Akademik Veri Yönetim Sistemi
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.41, sa.1, ss.242-253, 2025 (Hakemli Dergi)
Atıkların sınıflandırılmasının efektif bir şekilde yapılması, küresel ısınmaya karşı alınacak önlemlerden bir tanesidir. Bu sürecin geleneksel yöntemler yerine daha pratik yöntemlerle, yani yapay zekâ aracılığıyla yapılması sürece katkı sağlayacaktır. Bu çalışmada 9 atık sınıfı içeren RealWaste veri seti kullanılarak, transfer öğrenme yoluyla sınıflandırılma işlemi gerçekleştirilmiştir. Derin öğrenme ağlarının sınıflandırma başarısının test edilmesi için dört farklı senaryo ele alınmıştır. Ayrıca veri artırımının sınıflandırma sürecine etkisi araştırılmıştır. Çalışmada AlexNet, GoogLeNet, MobileNet, ResNet serisi, VGG serisi ve Inception_v3 ağları tercih edilmiştir. Ağların son 2 katmanı eğitilirken, diğer katmanları dondurulmuştur. Veri artırımı için geometrik dönüşümler tercih edilmiştir. Veri seti üzerinde ek işlemler yapılmadan en yüksek başarı %91,57 olarak ResNet50 ağıyla elde edilmiştir. Veri artırımı yapıldığında ise Inception_v3 ağıyla %99,912’lik sınıflandırma başarısı elde edilmiştir. Veri artırımının sınıflandırma başarısına pozitif etki ettiği gözlemlenmiştir.
Effective classification of waste is one of the precautions to be taken against global warming. Carrying out this process with more practical methods instead of traditional methods, namely through artificial intelligence, will contribute to the process. In this study, classification process was conducted via transfer learning while using RealWaste dataset which contains 9 waste classes. Four different scenarios were considered to test the classification performance of the deep learning networks. Besides, the effect of data augmentation on the classification process was investigated. AlexNet, GoogLeNet, MobileNet, ResNet versions, VGG versions and Inception_v3 networks were preferred in this study. While the last 2 layers of the networks were trained, the other layers were frozen. Geometric transformations were preferred for data augmentation. The highest performance acquired without doing any additional processes on the data set was 91.57% with ResNet50 network. When data augmentation was made, 99.912% classification performance was achieved with the Inception_v3 network. It was observed that data augmentation affected the classification performance in a positive way.