Önerilen Derin Öğrenme ve Makine Öğrenmesi Tabanlı Hibrit Model ile Çevresel Atıkların Sınıflandırılması

Öz

Çevre kirliliği sorunu, son zamanlarda artış gösterip hem insanlığa hem de çevreye tehdit oluşturmaktadır. Dünya genelinde çarpık kentleşme, sanayileşme ve insanların sorumsuz davranışları sonucu büyük bir atık problemi ortaya çıkmaktadır. Bu problem hayat standartlarımızı kısıtlayıp, daha sağlıksız bir ortamda yaşam sürmemize neden olmaktadır. Atıklar genellikle çöp olarak bilindiğinden geri kazanılmaya çalışılmadan ortamdan uzaklaştırılır ve bu durumda da atığın geri dönüşüme gitmeden doğada kendi kendine çözünme süresi uzun yıllar almaktadır. Atıkların ömrünü uzatma ve ayrıştırılması ile hem çevre kirliliği azalır hemde geri dönüşüme katkı sağlayarak dünya daha yaşanılabilir bir hale gelir. Derin öğrenme modelleri ve makine öğrenme yöntemleri kullanılarak yapılan bu çalışmada çevremizi daha yaşanılabilir hale getiren ve geri dönüşüme yardımcı olan atık ayrıştırma veri seti kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. Bu çalışmada yapay zeka teknikleri ile atık ayrıştırma tespitinde AlexNet, GoogLeNet, ResNet50, DenseNet201, ShuffleNet, SqueezeNet mimarileri ile sonuçlar elde edilmiştir. Sonraki aşama da derin mimarilerden elde edilen özellik haritaları destek vektör makineleri (DVM), k-en yakın komşu (KNN) ve karar ağaçlarında (KA) sınıflandırılmıştır. Mimarilerin elde ettikleri sonuçlar karşılaştırılarak bu problem için en iyi mimari seçilmiştir. Deneyler sonucunda önermiş olduğumuz hibrit model %85.94 doğruluk değeri elde etmiştir.

Anahtar Kelimeler

• Atık sınıflandırma
• yapay zeka
• derin öğrenme
• ESA
• DVM

Kaynakça

1. Kaypak, Ş. (2014). Çevre Sorunlarının Çözümünde Küresel Çevre Politikaları. Muğla Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (31), 17-34.Goldberg D.E., Holland J.H .: Genetic algorithms and machine learning. Mach Learn, 3:95–9, 1988.
2. Özbuğutu, E., Karahan, S., & Tan, Ç. (2014). Çevre Eğitimi ve Alternatif Yöntemler–Literatür Taraması/Environmental Education and Its Alternative Methods–A Literature Review. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(25), 393-408.
3. Bayram, H. Y., Bingol, H., & Alatas, B. (2022). Hybrid Deep Model for Automated Detection of Tomato Leaf Diseases. Traitement du Signal, 39(5), 1781-1787.
4. Eroğlu, O., & Yildirim, M. (2022). Automatic detection of eardrum otoendoscopic images in patients with otitis media using hybrid‐based deep models. International Journal of Imaging Systems and Technology, 32(3), 717-727.
5. Yildirim, K., Yildirim, M., Eryesil, H., Talo, M., Yildirim, O., Karabatak, M., ... & Acharya, U. R. (2022). Deep learning-based PI-RADS score estimation to detect prostate cancer using multiparametric magnetic resonance imaging. Computers and Electrical Engineering, 102, 108275.
6. Rabano, S. L., Cabatuan, M. K., Sybingco, E., Dadios, E. P., & Calilung, E. J. (2018, November). Common garbage classification using mobilenet. In 2018 IEEE 10th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM) (pp. 1-4). IEEE.
7. Kang, Z., Yang, J., Li, G., & Zhang, Z. (2020). An automatic garbage classification system based on deep learning. IEEE Access, 8, 140019-140029.
8. Meng, S., & Chu, W. T. (2020, February). A study of garbage classification with convolutional neural networks. In 2020 Indo–Taiwan 2nd International Conference on Computing, Analytics and Networks (Indo-Taiwan ICAN) (pp. 152-157). IEEE.

9. Ozkaya, U., & Seyfi, L. (2019). Fine-tuning models comparisons on garbage classification for recyclability. arXiv preprint arXiv:1908.04393.
10. Chen, Z., Yang, J., Chen, L., & Jiao, H. (2022). Garbage classification system based on improved ShuffleNet v2. Resources, Conservation and Recycling, 178, 106090.
11. Mittal, G., Yagnik, K. B., Garg, M., & Krishnan, N. C. (2016, September). Spotgarbage: smartphone app to detect garbage using deep learning. In Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing (pp. 940-945).
12. Zhihong, C., Hebin, Z., Yanbo, W., Binyan, L., & Yu, L. (2017, July). A vision-based robotic grasping system using deep learning for garbage sorting. In 2017 36th Chinese control conference (CCC) (pp. 11223-11226). IEEE.
13. Sidharth, R., Rohit, P., Vishagan, S., Karthika, R., & Ganesan, M. (2020, June). Deep learning based smart garbage classifier for effective waste management. In 2020 5th International Conference on Communication and Electronics Systems (ICCES) (pp. 1086-1089). IEEE.
14. URL1: url:https://www.kaggle.com/datasets/asdasdasasdas/garbage-classification, Erişim tarihi: 05/01/2023.
15. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
16. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
17. Cengil, E., Çınar, A., & Yıldırım, M. (2022). A hybrid approach for efficient multi‐classification of white blood cells based on transfer learning techniques and traditional machine learning methods. Concurrency and Computation: Practice and Experience, 34(6), e6756.
18. Çetiner, H. Yaprak Hastalıklarının Sınıflandırılabilmesi İçin Önceden Eğitilmiş Ağ Tabanlı Derin Ağ Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 8(15), 442-456.
19. Eroglu, Y., Yildirim, K., Çinar, A., & Yildirim, M. (2021). Diagnosis and grading of vesicoureteral reflux on voiding cystourethrography images in children using a deep hybrid model. Computer Methods and Programs in Biomedicine, 210, 106369.
20. Bingol, H. (2022). Classification of OME with Eardrum Otoendoscopic Images Using Hybrid-Based Deep Models, NCA, and Gaussian Method. Traitement du Signal, 39(4).
21. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
22. Zhang, X., Zhou, X., Lin, M., & Sun, J. (2018). ShuffleNet: An extremely efficient convolutional neural network for mobile devices. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6848-6856).
23. Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., & Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
24. Chorowski, J., Wang, J., & Zurada, J. M. (2014). Review and performance comparison of SVM-and ELM-based classifiers. Neurocomputing, 128, 507-516.
25. Bingol, H. (2022). NCA‐based hybrid convolutional neural network model for classification of cervical cancer on gauss‐enhanced pap‐smear images. International Journal of Imaging Systems and Technology, 32(6), 1978-1989.
26. Zhang, S., Li, X., Zong, M., Zhu, X., & Cheng, D. (2017). Learning k for knn classification. ACM Transactions on Intelligent Systems and Technology (TIST), 8(3), 1-19.
27. Gacar, B. K., & Kocakoç, İ. D. (2020). Regression analyses or decision trees?. Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 18(4), 251-260.