ConvNeXt V2 EMA dikkati ve WIoU v3 kaybı kullanarak inşaat atığı tespiti için derin öğrenme

İnşaat döküntülerinin daha akıllı ayrıştırılmasının önemi

Her yeni bina, yenileme veya yıkım dağlarca moloz üretir—kırık beton, tuğla, fayans, ahşap, köpük ve daha fazlası. Bu malzemelerin çoğu geri dönüştürülebilirken, elle ayrıştırma yavaş, maliyetli ve hata yapmaya elverişli olduğu için sıklıkla nihayetinde çöplüklere gömülür. Bu çalışma, gelişmiş bir yapay zekânın görüntülerden farklı inşaat atığı türlerini otomatik olarak tanıyıp ayırarak şehirlerin kirliliği azaltmasına, hammaddeden tasarruf etmesine ve yapı kaynaklarının gerçek bir döngüsel kullanımına yaklaşmasına nasıl yardımcı olabileceğini inceliyor.

Döküntü, kaynaklar ve büyüyen küresel sorun

İnşaat ve yıkım atığı artık dünyanın en hızlı büyüyen atık akımlarından biri; yılda yaklaşık bir milyar ton üretiliyor. Bu yığınlar araziyi tüketir, toprağı ve suyu kirletme riski taşır ve üretimleri için enerji ve emisyon gerektiren malzemelerin israfına yol açar. Bugün muamele hâlâ büyük ölçüde depolama ve stoklamaya dayanıyor. Beton ile tuğlayı, fayans ile ahşabı veya köpüğü alçıpanından hızla ayırabilen otomatik görüş sistemleri geri dönüşüm oranlarını dramatik şekilde iyileştirebilir. Ancak gerçek dünya şantiyeleri kaotiktir: nesneler üst üste biner, tozla kaplıdır ve benzer renk ve dokular paylaşır; bu da güvenilir otomatik tanımayı zorlaştırır.

Konveyördeki atık için yeni dijital bir "göz"

Yazarlar, popüler gerçek zamanlı görüş modelleri ailesi YOLO üzerine inşa edilmiş YOLO‑CEW adlı özel bir nesne tespit sistemi sunuyor. Kıbrıs’taki bir geri dönüşüm tesisinde çekilmiş 1.774 görüntüden oluşan ve beton, tuğla, fayans, alçıpan, ahşap ve köpük olmak üzere altı yaygın kategoride 11.000’den fazla etiketli parça içeren özel bir veri kümesi üzerinde eğitiliyor. Aşırı öğrenmeyi önlemek için görüntüler eğitim, doğrulama ve test setlerine ayrılıyor ve sonuçların sağlamlığını sağlamak amacıyla model farklı rastgele başlangıçlarla birden çok kez çalıştırılıyor. Amaç, sistemi hareketli konveyör bantlarında kullanılabilecek kadar hızlı tutarken her moloz parçasını bulma ve etiketleme doğruluğunu önemli ölçüde artırmak.

Geliştirilmiş yapay zeka daha yakından bakıyor ve hatalarından öğreniyor

YOLO‑CEW, temel YOLOv8 modeline üç önemli şekilde geliştirme getiriyor. Birincisi, seçilmiş aşamalarda ConvNeXt V2 adlı daha yeni bir özellik çıkarıcı omurgayı kullanıyor; bu omurga, fayans ile beton arasındaki ince desenler gibi hassas görsel farklılıkları yakalamada daha iyi, ama sistemi çok yavaşlatmıyor. İkincisi, ağın farklı ölçeklerde en bilgilendirici bölgelere odaklanmasını öğreten Verimli Çok‑ölçekli Dikkat (EMA) modülünü ekliyor; bu, büyük plakaları ve küçük, kısmen gizli kırıntıları bulma yeteneğini artırırken dikkat dağıtan arka planı görmezden gelmeyi sağlıyor. Üçüncüsü, eğitim kayıp fonksiyonunu WIoU v3 ile güncelliyor; bu fonksiyon çok kötü sınırlayıcı kutu tahminlerine daha düşük ağırlık verip öğrenmeyi daha umut verici örneklere yoğunlaştırarak modelin gerçek nesnelerin etrafında kutuları sıkılaştırmasına yardımcı oluyor ve gürültülü örneklerden yanıltılmasını azaltıyor.

