دسته بندی تصاویر پسماندهای شهری با استفاده از یادگیری عمیق

هدف و زمینه: مدیریت پسماند شهری و نیاز به تفکیک خودکار مواد بازیافتی، یک چالش اساسی در دستیابی به پایداری زیست محیطی است. رویکردهای سنتی به دلیل محدودیت های مقیاس پذیری و خطای انسانی، ناکارآمد هستند. این پژوهش با هدف ارزیابی کارایی یک معماری یادگیری عمیق پیشرفته بر روی مجموعه داده های واقعی و چالش برانگیز برای طبقه بندی دقیق پسماند ارائه شده است. روش کار: در این مطالعه، از معماری RexNet-۱۵۰ همراه با تکنیک یادگیری انتقالی استفاده شد و مدل بر روی مجموعه داده RealWaste که شامل تصاویر پسماندهای واقعی، آلوده و درهم آمیخته در ۹ کلاس مختلف است، آموزش داده شد. عملکرد مدل با معیارهای دقت کلی، دقت، بازخوانی و امتیاز F۱ بر روی مجموعه داده آزمون ارزیابی گردید. یافته ها: نتایج نشان داد که مدل RexNet-۱۵۰ عملکردی فوق العاده قوی از خود به نمایش گذاشت و به دقت کلی ۶۵/۹۶ درصد دست یافت. علاوه بر این، میانگین امتیاز F۱ برابر با ۹۷٪، عملکردی بسیار متوازن را در تشخیص صحیح و کاهش خطای طبقه بندی در میان تمامی کلاس ها تایید می کند. نتیجه گیری: این تحقیق نشان می دهد که معماری های عمیق پیشرفته، مانند RexNet-۱۵۰، هنگامی که بر روی داده های واقعی آموزش می بینند، یک جایگزین عملی و بسیار دقیق برای روش های سنتی در مدیریت پسماند فراهم می کنند. عملکرد ۹۷٪ مدل، قابلیت اطمینان بالای آن را برای پیاده سازی در سیستم های خودکار تفکیک زباله در مقیاس صنعتی تایید می نماید.

کلیدواژه ها:

تفکیک پسماند ، یادگیری عمیق ، شبکه های عصبی کانولوشنی ، بینایی ماشین ، RexNet-۱۵۰ ، RealWaste