#20220281 Yapay Zeka İle Güçlendirilmiş Geri Dönüşüm Asistanı Uygulaması

Günlük hayatta geri dönüşüm bilincini arttırmayı, geri dönüşüm alışkanlığı sağlayıp bu konuda istekli olan bireylere yön göstermeyi bir yandan da bunu yaparken akıllı ve kolay çözüm önerileri sunan bir mobil uygulamanın geliştirilmesi. Geliştirme aşamasında bilgisayarlı görü ve makine öğrenmesi ağırlıklı teknolojiler ön planda tutulup geri dönüşümde kullanılabilecek en iyi nesne ayırt etme algoritmalarını ve modellerini elde etmek hedeflenmektedir.

Günlük hayatta geri dönüşüm bilincini arttırmak. Geri dönüşüm alışkanlığı sağlayıp bu konuda istekli olan bireylere yön göstermek. Bunu yaparken akıllı ve kolay çözüm önerilerinde bulunmak.

Proje günümüzde hali hazırda geliştirilmiş, geri dönüşüme hizmet eden uygulamaları tek bir potada eritip daha kullanılabilir, gelişime açık ve toplum faydası maksimize edilmiş bir biçimde sunmaktadır.

Projede kullanılan teknolojiler aşağıdaki gibi olup ilk prototip yapımı üç kişi tarafından bir sene sürmüştür. Uygulanabilirliği yüksek bir projedir Bilgisayarlı Görü OpenCV Makine Öğrenmesi Deep Learning Tensorflow Keras Scikit-Learn Mobil Uygulama Geliştirme Teknolojileri React Native JavaScript Harita Sistemi Google API AWS

Toplumun her kesimine hitap edecek bir proje olması sebebiyle geniş kitlelere ulaşması durumunda karbon ayak izimizin azalmasına yol açacak bir proje

