RECYCLABLE WASTE RECOGNITION USING DEEP FEATURES


Creative Commons License

Özcan T.

II. Uluslararası Antalya Bilimsel Araştırmalar ve Yenilikçi Çalışmalar Kongresi, Antalya, Turkey, 17 - 21 March 2022, pp.685-692

  • Publication Type: Conference Paper / Full Text
  • City: Antalya
  • Country: Turkey
  • Page Numbers: pp.685-692
  • Erciyes University Affiliated: Yes

Abstract

One of the biggest problems of the modern world is waste pollution.  The inability of this process to be managed well has brought the problem to a global dimension. According to the European household waste collection report, 5.2 tons of waste per person is generated in 2018, especially from disposable products. In order to prevent this problem, important studies are carried out for the reuse of recyclable wastes. IoT-based waste recognition projects constitute an important layer. With the help of these artificial intelligence supported projects, recyclable wastes are recognized and separated.

In this study, a classification method consisting of 3 phases is proposed for recyclable waste recognition. In the first phase, the image preprocessing step is applied. In this phase, the images used in the training and testing phases are resized to be the same as the input size features in the input layer of the pre-trained model to be used for feature extraction. In the second phase, feature extraction is performed with the last fully connected layer of the pre-trained model. In the last phase of the model, the extracted features are classified using the Support Vector Machines algorithm, a popular classification method. Three different models were proposed according to the pre-trained model used. The model with feature extraction using AlexNet was named OM1, the model with feature extraction using GoogleNet was called OM2, and the feature extraction model using Xception was named OM3. The proposed models (OM1, OM2, and OM3) have been implemented and tested on the public dataset called 'Garbage Classification'. This data set, consisting of 6 classes, is divided into 80% training and 20% test data. The highest accuracy rate was obtained with OM3 (83.37%) according to the accuracy criteria. The proposed models were also compared in terms of time complexity. According to this criterion, the simulation performed with the OM1 model was realized in the shortest time (26.09 sec). When the experimental results were examined, a successful study was carried out on recyclable waste recognition with deep feature-based proposed models.

Modern dünyanın en büyük problemlerinden birisi atık kirliliğidir. Bu sürecin iyi yönetilememesi, sorunu küresel bir boyuta taşımıştır. Avrupa evsel atık raporuna göre 2018’de özellikle tek kullanımlık ürünlerden kaynaklı 5,2 ton kişi başı atık oluşmaktadır. Bu problemin önüne geçmek için geri dönüştürülebilir atıkların işlenmesine yönelik önemli çalışmalar yapılmaktadır. Nesnelerin interneti tabanlı atık tanıma projeleri önemli bir katmanı oluşturmaktadır. Yapay zeka destekli bu projelerle geri dönüştürülebilir atıkların tanınması ve ayrıştırılması gerçekleştirilmektedir.

Bu çalışmada geri dönüştürülebilir atık tanıma için 3 fazdan oluşan bir sınıflandırma yöntemi önerilmektedir. Birinci fazda, görüntü ön işleme adımı uygulanır. Bu fazda eğitim ve test aşamalarında kullanılacak olan imgeler, özellik çıkarımı için kullanılacak olan ön eğitimli modelin giriş katmanındaki giriş boyutu özelliği ile aynı olacak şekilde yeniden boyutlandırılır. İkinci fazda, ön eğitimli modelin son tam bağlı katmanı ile özellik çıkarımı gerçekleştirilir. Modelin son fazında ise çıkarılan özellikler popüler bir sınıflandırma yöntemi olan Destek Vektör Makineleri algoritması ile sınıflandırma gerçekleştirilir. Kullanılan ön eğitimli modele göre 3 ayrı model önerilmiştir. AlexNet kullanılarak özellik çıkarımı yapılan model OM1, GoogleNet kullanılarak özellik çıkarımı yapılan model OM2, Xception kullanılarak özellik çıkarımı yapılan model OM3 olarak adlandırılmıştır. Önerilen modeller (OM1, OM2 ve OM3), ‘Garbage Classification’ isimli kamuya açık veriseti üzerinde uygulanmış ve test edilmiştir. 6 sınıftan oluşan bu veriseti %80 eğitim, %20 test verisi olacak şekilde ayrılmıştır. Doğruluk kriterine göre en yüksek doğruluk oranı OM3 ile elde edilmiştir (%83,37). Önerilen modeller zaman karmaşıklığına göre de kıyaslanmıştır. Bu kritere göre OM1 modeli ile gerçekleştirilen simülasyon en kısa sürede gerçekleşmiştir (26,09 sn). Deneysel sonuçlar incelendiğinde derin özellik temelli önerilen modeller ile geri dönüştürülebilir atık tanıma üzerine başarılı bir çalışma gerçekleştirilmiştir.