Розробка класифікатора з переробки пластика з допомогою глибинного навчання і прямої ациклічної графічної залишкової мережі
| Autor: | Ahmed Burhan Mohammed, Ahmad Abdullah Mohammed Al-Mafrji, Moumena Salah Yassen, Ahmad H. Sabry |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
Applied Mathematics
Mechanical Engineering згорткова нейронна мережа (ЗНМ) Energy Engineering and Power Technology deep learning Directed Acyclic Graph (DAG) Convolutional Neural Network (CNN) Industrial and Manufacturing Engineering Computer Science Applications спрямований ациклічний граф (САГ) classification Control and Systems Engineering Management of Technology and Innovation класифікація Recycling глибинне навчання Electrical and Electronic Engineering переробка |
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 2 No. 10 (116) (2022): Ecology; 42-49 Eastern-European Journal of Enterprise Technologies; Том 2 № 10 (116) (2022): Екологія; 42-49 |
| ISSN: | 1729-3774 1729-4061 |
| Popis: | Recycling is one of the most important approaches to safeguard the environment since it aims to reduce waste in landfills while conserving natural resources. Using deep Learning networks, this group of wastes may be automatically classified on the belts of a waste sorting plant. However, a basic set of connected layers may not be adequate to give satisfactory accuracy for such multi output classifier tasks. To optimize the gradient flow and enable deeper training for network design with multi label classifier, this study suggests a residual-based deep learning convolutional neural network. For network training, ten classes have been explored. The Directed Acyclic Graph (DAG) is a structure with hidden layers that have inputs, outputs, and other layers. The DAG network's residual-based architecture features shortcut connections that bypass some levels of the network, allowing gradients of network parameters to travel freely among the network output layers for deeper training. The methodology includes: 1) preparing the data and creating an augmented image data store; 2) defining the main serially-connected branches of the network architecture; 3) defining the residual interconnections that bypass the main branch layers; 4) defining layers, and finally; 5) creating a residual-based deeper layer graph. The concept is to split down the multiclass classification problem into minor binary states, where every classifier performs as an expert by concentrating on discriminating between only two labels, improving total accuracy. The results achieve (2.861 %) training error and (9.76 %) a validation error. The training results of this classifier are evaluated by finding the training error, validation error, and showing the confusion matrix of validation data Переробка є одним із найбільш важливих підходів до захисту навколишнього середовища, оскільки вона спрямована на скорочення відходів на звалищах за збереження природних ресурсів. Використовуючи мережі глибинногонавчання, ця група відходів може бути автоматично класифікована на стрічках сміттєсортувального заводу. Однак базового набору зв'язаних шарів може бути недостатньо для забезпечення задовільної точності таких завдань класифікатора з декількома виходами. Щоб оптимізувати градієнтний потік та забезпечити більш глибинне навчання для проектування мережі за допомогою класифікатора з декількома мітками, у цьому дослідженні пропонується нейронна мережа з глибинним навчанням на основі залишків. Для мережного навчання було вивчено десять класів. Спрямований ациклічний граф (САГ) – це структура з прихованими шарами, які мають входи, виходи та інші шари. Архітектура мережі САГ, заснована на залишках, має короткі з'єднання, які обходять деякі рівні мережі, дозволяючи градієнтам параметрів мережі вільно переміщатися між вихідними шарами мережі для більш глибокого навчання. Методологія включає: 1) підготовку даних та створення сховища даних доповненого зображення; 2) визначення основних послідовно поєднаних гілок мережевої архітектури; 3) визначення залишкових взаємозв'язків в обхід основних відгалужених шарів; 4) визначення шарів; 5) створення графа глибшого шару з урахуванням залишків. Ідея полягає в тому, щоб розділити проблему мультикласової класифікації на другорядні бінарні стани, де кожен класифікатор працює як експерт, концентруючись на розрізненні двох міток, підвищуючи загальну точність. Результати досягають (2,861%) помилки навчання та (9,76%) помилки перевірки. Результати навчання цього класифікатора оцінюються шляхом знаходження помилки навчання, помилки перевірки та відображення матриці плутанини даних перевірки |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|