Literatür Çalışması TACO[1] hiyerarşik bir taksonomi kullanılarak atıklar bölümlere ayrılmış ve açıklamalı olarak, kelimenin etrafındaki çeşitli ortamlardan (örneğin, plajlar, şehirler) alınan kapsamlı bir fotoğraf veri seti oluşturma çalışmasıdır. TACO, çoğunlukla cep telefonları tarafından çekilen yüksek çözünürlüklü görüntüler içerir. Tüm resimler ücretsiz telif hakkı lisansları altındadır ve çevrimiçi aracı kullanan kullanıcılar tarafından sınıflandırılmıştır. Belirsiz olan veya diğer kategoriler tarafından kapsanmayan atıklar vardır. Bu nesneler çöp olarak tek bir sınıf içinde tanımlanmıştır. 9 ana kategori hedeflenerek geri kalan atıklar, çöp olarak birleştirilmiştir ve buna TACO-10 adı verilmiştir. Ayrıca, projede üçüncü en büyük veriye sahip sınıf olan sigaraların çoğunun 64×64 pikselden daha küçük bir alana sahip olduğu gözlemlenmiş ve karşılaşabilecekleri sorunlar araştırılmıştır. Atık yönetimi ve geri dönüşüm, sürdürülebilir bir ekonominin temel parçasıdır. Daha verimli ve güvenli geri dönüşüm için çöplüklerde işçi olarak insan çalıştırmak yerine akıllı sistemlerin kullanılması gerekmektedir. Bu, en son akıllı yaklaşımların verimliliğini gösteren ilk çalışmalardan biridir. RecycleNet[2] adlı bu projede en verimli yaklaşımı sağlamak için iyi bilinen derin convolutional sinir ağı mimarileri üzerinde deneyler yapılmıştır. RecycleNet, geri dönüştürülebilir nesnelerin sınıflandırılması için dikkatlice optimize edilmiş derin convolutional sinir ağı mimarisidir. Önceden eğitilmiş ağırlıklar olmadan eğitim için, Inception-Resnet, Inception-v4, %90 test doğruluğu ile diğerlerinden daha iyi performans gösterdiği proje içinde belirtilmiştir. ImageNet kullanılarak transfer öğrenimi ve ağırlık parametrelerinin ince ayarı için DenseNet121, %95 test doğruluğu ile en iyi sonucu verdiğinden bahsedilmiştir. Çöpü geri dönüşüm kategorilerine sınıflandırmak için bir bilgisayar görüsü yaklaşımı, atıkları işlemenin etkili bir yolu olabilir. Artificial Intelligence in Automated Sorting in Trash Recycling[3] projesi çöp atık görüntülerini almayı ve bunları cam, kâğıt, metal ve plastik olmak üzere dört sınıfa ayırmayı amaçlamıştır. Her sınıf için yaklaşık 400 resim içeren bir çöp resim veriseti kullanılmıştır. Deneylerde kullanılan modeller Pre-trained VGG-16 (VGG16), AlexNet, Support Vector Machine (SVM), K-Nearest Neighbor (KNN) ve Random Forest (RF) olarak açıklanmıştır. Deneyler yapılarak modellerden %93 civarında doğruluk oranına ulaştığı belirtilmiştir. Stanford Üniversitesinde Bilgisayar Bilimleri bölümünde yapılmış olan Waste Object Detection and Classification[4] projesinde kolajlanmış bir görüntüdeki atıkların farklı parçalarını kategorilere ayırmaya çalışılmıştır: cam, plastik, kâğıt, çöp, metal, karton. Nesne algılama için Hybrid Transfer Learning for Classification ve Fine-Tune Faster R-CNN kullanılarak deneyler yapılmıştır. Atık sınıflandırma problemimizi tanımlanarak mevcut araştırmaları ve benzer nesne algılama problemlerine çözümler sunduklarından bahsedilmiştir. Ardından, GANs kullanarak kolajlar oluşturmak için önerilen mimarinin bir taslağını ve ayarlanmış bir Faster R-CNN kullanan belirli nesneyi algılamaya yaklaşmak için bir model verilmiştir. Temel olarak dengeli bir veri seti olan ve 6 farklı sınıfın (Cam, Kâğıt, Karton, Plastik, Metal, Çöp Kutusu) oluşturduğu TrashNet (Yang ve Thung, 2016) kullanılmıştır. Bu veri setinde 6 farklı etiketli sınıfın her biri yaklaşık 400 görüntüye sahiptir. Veri seti train/validation/test olarak (80/10/10) olarak bölünmüştür. Giriş verilerinin çözünürlüğü 512 × 384 × 3'tür. Bu veri seti daha sonra çevirme, döndürme, bölme, vb. Data Augmentation işlemleri ekleyerek genişletilmiştir. Ayrıca GAN harmanlaması görüntünün özelliklerini bulanıklaştırdığı ve performansa zarar verdiğini belirterek kullanmamaya karar verdiklerinden bahsetmişlerdir. Sonuç olarak Fine-Tune Faster R-CNN, 0,0002 öğrenme oranı için iyi nesne algılama sonuçları vermiştir. Western Carolina Üniversitesinde yapılan Trash And Recyclable Material Identification Using Convolutional Neural Networks[5] projesi bulduğumuz diğer bir çalışma. Yakınındaki çöpleri ayırt edip, bu çöpleri ilgili saklama alanına vakumlayarak toplayan bir akıllı çöp kutusu yapmayı planlayan bir çalışmadır. Bu çalışmada kendi model çalışmaları bulunmamaktadır. Metodoloji paylaşılan bu projede, derin öğrenme hakkında yapılan çalışmalardan, AlexNet modelinin başarısından ve convolutional neural network modellerinin amaçları doğrultusunda kullanılabileceğinden bahsetmişlerdir. Detection of Waste Materials Using Deep Learning and Image Processing[6] adındaki bu proje ise California State Üniversitesinde gerçekleştirilmiştir. Geri dönüşümün öneminden ve geri dönüşümde kullanılabilecek bir derin öğrenme metodunun kritik olabileceğinden bahsederek başlayan bu çalışmada nesne tanımada convolutional neural network (CNN) modellerinin bu konudaki başarılarından da bahsetmektedir. Atıkları renk, boyut, şekil ve hacim parametrelerini kullanarak ayırt etmeyi planlamış bir çalışmadır. Bu çalışmada Tensorflow Object