Skip to content

Derin Öğrenme ile Geri Dönüştürülebilir Atıkların Sınıflandırılması

Notifications You must be signed in to change notification settings

yz-ai/waste-sorting-by-deep-learning

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

42 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

♻️ Derin Öğrenme ile Geri Dönüştürülebilir Atıkların Sınıflandırılması

Waste Sorting by Deep Learning

İklim değişikliği ve küresel ısınmanın sonuçlarından biri aşırı kaynak tüketiminden kaynaklanmaktadır. Küresel ısınmayı yavaşlatmak ve enerji tasarrufunu arttırmak için atık yönetimi çerçevesinde geri dönüşümün yaygın olarak uygulanması gerekmektedir. Atık yönetimi ve geri dönüşüm yalnızca çevresel açıdan avantajlı olmakla kalmaz, aynı zamanda sürdürülebilir bir ekonomi için de büyük önem taşır. İnsan çalışanlar yerine akıllı sistemleri tercih etmek, insanların refahı yüksek ortamlarında çalışmasını sağlamak sosyal açıdan önemli bir adımdır. Akıllı atık yönetimi yaklaşımları önemli bir araştırma alanıdır.


🍎 Demo ve tüm detaylar için tıklayınız.

🎥 Sunumun videosuna buradan izleyebilirsiniz. Yakında eklenecek

Bu çalışma M. Ayyüce Kızrak (T.C. CB Dijital Dönüşüm Ofisi / Bahçeşehir Üniversitesi), Yavuz Kömeçoğlu (Kodiks Bilişim) tarafından gerçekleştirilmiştir.


:octocat: Veri Kümesi

TrashNet: Kod (yalnızca evrimsel sinir ağı için) ve kullandığımız veri kümesi ve Mindy Yang'ın Stanford Üniversitesi'nin CS 229: Makine Öğrenimi dersi için dönem sonu projesi.


Veri Kümesi Kullanımı:

Orijinal adresten dataset-resized.zip isimli veri kümesini indirip, datasets/dataset-resized/ altına kopyalayınız.

Veri kümesini indirdikten sonra eğitime hazır hale getirmek için, scripts/split-train-test-val.py veri kümesini ayırma scriptini aşağıdaki şekilde çalıştırarak <train/test/val> olarak ayrabilirsiniz.

python3 split-train-test-val.py --testRatio 0.17 --valRatio 0.13 ../datasets/dataset-resized

Veri kümesini bölme işlemi sonucunda train/test/val sayıları aşağıdaki gibidir.

  • Training set: 1770
  • Test set: 429
  • Validation set: 328

Online Çalışma Dosyaları:

Eğitim için Google Colab Not Defteri Open In Colab

Kestirim için Google Colab Not Defteri Open In Colab

Açıklanabilirlik için Google Colab Not Defteri Open In Colab


📑 Makaleler:


⚠️ Yapay zekaya dayalı akıllıca tasarlanmış bir atık yönetimi tesisi ile Birleşmiş Milletler'in sürdürülebilir kalkınma hedeflerinin gerçekleştirilmesine katkıda bulunarak sürdürülebilir şehirler tasarlamaya ihtiyaç vardır. Akıllı atık yönetimi, küresel ısınmayı durdurmak için en önemli araçlardan biri harcama ve enerji tasarrufudur. Bu sürdürülebilir bir ekonomi için büyük önem taşıyor. Daha sofistike yaklaşımlarla günlük hayatta kullanılacak atık tesisleri tasarlamak önemli hedefler arasında olmalıdır. Atık malzeme sınıflandırması için son teknoloji cihaz uygulamaları hakkında daha fazla araştırma yapılması gerekmektedir. İnsanlar, dünya çapında yapay zekayı kullanılarak elde edilebilecek faydaları ölçülebilir.


Kaynaklar:

  1. Williams, P. T., Waste Treatment and Disposal, John Wiley & Sons, (2005).
  2. Palmer, J. A., Environmental Thinking in the Early Years: Understanding and Misunderstanding of Concepts Related to Waste Management, Environmental Education Research, Vol. 1, no. 1, (1995), 35–45.
  3. Amick, D. S., Reflection on the Origins of Recycling: a Paleolithic Perspective, Lithic Technology, Vol. 39, no. 1, (2014), 64–69.
  4. Davidson Cummings L., Voluntary Strategies in the Environmental Improvement: Recycling as Cooptation, Journal of Voluntary Action Research, Vol. 6, no. 3-4, (1977), 153–160.
  5. Alvarez-Ch ́avez, C. R., Edwards, S., Moure-Eraso, R., and Geiser, K., Sustainability of Bio-Based Plastics: General Comparative Analysis and Recommendations for Improvement, Journal of Cleaner Production, Vol. 23, no. 1, (2012), 47–56.
  6. Liu, C., Sharan, L., Adelson, E. H., and Rosenholtz, R., Exploring Features in a Bayesian Framework for Material Recognition, in Computer Vision and Pattern Recognition (CVPR), Conference on.IEEE, (2010), 239–246.
  7. Yang, M., and Thung, G., Classification of Trash for Recyclability Status, arXiv preprint, (2016).
  8. Thung, G., Trashnet, GitHub repository, (2016).
  9. Özkaya, U., and Seyfi, L., Fine-Tuning Models Comparisons on Garbage Classification for Recyclability, 2nd International Symposium on Innovative Approaches in Scientific Studies, (2019)
  10. Seredkin, A. V., Tokarev, M. P., Plohih, A., Gobyzov, O. A., and Markovich, D. M., Development of a Method of Detection and Classification of Waste Objects on a Conveyor for a Robotic Sorting System, Journal of Physics: Conference Series, Vol. 1359, (2019).
  11. Vo, A. H., Son, L., H., Vo, M. T., Le, T., A Novel Framework for Trash Classification Using Deep Transfer Learning, IEEE Access, Vol. 7, (2019).

About

Derin Öğrenme ile Geri Dönüştürülebilir Atıkların Sınıflandırılması

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published