Increasing waste production and inadequate waste management have further complicated global environmental problems. The limited natural resources and the damage caused by waste to the environment necessitate the improvement of waste management systems. Accurate and effective classification of waste provides both economic benefits and reduces environmental impacts. In this study, a hybrid approach is presented by combining deep learning, machine learning, and ensemble learning techniques to classify environmental waste. ResNet50, InceptionResNet-V2, and DenseNet169 models were used, and these models were fine-tuned using pre-trained weights. We created an ensemble model by combining the feature maps obtained from each model. Among the features extracted by the ensemble deep learning model, the most effective features were determined with ANOVA, Variance Threshold, Mutual Information, Random Forests, Lasso, RFE, PCA, and Ridge Regression feature selection methods. The selected features were classified with SVM, MLP and Random Forest, XGBoost, hard voting, and soft voting methods. This study presents the contributions of both individual and ensemble models for environmental waste classification. The effectiveness of the proposed method was tested on two different datasets, and its effectiveness was verified. The results show that the proposed method can make a significant contribution to waste management and recycling processes.
Waste classification ensemble learning machine learning deep learning features selection
2024-GAP-Mühe-0008
This study was supported by Gaziantep Islamic Science and Technology University Scientific Research Projects Coordination Unit under Project No: 2024-GAP-Mühe-0008.
Artan atık üretimi ve yetersiz atık yönetimi, küresel çevre sorunlarını daha da karmaşık hale gelmiştir. Doğal kaynakların sınırlılığı ve atıkların çevreye verdiği zararlar atık yönetim sistemlerinin iyileştirilmesini zorunlu kılmaktadır. Atıkların doğru ve etkili sınıflandırılması hem ekonomik fayda sağlamakta hem de çevresel etkileri azaltmaktadır. Bu çalışmada, çevresel atıkların sınıflandırmak için derin öğrenme, makine öğrenmesi ve topluluk öğrenme knikleri birleştirilerek hibrit bir yaklaşım sunulmuştur. ResNet50, InceptionResNet-V2 ve DenseNet169 modelleri kullanılmış ve bu modeller önceden eğitilmiş ağırlıklar kullanılarak fine-tuning yapılmıştır. Her bir modelden elde edilen özellik haritaları birleştirilerek ensemble bir model oluşturulmuştur. Ensemble deep learning modeli tarafından çıkarılan öznitelikler arasından ANOVA, Variance Threshold, Mutual Information, Random Forests, Lasso, RFE, PCA ve Ridge Regresyon özellik seçim yöntemleri ile en etkili öznitelikler belirlenmiştir. Seçilen öznitelikler SVM, MLP ve Random Forest, XGBoost, çoğunluk oylama ve yumuşak oylama yöntemleriyle sınıflandırılmıştır. Bu çalışma çevresel atık sınıflandırmak için hem bireysel modellerin hem de ensemble modellerin sağladığı katkıları ortaya koymaktadır. Önerilen yöntemin etkinliği iki farklı veri kümesinde test edilmiş ve etkinliği doğrulanmıştır. Elde edilen sonuçlar, önerilen yöntemin atık yönetimi ve geri dönüşüm süreçlerine anlamlı bir katkı sağlayabileceğini göstermiştir.
Atık sınıflandırma Topluluk öğrenme Makine öğrenmesi Derin öğrenme Öznitelik seçimi
2024-GAP-Mühe-0008
Bu çalışma Gaziantep İslam Bilim ve Teknoloji Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi tarafından 2024-GAP-Mühe-0008 nolu proje kapsamında desteklenmiştir.
Birincil Dil | İngilizce |
---|---|
Konular | Görüntü İşleme, Derin Öğrenme, Atık Yönetimi, Azaltma, Yeniden Kullanım ve Geri Dönüşüm |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Proje Numarası | 2024-GAP-Mühe-0008 |
Yayımlanma Tarihi | 3 Haziran 2025 |
Gönderilme Tarihi | 18 Şubat 2025 |
Kabul Tarihi | 21 Nisan 2025 |
Yayımlandığı Sayı | Yıl 2025Cilt: 28 Sayı: 2 |