Ứng dụng mạng nơ-ron tích chập trong công nghệ học sâu xây dựng mô hình phân loại rác thải tự động

Bài viết "Ứng dụng mạng nơ-ron tích chập trong công nghệ học sâu xây dựng mô hình phân loại rác thải tự động" trình bày việc ứng dụng mạng nơ-ron tích chập - một kỹ thuật hiệu quả trong công nghệ học sâu để giải quyết vấn đề thực tế của quản lý chất thải thông minh: phân loại rác thải tại nguồn nhằm hỗ trợ các nhiệm vụ tái chế tiếp theo. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng nơ-ron tích chập trong công nghệ học sâu xây dựng mô hình phân loại rác thải tự động ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP TRONG CÔNG NGHỆ HỌC SÂU XÂY DỰNG MÔ HÌNH PHÂN LOẠI RÁC THẢI TỰ ĐỘNG Th.S Nguyễn Thanh Tuấn, Hà Minh Đức, Đinh Thị Hà Phương, Nguyễn Sơn Tùng, Khoa Toán Kinh Tế, Đại học Kinh Tế Quốc Dân Tóm tắt Việc quản lý chất thải trong môi trường đô thị đã và đang trở thành một vấn đề phức tạp do lượng rác thải sinh hoạt không được phân loại ngày càng gia tăng. Sự phát triển vượt bậc của các kỹ thuật học sâu đã giúp thị giác máy tính đạt được những thành tựu nhất định trong lĩnh vực Nhận dạng ảnh, trong đó có bài toán nhận dạng và phân loại rác thải. Trong bài viết này, rác thải được phân thành ba loại chính: rác thải tái chế (nhựa, giấy, thủy tinh-kim loại), rác thải hữu cơ và rác thải không tái chế. Mô hình của nhóm nghiên cứu đạt độ dự đoán chính xác 87.50% trên tập dữ liệu thử nghiệm. Việc phân loại rác thải tự động sẽ giúp giảm thiểu một số các vấn đề phức tạp như năng suất phân loại, hạn chế tình trạng chất thải tái chế trộn lẫn với chất thải không tái chế. Mô hình phân loại rác thải tự động cũng là một giải pháp thân thiện hơn với người dùng vì họ sẽ không phải lo lắng về việc vứt rác vào đúng khoang phân loại. Nghiên cứu này trình bày việc ứng dụng mạng nơ-ron tích chập - một kỹ thuật hiệu quả trong công nghệ học sâu để giải quyết vấn đề thực tế của quản lý chất thải thông minh: phân loại rác thải tại nguồn nhằm hỗ trợ các nhiệm vụ tái chế tiếp theo. Từ khóa: phân loại rác thải, học sâu, mạng nơ-ron tích chập, học chuyển giao, ResNet 1. Đặt vấn đề Theo báo cáo của Ngân hàng Thế giới, mỗi năm có gần 4 tỷ tấn rác thải ra trên toàn cầu. Lượng rác thải chiếm tỉ trọng lớn chủ yếu bắt nguồn từ đô thị và được dự đoán sẽ tăng 70% vào năm 2025. Với sự gia tăng số lượng các ngành công nghiệp ở khu vực đô thị, việc xử lý chất thải tái chế, bao gồm giấy, nhựa, kim loại, thủy tinh, rác thải hữu cơ và rác thải vô cơ đang thực sự trở thành một vấn đề bức thiết của toàn xã hội. Theo báo cáo của Viện Toàn cầu McKinsey (MGI), công bố ngày 12/09/2018 tại Diễn đàn Kinh tế Thế giới (WEF) ở Hà Nội, Việt Nam nằm trong số 18 nền kinh tế được đánh giá là 'đạt hiệu quả vượt trội hơn' trong vòng 50 năm qua. Song chính quá trình tăng trưởng kinh tế và công nghiệp hóa nhanh của Việt Nam một phần cũng dẫn đến những vấn đề bức thiết về môi trường, gây nên những tác động tiêu cực ngày một gia tăng đối với hệ sinh thái và tài nguyên thiên nhiên. Đô thị hóa, tăng trưởng kinh tế và bùng nổ dân số đang đặt ra những thách thức ngày một lớn hơn về xử lý ô nhiễm và quản lý chất