ساخت مدل‌های تک‌برچسبی و چندبرچسبی تفکیک هوشمند پسماند در هشت طبقه با استفاده از یادگیری عمیق و روش انتقال یادگیری

کد مقاله : 1070-FSN (R1)

نویسندگان

بهنام امینی زاده *، زینب جهانگیری دانشگاه تهران

چکیده مقاله

امروزه با رشد سریع تکنولوژی، به‌خصوص یادگیری عمیق، اهمیت به‌کارگیری روش‌های نوین بیش از پیش آشکار شده است. مسائل محیط‌زیستی همچون مدیریت پسماند نیز نیازمند رویکرد‌های جدید و هوشمند است تا باعث کاهش هزینه‌ها، تسریع در انجام امور، جلوگیری از خطای انسانی و... شود. طبقه‌بندی پسماند، به‌عنوان یکی از جنبه‌های اساسی و مهم در مدیریت و بازیافت پسماند، محور اصلی این پژوهش است. در این پژوهش با آموزش دو مدل یادگیری عمیق بر روی تصاویر مجموعه‌ی Realwaste که حدود ۴۲۰۰ تصویر از دسته‌های پسماند‌های فلزی، پسماندهای شیشه‌ای، پسماندهای کاغذی، پسماندهای مقوایی، پسماندهای آلی غذایی، پسماندهای پلاستیکی، پسماندهای گیاهی و پسماندهای نساجی/پارچه‌ای هستند، در مسیر تفکیک هوشمند پسماند گام برداشته شده است. مدل‌های حاصل از این پژوهش تک‌برچسبی و چندبرچسبی هستند. مدل پایه از معماری EfficientNetB0 (مدل معرفی شده توسط شرکت Google) بهره گرفته است اما با روش انتقال یادگیری، متناسب با مسئله‌ی خاص این پژوهش، بازطراحی و آموزش داده شده است. نتایج نشان دادند هر دو مدل در تفکیک هوشمند تصاویر پسماند از دقت خوبی برخوردار هستند اما مدل چندبرچسبی درمجموع، دقت و کارایی بهتری نسبت به مدل تک‌برچسبی دارد.

کلیدواژه ها

مدیریت پسماند؛ تفکیک زباله؛ یادگیری عمیق؛ هوشمند سازی؛ انتقال یادگیری

وضعیت: پذیرفته شده