Intelligent solid waste classification system using combination of image processing and machine learning models نظام ذكي لتصنيف النفايات الصلبة باستخدام مزيج من معالجة الصور ونماذج التعلم الآلي Système intelligent de classification des déchets solides utilisant une combinaison de modèles de traitement d'image et d'apprentissage automatique Sistema inteligente de clasificación de residuos sólidos que utiliza una combinación de modelos de procesamiento de imágenes y aprendizaje automático

Abstract Solid waste is a major issue in all countries around the world. Solid waste classification and segregation prior to reuse, recycling or recovery is an important step toward sustainable waste management. Traditional manual sorting of solid waste is a labour intensive process that may pose health risks to the workers. Currently, automated classification of solid waste using machine learning techniques are widely applied. This study is aiming to develop an automated waste classification model by testing traditional and deep machine learning models. To achieve that, both open (Trashnet) and generated datasets were used in the model training and testing. The study results showed relatively low prediction capability of the traditional machine learning models like Random Forest (RF) and Support Vector Machine (SVM) as compared to the deep machine learning Convolutional Neural Network (CNN). The testing of the three models on a combined data set of Trashnet with local garbage data set resulted in accuracy of 62.5% for SVM, 72.0% for RF and 92.7% for CNN. JONET deep learning model has been developed using a combination of pre-trained base model (DenseNet 201) with a new architicture that contains a fully connected layer in the classification stage with 1024 neurons. The model is capable to identify six classes of solid waste items with various accuracies. When tested on the Trashnet, the accuracy was 96.06%, while testing on the local garbage dataset gave an accuracy of 94.40%. JONET has been tested also on multi object images which gave an acceptable prediction accuracy. تعتبر النفايات الصلبة المجردة قضية رئيسية في جميع البلدان حول العالم. يعد تصنيف النفايات الصلبة وفصلها قبل إعادة استخدامها أو إعادة تدويرها أو استعادتها خطوة مهمة نحو الإدارة المستدامة للنفايات. الفرز اليدوي التقليدي للنفايات الصلبة هو عملية كثيفة العمالة قد تشكل مخاطر صحية على العمال. في الوقت الحالي، يتم تطبيق التصنيف الآلي للنفايات الصلبة باستخدام تقنيات التعلم الآلي على نطاق واسع. تهدف هذه الدراسة إلى تطوير نموذج آلي لتصنيف النفايات من خلال اختبار نماذج التعلم الآلي التقليدية والعميقة. ولتحقيق ذلك، تم استخدام كل من مجموعات البيانات المفتوحة (Trashnet) والمولدة في التدريب على النموذج واختباره. أظهرت نتائج الدراسة قدرة تنبؤ منخفضة نسبيًا لنماذج التعلم الآلي التقليدية مثل Random Forest (RF) و Support Vector Machine (SVM) مقارنة بالشبكة العصبية الالتفافية للتعلم الآلي العميق (CNN). أدى اختبار النماذج الثلاثة على مجموعة بيانات مشتركة من شبكة المهملات مع مجموعة بيانات القمامة المحلية إلى دقة 62.5 ٪ لـ SVM و 72.0 ٪ لـ RF و 92.7 ٪ لـ CNN. تم تطوير نموذج التعلم العميق JONET باستخدام مزيج من النموذج الأساسي المدرب مسبقًا (DenseNet 201) مع بنية جديدة تحتوي على طبقة متصلة بالكامل في مرحلة التصنيف مع 1024 خلية عصبية. النموذج قادر على تحديد ست فئات من مواد النفايات الصلبة بدقة مختلفة. عند الاختبار على شبكة المهملات، كانت الدقة 96.06 ٪، بينما أعطى الاختبار على مجموعة بيانات القمامة المحلية دقة 94.40 ٪. تم اختبار JONET أيضًا على صور متعددة الكائنات والتي أعطت دقة تنبؤ مقبولة. Résumé Les déchets solides sont un problème majeur dans tous les pays du monde. La classification et la séparation des déchets solides avant leur réutilisation, leur recyclage ou leur récupération constituent une étape importante vers une gestion durable des déchets. Le tri manuel traditionnel des déchets solides est un processus à forte intensité de main-d' œuvre qui peut présenter des risques pour la santé des travailleurs. Actuellement, la classification automatisée des déchets solides à l'aide de techniques d'apprentissage automatique est largement appliquée. Cette étude vise à développer un modèle automatisé de classification des déchets en testant des modèles d'apprentissage automatique traditionnels et profonds. Pour y parvenir, des ensembles de données ouverts (Trashnet) et générés ont été utilisés dans la formation et les tests du modèle. Les résultats de l'étude ont montré une capacité de prédiction relativement faible des modèles traditionnels d'apprentissage automatique comme Random Forest (RF) et Support Vector Machine (SVM) par rapport au Deep Machine Learning Convolutional Neural Network (CNN). Les tests des trois modèles sur un ensemble de données combinées de Trashnet avec un ensemble de données locales sur les déchets ont permis d'obtenir une précision de 62,5 % pour SVM, 72,0 % pour RF et 92,7 % pour CNN. Le modèle d'apprentissage profond JONET a été développé en utilisant une combinaison de modèle de base pré-entraîné (DenseNet 201) avec une nouvelle architecture qui contient une couche entièrement connectée au stade de la classification avec 1024 neurones. Le modèle est capable d'identifier six classes de déchets solides avec différentes précisions. Lorsqu'il a été testé sur le Trashnet, la précision était de 96,06 %, tandis que les tests sur l'ensemble de données des ordures locales ont donné une précision de 94,40 %. JONET a également été testé sur des images multi-objets qui ont donné une précision de prédiction acceptable. Resumen Los residuos sólidos son un problema importante en todos los países del mundo. La clasificación y segregación de los residuos sólidos antes de su reutilización, reciclaje o recuperación es un paso importante hacia la gestión sostenible de los residuos. La clasificación manual tradicional de residuos sólidos es un proceso laborioso que puede plantear riesgos para la salud de los trabajadores. Actualmente, la clasificación automatizada de residuos sólidos mediante técnicas de aprendizaje automático se aplica ampliamente. Este estudio tiene como objetivo desarrollar un modelo automatizado de clasificación de residuos mediante la prueba de modelos tradicionales y de aprendizaje automático profundo. Para lograrlo, se utilizaron conjuntos de datos abiertos (Trashnet) y generados en la capacitación y las pruebas del modelo. Los resultados del estudio mostraron una capacidad de predicción relativamente baja de los modelos tradicionales de aprendizaje automático como Random Forest (RF) y Support Vector Machine (SVM) en comparación con la Red neuronal convolucional de aprendizaje automático profundo (CNN). Las pruebas de los tres modelos en un conjunto de datos combinado de Trashnet con un conjunto de datos de basura local dieron como resultado una precisión del 62.5% para SVM, 72.0% para RF y 92.7% para CNN. El modelo de aprendizaje profundo JONET se ha desarrollado utilizando una combinación de modelo base pre-entrenado (DenseNet 201) con una nueva arquitectura que contiene una capa totalmente conectada en la etapa de clasificación con 1024 neuronas. El modelo es capaz de identificar seis clases de elementos de residuos sólidos con diversas precisiones. Cuando se probó en la Trashnet, la precisión fue del 96.06%, mientras que las pruebas en el conjunto de datos de basura local dieron una precisión del 94.40%. JONET también se ha probado en imágenes multiobjeto que proporcionaron una precisión de predicción aceptable.