تصنيف النفايات باستخدام التعلم العميق

الباحث

إسراء ناصر عبود حسن

المشرف

غيداء عبد العزيز مجيد الطالب

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

ماجستير

السنة

2023

لغة الرسالة

عربي

الكلمات المفتاحية

تصنيف النفايات ; التعلم العميق ; الشبكات العصبية الالتفافية ; إدارة النفايات

تعد إدارة النفايات Lala Lay Gass في العصر Surat) اذ تتطلب الزيادة المستمرة في إنتاج النفايات إستخدام التقنيات الذكائية للتخلص السليم منها والذي يمثل أهمية في ادارة النفايات الصلبة والتنمية المستدامة في ضوء تصنيف النفايات الصلبة و تحسين عملية إعادة التدوير وتعزيز الاقتصاد الدائري واستخلاص الموارد القيمة من النفايات ٠ هذا يقلل من الحاجة إلى استخدام الموارد الطبيعية الثمينة ويحد من الضرر البيئي الناجم عن استخراج تلك الموارد والحد من تلوث المواد الخطرة والتعامل معها بطرق صحية وآمنة. الهدف تصنيف النفايات الصلبة باستخدام خوارزميات التعلم العميق واستخدام النماذج المدرية مسبقا إذ تم جمع البيانات من موقع Kaggle مصدر بيانات مفتوح المصدر إذ بلغ العدد الكلي للصور )96675( صورة كانت مقسمة على ست أصناف (الورقء الكارتون، الزجاجء المعدن، Stall الملابس). كانت المرحلة الأولى هي بناء شبكة عصبية التفافية ("Convolutional Neural Networks") SIICNN تم بناؤها والتي قامت باستخراج السمات ثم تصنيفها بإستخدام أريع طبقات التفاف مع ثلاث طبقات متصلة بالكامل، تضمنت المعالجة المسبقة تحسين الصور وتغير حجمها من أجل تسريع العملية بحيث تكون أكثر فاعلية للشبكة العصبية الالتفافية، تم التدريب بإستخدام )80%( من البيانات، وتم استخدام النسبة المتبقة )20%( للإختبارات لتصنيف الصور. اذ حققت الشبكة المصممة دقة )88%( اما الطريقة الثانية للرسالة فقد تضمنت دراسة وتطبيق خوارزميات نقل (Transfer ale) (InceptionV3) التي حققت دقة )92%( و (VGG16) آواستخدام النماذج المدرية مسبقا مثل earning) حققت )94%( و (MobileNetV2) كانت )96%( وأظهررد ت النتائج التجريبية أن (EfficentNetBO) دقة بلغت )97%( ely على النتائج التجريبية، يمكن الاستنتاج أن النظام المقترح حقق كفاءة عالية في تصنيف أنواع النفايات الستة المحددة بنتيجة وصلت ل 997 حيث يؤدي إمكانية إدارة النفايات بشكل أفضلء وتعزيز عملية إعادة التدويرء والمساهمة في الاقتصاد الدائري، والاستفادة من الموارد القيمة المتاحة في النفايات. وبالتالي، يمكن تقليل الاعتماد على الموارد الطبيعية وتقليل التلوث البيئي .

المالحق Appendix Waste management is an important environmental challenge in the modern era, as the continuous increase in waste production requires the use of smart technologies for proper disposal. These technologies are important in solid waste management and sustainable development by classifying solid waste, improving the recycling process, promoting the circular economy, and extracting valuable resources from waste. This reduces the need to use precious natural resources and limits the environmental damage caused by the extraction of those resources and reduces the pollution of hazardous materials and handling them in healthy and safe ways. Therefore, this study aims to use deep learning algorithms and pre-trained models based on a transfer learning mechanism to classify solid waste. Deep learning approaches have been introduced in this field as they deal with images rather than features that increase the processing of trash. Convolutional Neural Networks (CNNs) are one of the most popular deep learning architectures in the field of computer vision. However, training CNNs from scratch can be computationally expensive and requires a large amount of labeled data. Transfer learning is a technique that addresses these challenges by leveraging pre-trained models on large datasets to improve the performance of other models using only smaller datasets. Firstly, the CNN was trained with a dataset that is available on the Kaggle website which is an open-source data source. The total number of images was about 9,675 divided into six categories (paper, cardboard, white glass, metal, plastic, and clothes) icand obtained an accuracy of about 88% for classifying the six classes. Secondly, the learning of CNN was transferred to evaluate and test four algorithms which are VGG16, InceptionV3, MobileNetV2, and EfficientNetB0 that achieved accuracies of 92%, 94 %, 95%, and 97% respectively, which showse that EfficientNetB0 that achived the highest accuracy. The results also showed that the transfer learning significantly improves the accuracy of CNNs for waste classification. Oriented to the experimental results, the system can provide a highly dynamic proposal in the various types of waste identified for 97% where it leads to the possibility of better management of waste recycling, to assist in recycling technology, and to contribute to the economic cordon, invested from the valuable available resources available in the waste. Thus, dependence on natural resources and environmental pollution can be reduced

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب