دسته بندی تصاویر پسماندهای شهری با استفاده از یادگیری عمیق

چکیده مقاله

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

کلیدواژه‌ها

نویسندگان

علیرضا صالحی

دانشجوی کارشناسی ارشد رشته هوش مصنوعی، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین ع ، تهران

محمدرضا حسنی آهنگر

استاد رشته هوش مصنوعی، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین ع ، تهران

رامین دلیر

دانشجوی دکتری هوش مصنوعی دانشگاه زنجان، زنجان

�الحی، علیرضا و حسنی آهنگر، محمدرضا و دلیر، رامین،1404،دسته بندی تصاویر پسماندهای شهری با استفاده از یادگیری عمیق،سومین کنفرانس و نمایشگاه ملی چالش های محیط زیستی: نقش صنعت، معدن و جامعه در گسترش حکمرانی سبز،تهران

ارائه‌شده در

مجموعه مقالات سومین کنفرانس و نمایشگاه ملی چالش های محیط زیستی: نقش صنعت، معدن و جامعه در گسترش حکمرانی سبز19 آبان 1404 · تهران