Detection API ve Faster R-CNN tekniklerini birlikte kullanmışlardır. Bu çalışmanın diğerlerinden farkı ise toplu bir sınıflandırma yapmayı amaçlamaları. Bir çöp görselindeki birden fazla objeyi ayırt eden bir model geliştirilmesi amaçlanmıştır. Küresel ısınma farkındalığının arttığının farkındayız ancak bireysel anlamda aksiyonlar alma konusunda hala çok iyi değiliz. Geri dönüşümü doğru şekilde yapabilmek belki de bireysel olarak verilebilecek en iyi katkılardan biri. Bunu insanlar için kolay ve anlaşılabilir bir hale getirmek için derin öğrenmenin kullanılabileceği düşünülmektedir. Deep-learning Object Detection for Resource Recycling[7] araştırmasında, single shot multibox detector (SSD) ve faster region-based convolutional neural network (Faster R-CNN) modelleri kullanılarak bir derin öğrenme çalışması yapılmıştır. Bu çalışmada üç çeşit atığın tanınması üzerinde çalışılmıştır (kâğıt, bardak, plastik şişe, alüminyum şişe). SSD ve FRCNN için kayıp oranları sırasıyla 0.9244 ve 0.04388 elde edilmiş. Doğruluk oranları ise 92% ve 97% olarak tespit edilmiştir. Stanford Üniversitesinde Gary Thung ve Mindy Yang tarafından yapılmış bir proje[8]. CNN kullanılarak atıkların klasifikasyonu alanında bir proje geliştirilmiş ve bu proje kapsamında bir dataset oluşturulmuş. Bu datasette ‘cam, kâğıt, karton, plastik, metal ve çöp’ olmak üzere 6 farklı sınıf var. Her sınıftan yaklaşık 400-500 fotoğraf içeren bir dataset oluşturulmuş. Dataset’in küçüklüğü nedeniyle her resim üzerinde data augmentation uygulanmış. Bunlar resimlerin rastgele rotasyonu, parlaklık değişimi veya yakınlaştırma uzaklaştırma gibi işlemlerdir. Böylece daha varyasyonlu bir dataset elde edilmiş. Oluşturulan TrashNet isimli neural network mimarisi AlexNet’e benzer ama boyut ve filtre sayısı olarak daha küçük bir mimaridir. Eğitim sonucunda 25% gibi bir başarı oranına sahip olunsa da github dokümanında projenin gerçekleştirilmesinden sonra üzerinde çalışılıp 75% gibi bir başarı oranına ulaşıldığı belirtilmiştir. Bu projede[9] geri dönüştürülebilir obje tespiti amaçlanmıştır. Birçok atığın yan yana bulunduğu resimdeki her bir objenin tespit edilip hangi materyalden oldukları bulunacaktır. Öncelikle verilen bir resimdeki objenin metal/plastik/cam materyallerinden hangisinden yapıldığını bulan bir sınıflandırıcı yapılmış. Bu projede de dataset çok küçük olduğu için data augmentation uygulanmış. Sınıflandırıcı için Resnet50 CNN’i kullanılmış. 85% gibi bir başarı oranına erişmiştir. Sonuçlar üzerinde Feature Visualization kullanılarak sinir ağının görüntülerde nerelere baktığı araştırılmış ve bazı istenmeyen sonuçlar görülmüş. Bunlardan birisi ürünlerin etiketlerindeki yazılara odaklanması. Başarılı sonuçlar incelendiğinde ise yine anlaşılmıştır ki bu tarz çöplerdeki en önemli özellikler ürün etiketleri. Yapay sinir ağı genellikle ürün etiketi veya şişe kapağı gibi özelliklerle sınıflandırma yapmıştır. Kaynaklar [1] Pedro F. Proença, Pedro Simões, “TACO: Trash annotations in context for litter detection”, https://arxiv.org/pdf/2003.06975.pdf, March 2020. [2] Cenk Bircanoglu, M. Atay, Fuat Beser, Ozgun Genc, M. A. Kizrak, “RecycleNet: Intelligent waste sorting using deep neural networks”, https://www.semanticscholar.org/paper/RecycleNet%3A-Intelligent-Waste-Sorting-Using-Deep-Bircanoglu-Atay/44e9a393795ce7ccd61b7b1c91e7c83d8e42b94d, July 2018. [3] Bernardo S. Costa, Aiko C. S. Bernardes, Julia V. A. Pereira, Vitoria H. Zampa, Vitoria A. Pereira, Guilherme F. Matos, Eduardo A. Soares, Claiton L. Soares, Alexandre F. B. Silva, “Artificial intelligence in automated sorting in trash recycling”, https://www.semanticscholar.org/paper/Artificial-Intelligence-in-Automated-Sorting-in-Costa-Bernardes/41e643403e7d1b61a5cbd7f5baf0398254ec4f62, October 2018. [4] Hrushikesh N. Kulkarni, Nandini Kannamangalam Sundara Raman, “Waste object detection and classification”, CS230: Deep Learning, Stanford Unıversity, https://cs230.stanford.edu/projects_fall_2019/reports/26262187.pdf, 2018. [5] Rumana Sultana, “Trash and recyclable material identification using convolutional neural networks (cnn)”, Western Carolina Üniversitesi, http://libres.uncg.edu/ir/wcu/f/Sultana2020.pdf, April 2020. [6] Arghadeep Mitra, “Detection of waste materials using deep learning and ımage processing”, California State University, https://scholarworks.calstate.edu/downloads/gx41mn74q, December 2020. [7] Yeong-Lin Lai, Yeong-Kang Lai, Syuan-Yu Shih, Chun-Yi Zheng, “Deep-learning object detection for resource recycling”, https://www.researchgate.net/publication/343043299_Deep-learning_Object_Detection_for_Resource_Recycling, July 2020. [8] Gary Thung, Mindy Yang, “Garythung/trashnet: Dataset of images of trash; torch-based CNN for garbage image classification”, Stanford Üniversitesi, https://github.com/garythung/trashnet, October 2021. [9] GitHub, “Jenkspt/recycle: Created recycling data set to test transfer learning for classification and object detection of recycling (glass bottles, metal cans and plastic bottles)”, https://github.com/jenkspt/recycle, January 2019.