ارائه روشی جدید جهت طبقه بندی زباله های ارگانیک و قابل بازیافت با استفاده از شبکه عصبی همگشتی عمیق

علی نوشاد¹ رضا کرمی² احمدرضا خنکسار³

1) دانشجوی کارشناسی مهندسی کامپیوتر, دانشگاه سلمان فارسی کازرون -
2) دانشجوی کارشناسی مهندسی برق، دانشگاه سلمان فارسی کازرون -
3) دانشجوی کارشناسی مهندسی، کامپیوتر موسسه آموزش عالی زند -

کد IOI مقاله : XCAZ-EHZZB
محل انتشار : دومین کنگره بین المللی علوم و مهندسی - پاریس(parisconf.com)
چکیده :
    دفع زباله تاثیر مستقیم و غیر مستقیم بر زندگی انسان ها و محیط زیست دارد. زباله می تواند حین استخراج و یا مراحل تولید مواد خام تولید شود و یا حاصل استفاده از محصولات شیمیایی و فعالیت های انسان ها باشد. زباله ها را می توان به صورت زیر دسته بندی کرد: زباله های صنعتی، زباله های پزشکی (بیمارستانی) و زباله های خانگی. دفع نامناسب زباله ها میتواند خطراتی را برای همه ی گونه های زنده از طریق آلوده کردن هوا، آب و خاک داشته باشد. روش اصلی دفع زباله، دفع آن در زمین است که روشی ناکاآمد و گران می باشد و باعث آلودگی محیط زیست می شود. برای جلوگیری از پخش بیماری اولین تلاش بازیافت مواد معقول مانند آهن قراضه، کاغذ و چوب بود. بازیافت از نظر اقتصادی و زیست محیطی فرایندی بسیار مهم محسوب می‌شود، بنابراین بازیافت کارآمد برای آینده‌ای روشن بسیار حائز اهمیت میباشد. لذا برای بازیافت کارآمدتر و ایمن‌تر استفاده از سیستم های هوشمند ضروری است. به منظور ارائه رویکردی کارآمد، یک معماری جدید شبکه عصبی همگشتی عمیق به عنوان یک روش مبتنی بر یادگیری عمیق جهت شناسایی اشیاء ارگانیک و قابل بازیافت پیشنهاد شد. در این میان از تصاویر RGB اشیاء ارگانیک و قابل بازیافت برای آموزش و آزمایش مدل استفاده شد. مدل پیشنهادی ارائه شده در این پژوهش، در طبقه بندی اشیاء ارگانیک و قابل بازیافت، به دقت 92.9 درصد دست یافت و طبق نتایج ارزیابی مدل، مدل پیشنهادی، براساس معیارهای دقت، درستی، حساسیت و امتیاز F، نسبت به معماری موجود در یادگیری عمیق عملکرد بهتری را در طبقه بندی اشیاء ارگانیک و قابل بازیافت از خود نشان داده است. نتایج بدست آمده از این مطالعه نشان می‌دهد که معماری پیشنهادی CNN نویدبخش استفاده از هوش مصنوعی (یادگیری عمیق) به نمایندگی از آگاهی زیست محیطی است.

کلمات کلیدی : پردازش تصویر یادگیری عمیق شبکه عصبی همگشتی طبقه بندی زباله