ساخت مدل های تک برچسبی و چندبرچسبی تفکیک هوشمند پسماند در هشت طبقه با استفاده از یادگیری عمیق و روش انتقال یادگیری

امروزه با رشد سریع تکنولوژی، به خصوص یادگیری عمیق، اهمیت به کارگیری روش های نوین بیش از پیش آشکار شده است. مسائل محیط زیستی همچون مدیریت پسماند نیز نیازمند رویکردهای جدید و هوشمند است تا باعث کاهش هزینه ها، تسریع در انجام امور، جلوگیری از خطای انسانی و... شود. طبقه بندی پسماند، به عنوان یکی از جنبه های 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 مجموعه ی Realwaste که حدود ۴۲۰۰ تصویر از دسته های پسماندهای فلزی، پسماندهای شیشه ای، پسماندهای کاغذی، پسماندهای مقوایی، پسماندهای آلی غذایی، پسماندهای پلاستیکی، پسماندهای گیاهی و پسماندهای نساجی/پارچه ای هستند، در مسیر تفکیک هوشمند پسماند گام برداشته شده است. مدل های حاصل از این پژوهش تک برچسبی و چندبرچسبی هستند. مدل پایه از معماری EfficientNetB۰ (مدل معرفی شده توسط شرکت Google) بهره گرفته است اما با روش انتقال یادگیری، متناسب با مسئله ی 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 تک برچسبی دارد.

کلیدواژه ها:

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