Exploring Machine Learning Methods for Plastic Classification
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2777884Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
I denne oppgaven utforsker vi forskjellige måter vi kan forbedre ytelsen til maskinlæringsmodeller ved å utvide datasett med forhåndsprosesserte bilder, samt hvilke dyp lærings-metoder for maskinsyn er best egnet til å klassifisere plastikk.Tre eksperimenter ble utført for å undersøke dette. Vi trente tre forskjellige maskinlærings modeller - InceptionResNetv2, SSD-VGG-300 og Mask-RCNN-resnet101 - ved bruk av seks forskjellige datasett. Resultatene viser at det å legge til transformerte kopier av originale bilder til et datasett ikke gir noen betraktelig økning i modellens ytelse, men øker tiden det tar å trene modellen proporsjonalt med mengden bilder som er lagt til. Videre finner vi at instanssegmentering, i dette tilfellet ved bruk av Mask-RCNN, kan anbefales, siden det viser god nok ytelse på et lite datasett og kan kategorisere mer enn en ting av gangen. Dette kommer med den nevneverdige kostnaden at instanssegmentering har et mye høyere ressurskrav i forbinnelse med å utvikle et datasett og at Mask-RCNN modellen bruker nesten 24 ganger så lang tid på å trene like mange epoker som InceptionResNetV2 modellen. In this paper we explore ways in which augmentations can be calculated once and added to a dataset for increased performance, as well as what type of deep learning machine vision method is best suited for plastic classification.Three experiments are conducted to investigate this, training three different machine learning models - InceptionResNetv2, SSD-VGG-300 and Mask-RCNN-resnet101 - using six different datasets. Results show that adding augmented copies of original images to a dataset does not increase model performance significantly, but increases training time proportionally to the amount of images added. Furthermore we find that instance segmentation, in this case using Mask-RCNN, can be recommended, since it shows good enough performance on the small dataset and can categorise more than one item at a time. This does come at the notable expense that instance segmentation has a lot higher cost of development for a dataset and the Mask-RCNN model needed almost 24 times as long to train an equal amount of epochs as The InceptionResNetv2 model.