thải. Hiện nay, phương pháp chính để quản lý chất thải là chôn lấp tại các hố rác. Phương pháp này không đem lại hiệu quả cao, tốn kém tài nguyên, gây ô nhiễm môi trường tự nhiên, ảnh hưởng tiêu cực đến sức khỏe của những người dân sống gần bãi rác cũng như những công nhân thu gom phế liệu. Một cách quản lý chất thải khác là đốt rác nhưng phương pháp này có thể gây ô nhiễm không khí nặng nề, ngoài ra, một số chất độc hại từ chất thải phát tán vào không khí còn có thể gây ung thư. Do đó cần phải phân tách 264 chất thải thành các thành phần khác nhau có thể được tái chế bằng các cách khác nhau, từ đó góp phần bảo vệ môi trường và sức khỏe con người. Hiện nay quy trình tái chế đòi hỏi các cơ sở tái chế phải phân loại rác thải theo cách thủ công. Do đó, việc phân loại rác thải đã thu hút nhiều nhà nghiên cứu ứng dụng thị giác máy tính để giải quyết bài toán này. Việc ứng dụng công nghệ học sâu trong lĩnh vực phân loại rác thải có tiềm năng làm nhà máy tái chế rác hoạt động hiệu quả hơn. Điều này sẽ không chỉ đem đến những tác động tích cực tới môi trường mà còn hiệu quả về mặt kinh tế. Gần đây, Salimi et al. (2018) [1] đã phát triển một robot thùng rác có thể phát hiện và phân loại rác thành rác hữu cơ và không hữu cơ. Robot này sẽ đi đến những nơi công cộng để quét và xử lý thùng rác tự động. Trong khi đó, Y. Chu et al. (2018) [2] đã giới thiệu một hệ thống mạng nơ-ron học sâu để tự động phân loại rác thải của các hộ gia đình ở khu vực đô thị. Mô hình này sử dụng thuật toán dựa trên mạng nơ-ron tích chập để trích xuất các đặc trưng từ dữ liệu và phương pháp perceptron nhiều lớp (MLP) để hợp nhất đặc trưng ảnh và các thông tin đặc trưng khác để phân loại chất thải vào một trong hai nhóm có thể tái chế hoặc những chất thải khác. M. Yang và G. Thung đã phát hành tập dữ liệu TrashNet (2016) [3], thường được sử dụng để đánh giá các mô hình phân loại rác. Tuy nhiên, những mô hình này không hiệu quả trong trường hợp lớp chứa nhiều đối tượng. Do đó, hiệu suất của các mô hình trên tập dữ liệu này vẫn cần được cải thiện. Hơn nữa, các phương pháp này cũng cần được xác minh trên những bộ dữ liệu liên quan khác, cụ thể trong nghiên cứu này là rác thải sinh hoạt, thu được từ địa điểm công cộng và các hộ gia đình tại Việt Nam. Nghiên cứu này xây dựng Neu-bin, một mô hình dựa trên mạng nơ-ron tích chập đã được huấn luyện có tên là ResNet-50. Những đóng góp chính của nghiên cứu này như sau: (1) Nghiên cứu lần đầu tiên thu thập 2137 hình ảnh rác thải thuộc năm lớp khác nhau để tạo bộ dữ liệu Viet-trash. Với bản chất dữ liệu và mục đích nghiên cứu hướng tới các giải pháp góp phần bảo vệ môi trường và hỗ trợ nguồn cung phù hợp cho các nhà máy tái chế, dữ liệu được phân thành ba nhóm chính, trong đó:  Nhóm 1. Rác thải tái chế: do phạm vi nghiên cứu giới hạn trong rác thải sinh hoạt tại các hộ gia đình và khu vực công cộng tại thành phố Hà Nội nên nhóm 1 sẽ tập trung chủ yếu vào ba loại rác chính gồm giấy, nhựa và thủy tinh - kim loại. Nhóm nghiên cứu quyết định hợp nhất thủy tinh và kim loại thành một nhóm do mức độ phổ biến của hai loại này tại các hộ gia đình và khu vực tập trung đông n ...