Modeli gerçekçi koşullarda teste sokmak

İnşaat atığı veri kümesinde YOLO‑CEW, orijinal YOLOv8 temel modele kıyasla daha yüksek olan %96,84 hassasiyet, %95,95 duyarlılık ve %98,13 genel tespit skoru (mAP@50) elde ediyor. Pratikte bu, daha az nesneyi kaçırdığı ve daha az yanlış alarm verdiği anlamına geliyor. Model özellikle fayans ve köpük gibi zorlu sınıfları ayırt etmede güçlü; ancak toz sınırları bulanıklaştırdığında tuğla ile beton arasında hâlâ bazı karışıklıklar gözleniyor. Önemli olarak, sistem yaklaşık 128 kare/saniye hızında çalışmaya devam ediyor—gerçek zamanlı izleme için gerekenin çok üstünde—bu yüzden aktif geri dönüşüm hatlarında kullanılmaya uygun. Bir bootstrap prosedürü kullanan istatistiksel testler, bu kazanımların şansa bağlı olmadığını doğruluyor. Birden çok diğer YOLO varyantıyla yapılan karşılaştırmalar, YOLO‑CEW’nin doğrulukta tutarlı şekilde önde olduğunu ve hız ile performans arasında uygun bir denge koruduğunu gösteriyor.

Tek bir tesisten öte: diğer atık akımlarına uyarlama

Yaklaşımın genellenip genellenemeyeceğini görmek için araştırmacılar YOLO‑CEW’yi plastik, cam ve karton gibi yaygın evsel malzemeleri kapsayan ayrı bir açık çöp tespit veri kümesi üzerinde de test ediyor. Bu yeni ortama özel olarak tasarlanmamış olmasına rağmen model hâlâ standart YOLOv8’i hassasiyet, duyarlılık ve genel tespit kalitesi açısından geride bırakıyor. Bu, mimari iyileştirmelerin—daha iyi özellik çıkarımı, daha akıllı dikkat ve kötü eğitim örneklerinin daha dikkatli işlenmesi—evsel atık ayrıştırmadan dronlarla çöp tespitine kadar diğer geri dönüşüm ve çevre izleme görevlerinde yeniden kullanılabileceğini düşündürüyor.

Daha temiz, daha akıllı şehirler için anlamı

Uzman olmayanlar için çıkarım, YOLO‑CEW’nin inşaat döküntüleri için çok daha doğru ve daha keskin bakışlı bir kamera sistemi gibi davrandığıdır. Hareketli bir moloz akışını izleyebilir, her nesneyi seçip hangi malzemeden yapıldığını çok yüksek güvenilirlik ve hızla etiketleyebilir. Bu, makinelerin malzemeleri gömme yerine yeniden kullanım için ayırıp yönlendirdiği otomatik hatların tasarımını çok daha kolay hale getirir. Aşırı kirlilik, toz ve nadiren görülen malzemelerle başa çıkmak gibi zorluklar devam etse de çalışma, özenle ayarlanmış derin öğrenme modellerinin bugünün “atık” yığınlarını yarının kaynak akışlarına dönüştürebileceğini; daha yeşil yapı uygulamalarını ve daha akıllı şehirleri destekleyebileceğini gösteriyor.

Atıf: Han, D., Ma, M., Li, X. et al. Deep learning for construction waste detection using ConvNeXt V2 EMA attention and WIoU v3 loss. Sci Rep 16, 6441 (2026). https://doi.org/10.1038/s41598-026-37473-3

Anahtar kelimeler: inşaat atığı, geri dönüşüm AI, nesne tespiti, akıllı şehirler, derin öğrenme