Geri Dön

Derin öğrenme mimarileri kullanılarak çöp sınıflandırma

Waste classification using deep learning architectures

PDF İndir

  1. Tez No: 1001686
  2. Yazar: EDA DALGA
  3. Danışmanlar: PROF. DR. RIDVAN SARAÇOĞLU, DOÇ. DR. EMİNE OKUMUŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Van Yüzüncü Yıl Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Çevresel sürdürülebilirliğe yönelik endişelerin arttığı günümüzde, atık yönetimi önemli bir sorundur. Atıkların doğru bir şekilde nasıl sınıflandırılacağı ve insan yaşamının kalitesinin nasıl iyileştirileceği dünya çapında ortak bir endişe kaynağıdır. Özellikle organik ve geri dönüştürülebilir (inorganik) çöplerin yüksek doğrulukta ve performansta sınıflandırılması, çevresel etkiyi ve ekonomik kayıpları azaltmak için oldukça önemlidir. Geleneksel olarak uygulanan manuel sınıflandırma yöntemleri genellikle hataya açık ve verimsizdir. Yenilikçi teknolojilerin kullanımı, geri dönüşüm sektörüne önemli ölçüde fayda sağlamaktadır. Bilgisayarlı görme, çöpleri tanımlayarak ve kategorilere ayırarak çevre dostu bir sınıflandırma yaklaşımı sunmaktadır. Bu çalışmadaki amaç organik atıkları inorganik atıklardan ayırmaktır. Bu amaca uygun olarak çalışmada çöplerin sınıflandırılmasında kullanılan birinci veri seti Kaggle'dan alınan“Waste Images”adlı 9 sınıflı, 8346 görüntülü açık kaynak veri setinden en anlamlı ve verimli görüntüler seçilerek 580 organik, 575 inorganik toplamda 1155 veriyle oluşturulmuştur. İkinci veri seti ise yine Kaggle'dan alınan“Recyclable Waste Images”adlı 9 sınıflı 3180 görüntülü açık kaynak veri setinden organik çöp diye adlandırılan sınıftaki 325 görüntü, diğer organik olmayan 8 sınıftan da en anlamlı 325 görüntü toplamda 650 veriyle oluşturulmuştur. Bu veri setleri kullanılarak ResNet-50 (Residual Network), YOLOv11 (You Only Look Once, version 11) ve Vision Transformer (ViT) modellerinin performans analizi gerçekleştirilmiştir. Elde edilen sonuçlarda doğruluk oranları ilk veri setinde sırasıyla %97.84 - %96.20 - %97.66 ikinci veri setinde ise %97.85 - %94.21 - %98.00 olup en kararlı ve yüksek doğruluk ViT modeline ait bulunmuştur. Bununla birlikte çalışmada kullanılan 3 modelin de doğruluk ve öğrenme performanslarının yüksek seviyede olduğu açıktır. Bu çalışmada, çoklu atık sınıflandırma yaklaşımlarından farklı olarak yalnızca organik ve inorganik atıkların ayrımına odaklanılmış olup, bu iki atık türünün yapısal özelliklerindeki belirgin farklılıkların ayrıştırılması; enerji geri kazanımı, kompost üretimi ve çevresel sürdürülebilirlik başta olmak üzere çeşitli çevresel yönetim süreçlerine doğrudan katkı sağlamaktadır.

Özet (Çeviri)

In recent years, increasing concerns regarding environmental sustainability have made waste management a significant issue. How waste should be properly classified and how the quality of human life can be improved constitute a shared global concern. In particular, the high-accuracy and high-performance classification of organic and recyclable (inorganic) waste is crucial for reducing environmental impacts and economic losses. Traditionally employed manual classification methods are generally prone to errors and inefficiency. The adoption of innovative technologies provides substantial benefits to the recycling sector. Computer vision offers an environmentally friendly classification approach by identifying and categorizing waste materials. The primary aim of this study is to distinguish organic waste from inorganic waste. To achieve this objective, the first dataset used in the study was constructed from the open-source Kaggle dataset“Waste Images,”which originally contains 9 classes and 8346 images. The most meaningful and representative images were selected, resulting in a balanced dataset of 580 organic and 575 inorganic images, totaling 1155 samples. The second dataset was created from another open-source Kaggle dataset,“Recyclable Waste Images,”which includes 9 classes and 3180 images. From this dataset, 325 images belonging to the“organic”category and 325 images selected from the remaining 8 non-organic classes were used, yielding a total of 650 samples. Using these datasets, the performance of ResNet-50 (Residual Network), YOLOv11 (You Only Look Once, version 11) and Vision Transformer (ViT) models was evaluated. The obtained results demonstrated accuracy scores of 97.84% - 96.20% - 97.66% for the first dataset and 97.85% - 94.21% - 98.00% for the second dataset, respectively. Among these, ViT achieved the most stable and highest performance. Nevertheless, all three models exhibited strong learning capability and high classification accuracy. Unlike multi-class waste classification approaches, this study focuses exclusively on distinguishing between organic and inorganic waste. The clear structural differences between these two types of waste enable more effective separation and contribute directly to various environmental management processes, particularly energy recovery, compost production, and broader sustainability efforts.

Benzer Tezler

  1. Tez No

    884177

    Çevresel atıkların sınıflandırılmasında derin öğrenmeye dayalı yaklaşımların uygulanması

    Application of deep learning-based approaches in classifying environmental wastes

    ELİF NUR YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriMalatya Turgut Özal Üniversitesi

    Enformatik Ana Bilim Dalı

    DOÇ. DR. HARUN BİNGÖL

  2. Tez No

    999347

    Bridging causal discovery and graph neural networks: a comparative perspective

    Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı

    MUHAMMED ÖMER TAYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. SEFER BADAY

  3. Tez No

    774149

    Learning markerless robot-depth camera calibration and end-effector pose estimation

    Öğrenim tabanlı robot-3B kamera harici kalibrasyonu ve uç efektörpozisyonu tahmini

    BUĞRA CAN SEFERCİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ AKGÜN

  4. Tez No

    982447

    Proactivity in robotics: Towards learning to help without being helped

    Robotikte proaktiflik: Yardım almaksızın yardım etmeyi öğrenmeye doğru

    HUZAİFA SALAH UD DİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. SALİH ÖZGÜR ÖĞÜZ

  5. Tez No

    729816

    Derin öğrenme mimarileri kullanılarak ayrık video görüntüleri üzerinden işaret dili tanıma

    Isolated sign language recognition using deep learning architectures

    CEMİL GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN POLAT

Geri Dön