론했다.

따라서 이 결과를 모든 조건에서 AI의 처리 속도가 6배 빨라졌다고 설명하면 곤란하다. 처음 작업을 준비하는 비용을 포함하느냐, 준비가 끝난 모델로 이미지를 계속 분석하느냐에 따라 비교 결과가 달라진다. 처리할 이미지가 늘어나거나 모델을 다시 조정하는 주기가 달라지면 전체 시간의 관계도 달라질 수 있다.

현장에서는 정확히 어떤 시간을 줄여야 하는지부터 정해야 한다. 새로운 품목에 맞춰 모델을 준비하는 시간이 문제인지, 이미 들어오는 물체를 빠르게 처리하는 시간이 문제인지에 따라 같은 실험 결과의 의미도 달라진다.

재활용 공장에서는 무엇을 더 확인해야 하나

참고자료에 없는 부품이나 먼지·반사·가림 등 실제 조건에서도 성능을 점검해야 한다. 이번 실험은 오프라인에서 진행됐으며 연구진은 고속 컨베이어에 적용하려면 추가 검증이 필요하다고 밝혔다.

운영 과정에서 필요한 평가는 사진 한 장의 인식 성능보다 넓다. 정해진 시간에 물체를 얼마나 처리할 수 있는지, 잘못 구분했을 때 어떻게 확인하고 수정할지, 분리 장비에 어떤 정보를 전달할지까지 연결해야 한다. 모델이 출력한 물체 영역이 실제 설비의 행동으로 이어지는 과정에는 별도의 검증이 필요하다.

실제 도입을 검토한다면 인식 정확도, 처리량, 재학습 주기, 설비 연결 비용을 함께 평가해야 한다. 인식 모델의 처리 시간과 공장 전체의 성과는 서로 다른 지표다. 이 연구를 재활용률이나 자원 회수량의 개선을 입증한 결과로 볼 수는 없다.

이번 연구는 새로 들어오는 사진에 필요한 예시를 골라 AI를 적응시키는 방식을 제안한다. 재활용 사업자는 이 적응 과정이 자신의 작업에서 어떤 비용을 줄이는지 판단해야 한다. 소량의 새로운 품목을 분석하는 경우와 같은 종류의 물체를 대량으로 처리하는 경우를 나눠 검증해야 논문의 시간 단축이 현장에서도 유용한지 알 수 있다.