Akademik Veri Yönetim Sistemi
II. Uluslararası Antalya Bilimsel Araştırmalar ve Yenilikçi Çalışmalar Kongresi, Antalya, Türkiye, 17 - 21 Mart 2022, ss.685-692
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.
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.