Derin Öğrenme ile Çevresel Atıkların Sınıflandırılmasına Dayalı Akıllı Çöp Konteyneri Tasarımı ve Prototipinin Geliştirilmesi

Year 2024, Volume: 11 Issue: 24, 547 - 563, 31.12.2024

Mehmet Umut Salur , Nermin Elmas , Aybuke Nur Koçak , Melike Kaymaz

https://doi.org/10.54365/adyumbd.1557588

Abstract

Günümüzde dünya nüfusunun artışıyla birlikte kentlerde ve sanayide yüksek oranda doğal kaynak kullanılmaktadır. Bu kaynak kullanımı, beraberinde tonlarca çevresel atığın oluşmasına neden olmaktadır. Bu kirlilik, gelecek nesiller için sürdürülebilir dünyanın varlığı konusunda ciddi tehdit oluşturmaktadır. Günümüz teknolojisiyle çevresel atıkların yönetimi için derin öğrenme ve görüntü işleme tabanlı çözümleri geliştirmek mümkündür. Bu çalışmada çevresel atıklardan geri dönüşümü mümkün olanların (kağıt, plastik, metal ve cam) yerinde ve otomatik bir şekilde sınıflandırılması ve ayrıştırılması için görüntü işleme ve Raspberry Pi tabanlı akıllı çöp konteyneri prototipi gerçekleştirilmiştir. Akıllı çöp konteynerine bırakılan bir atık; i- hareket algılama sensörüyle fark edilmekte, ii- atığın fotoğrafı çekilmekte, iii- çekilen fotoğraf derin öğrenmeyle sınıflandırılmakta, iv- atığın sınıfı belirlendikten sonra adım motoru yardımıyla çöp konteynerin içindeki ilgili bölüme taşımaktadır. Bu yönüyle insan müdahalesi olamadan dönüştürülebilen çevresel atıklar yerinde ve otomatik bir şekilde ayrıştırılmaktadır. Akıllı çöp konteyneri, çevresel atıkların geri dönüşüme kazandırılması ve yönetilmesi sürecini hem maliyet hem de insan iş gücü açısından iyileştirme potansiyeline sahiptir.

Keywords

Çevresel Atıkların Sınıflandırılması, Derin Öğrenme, Raspberry Pi, Görüntü İşleme

Supporting Institution

TÜBİTAK

Project Number

1919B012302200

Thanks

Bu çalışma TÜBİTAK tarafından 1919B012302200 numaralı projeyle desteklenmiştir.

Design and Prototype Development of A Smart Garbage Container Based on Environmental Waste Classification using Deep Learning

Abstract

Today, with the population increase in the world, natural resources are used at a high rate in cities and industry. This resource use causes the formation of tonnes of environmental waste. This pollution poses a serious threat to the existence of a sustainable world for future generations. Today, it is possible to develop deep learning and image processing based solutions for environmental waste management. In this study, an image processing and Raspberry Pi based smart garbage container prototype has been realised for on-site and automatic classification and sorting of recyclable environmental wastes (paper, plastic, metal and glass). A waste left in the smart waste container is i- motion detected by a motion detection sensor, ii- image of the waste is taken, iii- image is classified by deep learning, iv- after the class of the waste is determined, it is moved to the relevant section in the waste container with the help of a stepper motor. This approach ensures that recyclable environmental waste is separated automatically without human intervention. The smart waste container has the potential to improve the recycling and management of environmental waste, offering benefits in terms of cost-efficiency and reduced human labor requirements.

Keywords

Classification of Environmental Waste, Deep Learning, Raspberry Pi, Image Processing

Supporting Institution

TUBITAK

Project Number

1919B012302200

Thanks

This study was supported by TUBITAK with the project number 1919B012302200.

