Detektering av feilsorterte materialer i avfallsposer Utviklingen av et system for å analysere husholdningsavfallsposer med lydopptak og metalldeteksjon ved hjelp av kunstige nevrale nettverk

Abstract

I denne oppgaven undersøkes muligheten for å benytte maskinlæring til å indentifisere glass og metall i kommunalt avfall. Systemet bruker lyd og metalldetektormålinger fra et eksperimentelt oppsett som input for maskinlæringsmodellen. Eksperimentet var konstruert for å simulere tømming av avfall i en avfallsinnsamlingsbil siden denne lokasjonen var det tiltenkte stedet for implementering. Eksperimentet involverte tømming av én pose av gangen, siden det ble ansett som et nødvendig førstesteg. Maskinlæringsmodellen som ble benyttet var en CNN-modell, utviklet iterativt gjennom en ablasjonsstudie. Både multiclass-klassifisering og multilabeling-klassifisering ble testet. Multilabeling var den foretrukne fremgangsmåten, hvor en treffsikkerhet på 96,25% ble oppnådd på uavhengig testdata. Disse resultatene ble oppnådd ved bruk av kondensatormikrofoner, en "Beat-frequency oscillation" metalldetektor, og både Mel-spektrogrammer og MFCC spektrogrammer til å representere lydopptakene. Resultatene viser at systemet fungerer bra for identifisering av glass og metall i individuelle poser, og virker derfor lovende for implentering i den foreslåtte lokasjonen, i tillegg til andre områder. Systemet vil riktignok kreve ytterligere testing etter installasjon på en avfallsbil ettersom det kun ble testet i en eksperimentell sammenheng.

In this thesis, the application of machine learning to identify glass and metal in municipal waste is investigated. The system utilizes sound and metal detector data from an experimental setup as inputs for the machine learning model. The experiment was made to simulate the emptying of waste performed by a waste collection truck, as this location was the intended implementation location. The experiment involved the emptying of one bag at a time, as it was seen as a necessary first step. The machine learning model used was a CNN model, developed iteratively through an ablation study. Both multiclass classification and multilabel classification was tested. Multilabeling was the favored approach where an accuracy of 96.25% was reached on independent test data. These were obtained using condenser microphones, a Beat-frequency oscillation metal detector, and both Mel spectrograms and MFCC spectrograms to represent the sound recordings. The results shows that the system works well for identifying glass and metal in singular bags, and thereby shows promise in the proposed location, as well as other implementation areas. The system will however require some additional testing after installation on a collection truck, as it was only tested in the experimental setting.