ResSeMo: yüksek doğruluklu atık sınıflandırması ve verimli işleme için derin evrişimli sinir ağı entegrasyonu

Çöpleri Akıllıca Ayırmanın Nedenleri

Dünyanın dört bir yanındaki şehirler her gün dağlar halinde karışık çöple mücadele ediyor. Şişeler, kutular, yemekhane artıkları ve piller aynı kaba düştüğünde, bunları güvenli biçimde geri dönüştürmek hem zorlaşıyor hem de daha pahalı hâle geliyor. Bu makale, makinelerin gerçek sokak sahnelerinde bile farklı atık türlerini hızlı ve güvenilir şekilde tanımasını sağlayan yeni bir bilgisayarlı görme sistemi olan ResSeMo’yu tanıtıyor; bu da bizi daha temiz mahallelere ve daha verimli geri dönüşüme yaklaştırıyor.

Kentsel Atık Yığınının Büyümesi

Kentleşme, insanların ürettiği çöp miktarını keskin biçimde artırdı. Geleneksel ayırma yöntemleri çoğunlukla işçilere ve basit makinelere dayanıyor ve bunlar gördükleri atıkların çeyreğinden fazlasını sıkça yanlış sınıflandırıyor. Bu, değerli malzemelerin yeniden kullanılmak yerine gömülmesi veya yakılması anlamına geliyor ve piller gibi tehlikeli maddelerin gözden kaçmasına neden oluyor. Araştırmacılar, kameralar ve algoritmaların çöp fotoğraflarını inceleyip bir nesnenin cam mı, plastik mi, kâğıt mı, metal mi yoksa başka bir şey mi olduğunu belirlediği modern görüntü tanımaya yöneldi. Ancak mevcut birçok sistem ya ağır ve yavaş ya da yalnızca temiz, kontrollü laboratuvar koşullarında iyi çalışıyor; kalabalık kaldırımlarda veya dolu çöp kutularında değil.

Çöpler İçin Yeni, Üç Bölümlü Bir Beyin

ResSeMo, bu sorunu üç farklı sinir ağı modülünü bir arada koordine eden tek bir “beyin” hâlinde birleştirerek çözüyor. Birinci bölüm, doku, kontur ve parlama gibi çoklu ölçeklerde zengin görsel ayrıntıları yakalamada uzmanlaşarak cam şişeyi plastikten ayırt edebiliyor. İkinci bölüm, bir spot ışığı gibi en önemli görsel ipuçlarını öne çıkarıyor—örneğin metal üzerindeki korozyon izleri veya pillerde tipik desenler—ve dikkat dağıtan arka planları geri planda bırakıyor. Son bölüm ise tüm bunları çok daha az hesaplama ile yapmaya odaklanıyor, böylece sistem akıllı çöp kutuları veya düşük güçlü sensörler gibi küçük cihazlarda fazla bellek veya enerji harcamadan çalışabiliyor. Birlikte, karmaşık görüntüleri güvenli kategori kararlarına dönüştüren adım adım bir boru hattı oluşturuyorlar.

Gerçek Dünyanın Çöplerinde Eğitim

ResSeMo’yu test etmek için yazarlar iki büyük görüntü koleksiyonu kullandı. İlk veri seti TrashNet, her nesnenin net ve ortalanmış olduğu basit ortamlarda çekilmiş birkaç bin fotoğraf içeriyor. İkinci veri seti TACO ise çok daha büyük ve gerçeğe daha yakın; sokaklara, parklara ve iç mekân köşelerine dağılmış çöp görüntüleriyle dolu; çoğu zaman küçük, kısmen gizli veya kötü aydınlatılmış nesneler içeriyor. Ekip bu veriyi dikkatle hazırladı: iki kaynaktaki kategori etiketlerini hizaladılar, döndürme ve parlaklık değişiklikleri gibi standart yöntemlerle örnek sayısını artırdılar ve şişe kapakları gibi çok küçük nesnelerin etrafındaki görüntü bölgelerini büyüterek modelin bunları görmesini kolaylaştırdılar. Ayrıca her öğenin ne kadar kirli ve ne kadar hacimli göründüğünü tanımlayan ekstra etiketler ekleyerek, ayırma tercihlerinin atık işleme zincirini nasıl etkileyebileceğine yönelik sonraki analizleri desteklediler.

Modeli Sınamaya Koymak

ResSeMo, araştırmalarda sıkça kullanılan ağır ağlar ve telefonlar için tasarlanmış daha hafif ağlar dahil on iyi bilinen ağ ile karşılaştırıldı. Daha basit TrashNet fotoğraflarında, yeni sistem en güçlü rakiplere kıyasla çok daha az hesaplama adımı kullanırken on öğeden biraz fazlasını doğru sınıflandırdı. Daha zorlu TACO görüntülerinde ise hâlâ yaklaşık yüzde 87 oranında öğeyi doğru tanıdı ve işlem sürelerini kısa tuttu. Araştırmacılar, gürültü, bulanıklık, karanlık, parlama veya simüle edilmiş kötü hava koşulları eklediğinde bile ResSeMo’nun doğruluğu sadece mütevazı biçimde düştü ve rakip modellerden daha yüksek kaldı. NVIDIA Jetson Nano ve Raspberry Pi gibi küçük kartlarda yapılan ek testler, sıkıştırılmış bir sürümün düşük güç ve bellek ile çalışabildiğini gösterdi; bu da sahaya yerleştirilen cihazlar için uygun olduğunu ortaya koydu.

Günlük Hayat İçin Anlamı

Düz bir ifadeyle, ResSeMo hem keskin gözü hem de pratikliği bir arada sunan bir çöp ayırma sistemi inşa etmenin mümkün olduğunu gösteriyor. Güçlü desen tanımayı küçük, düşük güçlü donanıma sığan bir tasarımla harmanlayarak, yaklaşım araştırma ile gerçek sokaklardaki çöp kutuları arasındaki boşluğu kapatmaya yardımcı oluyor. Nadir atık türlerini veya aşırı koşulları ele almak için daha fazla çalışma gerekse de bu çalışma, ön safta ayırmayı otomatikleştirmek, daha fazla malzeme kazanmak ve zararlı öğeleri düzenli depolama sahalarından ve yakma tesislerinden uzak tutmak isteyen şehirler için umut verici bir yol gösteriyor.

Atıf: Liu, T., Li, B. & Wang, Z. ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing. Sci Rep 16, 15167 (2026). https://doi.org/10.1038/s41598-026-45814-5

Anahtar kelimeler: atık sınıflandırması, derin öğrenme, akıllı geri dönüşüm, uç birimi AI, kentsel temizlik