References

• Bobulski J, Kubanek M. Deep learning for plastic waste classification system. Applied Computational Intelligence and Soft Computing 2021;2021(1):6626948.
• Varol Varol S, Hark C, Kızıloluk S. Geri dönüştürülebilir atıkların sınıflandırılması. In: 6th International Artificial Intelligence & Data Processing Symposium, Malatya, Turkiye; 2022.
• Yıldız EN, Bingöl H, Yıldırım M. Önerilen derin öğrenme ve makine öğrenmesi tabanlı hibrit model ile çevresel atıkların sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2023;35(1):353-361.
• Sağlam A, Taş M, Baykan N. Geri dönüştürülebilir atıkların materyallerine göre sınıflandırılması için raspberry pi tabanlı donanım geliştirilmesi. Avrupa Bilim ve Teknoloji Dergisi 2020;30-38.
• Ahmed MIB, Alotaibi RB, Al-Qahtani RA, Al-Qahtani RS, Al-Hetela SS, Al-Matar KA, Al-Saqer NK, Rahman A, Saraireh L, Youldash M, Krishnasamy G. Deep learning approach to recyclable products classification: towards sustainable waste management. Sustainability 2023;15(14):11138.
• Tatke A, Patil M, Khot A, Karad’s PJV. Hybrid approach of garbage classification using computer vision and deep learning. International Journal of Engineering Applied Sciences and Technology 2021;5(10):208-213.
• Alsubaei FS, Al-Wesabi FN, Hilal AM. Deep learning-based small object detection and classification model for garbage waste management in smart cities and iot environment. Applied Sciences 2022;12(5):2281.
• Kang Z, Yang J, Li G, Zhang Z. An automatic garbage classification system based on deep learning. IEEE Access 2020;8:140019-140029.
• Sürücü S, Ecemiş İN. Garbage classification using pre-trained models. European Journal of Science and Technology 2022;(36):73-77.
• Keskin S, Sevli O, Okatan E. Comparative analysis of the classification of recyclable wastes. Journal of Scientific Reports-A 2023;(055):70-79.
• Zhou Y, Wang Z, Zheng S, Zhou L, Dai L, Luo H, Zhang Z, Sui M. Optimization of automated garbage recognition model based on resnet-50 and weakly supervised cnn for sustainable urban development. Alexandria Engineering Journal 2024;(108):415-427.
• Wu Y, Shen X, Liu Q, Xiao F, Li C. A garbage detection and classification method based on visual scene understanding in the home environment. Complexity 2021;2021(1):1055604.
• Chen Z, Yang J, Chen L, Jiao H. Garbage classification system based on improved ShuffleNet v2. Resources, Conservation and Recycling 2022;(178):106090.
• Fan H, Dong Q, Guo N, Xue J, Zhang R, Wang H, Shi M. Raspberry pi-based design of intelligent household classified garbage bin. Internet of Things 2023;(24):100987.
• Jin S, Yang Z, Królczykg G, Liu X, Gardoni P, Li Z. Garbage detection and classification using a new deep learning-based machine vision system as a tool for sustainable waste recycling. Waste Management 2023;(162):123-130.
• Tensorflow: large-Scale machine learning on heterogeneous distributed systems. https://arxiv.org/abs/1603.04467 (Erişim tarihi: 10.09.2024).
• Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research 2014;15(1):1929-1958.
• Chollet F. Deep learning with Python, Shelter Island: Manning Publications; 2021.
• LeCun Y, Bengio Y, Hinton G. Deep learning, Nature 2015;521(7553):436–444.
• Machine Learning vs. Deep Learning. https://lawtomated.com/a-i-technical-machine-vs-deep-learning/ (Erişim tarihi: 20.09.2024).
• Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Going deeper with convolutions. In: Proceedings of the IEEE Conference On Computer Vision And Pattern Recognition, Boston, MA, USA; 2015.
• Zhang X, Zhou X, Lin M, Sun J. ShuffleNet: An extremely efficient convolutional neural network for mobile devices. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, Utah, ABD; 2018.
• Güneş E. Derin öğrenme yaklaşımı ile fındık meyvesinin sınıflandırılması. Yüksek Lisans Tezi. İstanbul: Marmara Üniversitesi; 2022.
• Dandıl E, Karaca S. MR spektroskopi sinyalleri kullanılarak LSTM derin sinir ağları ile beyinde sahte tümörlerin tespiti. Avrupa Bilim ve Teknoloji Dergisi 2020;2:426-433.
• Garbage Classification. https://www.kaggle.com/datasets/asdasdasasdas/garbage-classification (Erişim tarihi: 01.08.2024).