Gerçek dünya atık sınıflandırması için güven farkındalıklı derin rezidüel ve hibrit CNN modelleri — sürdürülebilir atık yönetimi

Çöplerin Daha Akıllı Ayrıştırılmasının Önemi

Modern yaşam dağlarca çöp üretiyor ve bunların büyük kısmı yanlış yere gidiyor. Geri dönüştürülebilir maddeler çöplüklerde gömüldüğünde veya yiyecek artıkları metaller ve plastiklerle karıştığında değerli kaynaklar kaybediliyor, kirlilik ve sera gazı salınımı artıyor. Bu çalışma, gelişmiş görüntü tabanlı yapay zekânın gerçek bir çöplük ortamında farklı atık türlerini otomatik olarak tanıyıp tanıyamayacağını araştırıyor; amaç, geri dönüşümü el ayırma işlemlerine kıyasla daha hızlı, daha güvenli ve çok daha güvenilir hâle getirmek.

Temiz Laboratuvar Fotoğrafları Değil, Gerçek Çöplüklerden

Otomatik atık ayırma üzerine yapılan çoğu önceki çalışma temiz, özenle düzenlenmiş fotoğraflara dayanıyor: sade bir zeminde ortalanmış tek bir şişe ya da düzgünce istiflenmiş kağıt ve cam yığınları gibi. Buna karşılık yazarlar Avustralya’daki gerçek bir atık ve geri dönüşüm tesisinde çekilmiş binlerce renkli fotoğraftan oluşan RealWaste veri kümesiyle çalışıyor. Her görüntüde bozulmuş, üst üste binmiş veya kirli nesneler, pürüzlü beton üzerinde uzanan karton rulolar, yiyecek artıkları, kırık cam, buruşturulmuş kağıtlar, metal parçaları, plastik kaplar ve tekstil parçaları görülebilir. Bu görüntüler, tesislerin ilk aşamada gerçek dünyada nasıl ayırdığını yansıtan kağıt, plastik, metal, yemek organikleri ve bitki atıkları gibi dokuz geniş kategoriye gruplanmış durumda. Gerçek sahnelere odaklanmak, ortaya çıkan sistemi gerçek operasyonlar için çok daha uygun kılıyor.

Karar Vermeden Önce Görüntüyü Temizlemek

Ham görüntüler çok dağınık olduğundan, ekip önce görüntü bölütleme tekniklerinin bir kombinasyonunu kullanarak onları "temizliyor." Tek bir yönteme güvenmek yerine, her biri kontrast, aydınlatma veya renk kümelenmeleri gibi farklı görsel ipuçlarını yakalamaya ayarlı dört farklı yol uyguluyorlar. Elde edilen sonuçlar, yalnızca birkaç yöntem tarafından ortaklaşa kabul edilen bölgeler muhtemel atık öğeleri olarak korunacak şekilde birleştiriliyor. Ardından temas eden veya üst üste binmiş nesneleri ayıran ek bir adım uygulanıyor. Bu, zeminin ve çevrenin kafa karıştırıcı dokularını bastırıp yalnızca çöpü vurgulayan rafine bir maske üretiyor. Orijinal görüntü daha sonra bu maskeden geçirilerek sinir ağlarının etrafındaki gürültü yerine çoğunlukla atığın kendisini görmesi sağlanıyor.

Derin Ağlar ve Hibrit Modeller Çöp Görmeyi Öğreniyor

Bu ön işleme ek olarak araştırmacılar, evrişimsel sinir ağları olarak bilinen geniş bir modern görüntü tanıma ağını ince ayarlıyor. Bunların arasında Inception, DenseNet, VGG, EfficientNet, MobileNet ve birkaç ResNet versiyonu gibi popüler tasarımlar yer alıyor. Aralarında ResNet101 adlı çok derin bir model öne çıkıyor; RealWaste verisinde neredeyse %99 doğruluk ve eşit derecede yüksek F1 skoruna ulaşıyor. Bir adım daha ileri gitmek için yazarlar, iki farklı ağın iç özellik haritalarını birleştiren "hibrit" modeller inşa ediyor—örneğin ResNet101’in doku ve yapıyı güçlü biçimde yakalama yeteneği ile InceptionV3’ün çok ölçekli bakış kabiliyetini birleştirmek. Bu hibritler, buruşturulmuş, yırtılmış veya kısmen gizlenmiş olabilecek tekstil ve çeşitli atık gibi zor kategoriler için özellikle faydalı oluyor.

Modelin Ne Tahmin Ettiğine Değil, Ne Kadar Emin Olduğuna da Bakmak

Ham doğruluk değerlerinin ötesinde, çalışma fabrikada veya şehir ayrıştırma merkezinde çalışabilecek herhangi bir sistem için hayati bir soruyu gündeme getiriyor: model her karar konusunda ne kadar emin? Her tahmin için ağ, bir öğenin belirli bir sınıfa ait olduğuna ne kadar güçlü inandığını gösteren 0 ile 1 arasında bir güven skoru üretiyor. Yazarlar bu skorların binlerce test görüntüsü boyunca dağılımını analiz ediyor. Bitki atıkları, plastik kaplar ve yemek organikleri gibi görsel olarak ayırt edilebilir kategorilerde hem en iyi tek model hem de en iyi hibrit model genellikle çok yüksek güvenle, çoğunlukla 0,95’in üzerinde tahmin yapıyor. Daha kafa karıştırıcı kategoriler daha geniş bir skor aralığı gösteriyor; bu da insan kontrollerinin veya geliştirilmiş eğitim verilerinin nerede gerektiğini işaret ediyor. Ayrıca sınıflandırmadan önce segmentasyon adımının eklenmesinin doğruluktan F1 skoruna kadar tüm önemli performans ölçütlerini belirgin şekilde iyileştirdiğini gösteriyorlar.

Daha Güvenilir ve Sürdürülebilir Atık Sistemlerine Doğru

Basitçe ifade etmek gerekirse, makale görüntü temizliği, derin öğrenme ve hibrit model tasarımının dikkatli bir kombinasyonunun, öğeler kirli, üst üste binmiş veya garip şekilli olsa bile gerçek dünya çöpünü dikkat çekici bir güvenilirlikle tanıyabileceğini gösteriyor. ResNet101 güçlü bir omurga olarak öne çıkarken, hibrit modeller en zor tespit edilen malzemeler için ek güç sunuyor. Her karara anlamlı bir güven skoru ekleyerek sistem sadece atıkları sınıflandırmakla kalmıyor, aynı zamanda belirsiz olduğu durumları da işaretleyerek daha güvenli otomasyona zemin hazırlıyor. Modelleri küçük cihazlara sığdırmak ve tam ölçekli, gerçek zamanlı tesislerde test etmek için daha fazla çalışma gerekse de bu araştırma, şehirlerin daha fazla geri dönüşüm yapmasına, daha az atığı çöplüğe göndermesine ve günlük çöplerimizin çevresel yükünü azaltmaya yardımcı olabilecek akıllı atık ayırma için sağlam bir temel atıyor.

Atıf: Kumar, Y., Bhardwaj, P., Malhotra, S. et al. Deep residual and hybrid CNN models for confidence-aware real-world waste classification for sustainable waste management. Sci Rep 16, 10424 (2026). https://doi.org/10.1038/s41598-026-41001-8

Anahtar kelimeler: atık sınıflandırması, derin öğrenme, bilgisayarla görme, geri dönüşüm sistemleri, sürdürülebilir atık yönetimi