Geri Dönüştürülebilir Atıkların Materyallerine Göre Sınıflandırılması için Raspberry Pi Tabanlı Donanım Geliştirilmesi

Year 2020, Ejosat Special Issue 2020 (ICCEES), 30 - 38, 05.10.2020

Ali Sağlam , Melike Taş , Nurdan Baykan

https://doi.org/10.31590/ejosat.802692

Cited By: 1

Abstract

Hem doğanın korunması hem de sürekli artan insan ihtiyaçları için gerekli olan ve doğada kısıtlı miktarda bulunan materyallerin takviye edilmesi için ortaya çıkan “geri dönüşüm” kavramı son yıllarda en önemli konulardan birisi olmuştur. Belirli bir geri dönüşüm işlemi sonucunda, “ham maddesi yeniden kullanılabilir hale getirilebilen atıklar” olarak bilinen geri dönüştürülebilir atıkların toplanması konusu dünya genelinde üst ve yerel yönetimlerin de ilgilendiği bir problem olmuştur. Bunun için belirli merkezlere geri dönüştürülebilir atıklar için özel kutular yerleştirilmekte ve insanlar geri dönüşüm konusunda teşvik edilmeye çalışılmaktadır. Bu çalışmada, geri dönüşüm projelerinde kullanılmak üzere kâğıt, cam ve plastik atıklarının geri dönüşüm kutuları içerisinde gerçek zamanlı olarak tespit edilebilmesi için gerekli elektronik malzemeler ve yazılımlar kullanılarak bir materyal tanıma sistemi geliştirilmektedir. Sistem geri dönüşüm kutusuna atılan geri dönüştürülebilir katı atıkların materyallerini tanıyan ve materyale göre kullanıcı hesabına ücret yükleyen bir simülasyon işlevi görmektedir. Geliştirilen donanım kamera, LCD ekran, LED, IR LED, devre tahtası ve jumper kablo gibi Raspberry Pi üzerine bağlanabilen elektronik cihazları da içermektedir. Materyallerin tanınması için gerekli yazılımının geliştirilmesi aşamasında; kâğıt, cam ve plastik materyallerini içeren 845 adet resim çalışma kapsamında hazırlanmış ve bunların 662 tanesi Tensorflow nesne tanıma kütüphanesi üzerinde eğitim için kullanılmıştır. Materyallerin geliştirilen donanım tarafından gerçek zamanlı olarak algılanması ve elde edilen nesne tanıma modelinin donanım üzerinde kullanılabilmesi için Raspberry Pi içerisine OpenCV bilgisayarlı görme kütüphanesi yüklenmiştir. En son olarak, geliştirilen donanım ilgili materyallere özel ayrılmış kutular üzerine sabitlenerek sistem gerçek zamanlı olarak çalışır hale getirilmiştir. Sistemin düzgün çalıştığını doğrulamak için kutu içerisine bazı atıklar atılmış ve LCD ekran üzerinde sonuçlar görüntülenmiştir.

Keywords

Raspberry Pi, Geri Dönüşüm, Görüntü İşleme, Derin Öğrenme, Nesne Tanıma

Development of Raspberry Pi Based Hardware for Classification of Recyclable Wastes According to Their Materials

Abstract

The concept of "recycling", which emerged to reinforce the limited amount of materials in nature, which is necessary for both the protection of nature and the ever-increasing human needs, has been one of the most important issues in recent years. The issue of collecting recyclable wastes known as “the wastes whose raw materials can be reused” as a result of a certain recycling process has been a problem that the top and local governments interest around the world. For this, special boxes for recyclable wastes are placed in certain centers and people are encouraged to recycle. In this study, a material recognition system is developed by using the necessary electronic materials and software to detect paper, glass and plastic wastes in recycling bins in real-time to be used in recycling projects. The system functions as a simulation that recognizes the materials of recyclable solid wastes thrown into the recycling bin and charges the user account according to the material. The developed hardware includes electronic devices that can be connected to the Raspberry Pi such as camera, LCD screen, LED, IR LED, breadboard and jumper cable. During the development of the software required for the recognition of the materials, 845 pictures including paper, glass and plastic materials were prepared within the scope of the study and 662 of them were used for training on the Tensorflow object recognition library. The OpenCV computer vision library has been loaded into the Raspberry Pi so that the materials can be detected in real-time by the developed hardware and the obtained object recognition model can be used on the hardware. Finally, the system has become works in real-time by fixing the developed hardware on boxes dedicated to the relevant materials. To verify that the system is working properly, some waste has been thrown into the boxes and the results are displayed on the LCD screen.

Keywords

Raspberry Pi, Recycling, Image Processing, Deep Learning, Object Recognition

References

• Gündüzalp, A.A., Güven, S., (2016). Atık , Çeşitleri , Atık Yönetimi , Geri Dönüşüm ve Tüketici : Çankaya B elediyesi ve Semt Tüketicileri Örneği. Hacettepe Üniversitesii Sosyolojik Araştırmalar E-Dergisi.
• European-Plastics, (2017). An analysis of European plastics production, demand and waste data. Plastics – the Facts. doi: 10.1016/j.marpolbul.2013.01.015.
• Yüce, E., Kılıç, M., (2014). PVC ve PET Atıkların Seçimli Flotasyonu Bölüm 1: Plastikler, Çevresel Etkileri, Geri Dönüşümü. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi. doi: 10.21605/cukurovaummfd.242821.
• Güleç Solak, S., Pekküçükşen, Ş., (2018). Türkiye’de kentsel katı atık yönetimi: karşılaştırmalı bir analiz. Karamanoğlu Mehmetbey Üniversitesi İktisadi Ve İdari Bilimler Fakültesi.
• Yücel, K., Türkiye’de Katı Atık Yönetimi ve Geri Kazanımı, Yıldız Teknik Üniversitesi, 1997.
• Geleri, E., Geri dönüşümün çevreye etkilerine ilişkin öğrenci tutumları, Fırat Üniversitesi, 2019.
• Özbay, Ş., Fen ve teknoloji programı içinde kompost hakkında verilen ettkinliklerin öğrencilerin akademik başarılarına ve çevreye tutumlarına etkisi, Çanakkale Onsekiz Mart Üniversitesi, 2010.
• Kaçtıoğlu, S., Şengül, Ü., (2010). Erzurum kenti ambalaj atıklarının geri dönüşümü için tersine lojistik ağı tasarımı ve bir karma tamsayılı programlama modeli. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi. 24(1). ss. 89–112. doi: 10.16951/iibd.09418.
• Alakaş, H.M., Kızıltaş, Ş., Eren, T., Özcan, E., (2018). Sıfır atık projesi kapsamında atıkların toplanması: Kırıkkale ilinde homojen çok araçlı araç rotalama uygulaması. Harran Üniversitesi Mühendislik Dergisi. 3(3). ss. 190–196.
• Avcu, M., Raspberry Pi 3 ile güneş takip sistemi (RPiGTS), İstanbul Arel Üniversitesi, 2018.
• Direnc.net, Raspberry Pi 3 Model B, 2020. [Çevrimiçi]. Available at: https://www.direnc.net/raspberry-pi-3.
• Raspberry Pi GPIO Programming in C, BMOW, 2018. [Çevrimiçi]. Available at: https://www.bigmessowires.com/2018/05/26/raspberry-pi-gpio-programming-in-c/.
• Association, S., SD Memory Card Formatter. [Çevrimiçi]. Available at: https://www.sdcard.org/downloads/formatter/.
• SourceForge, Win32 Disk Imager. [Çevrimiçi]. Available at: https://sourceforge.net/projects/win32diskimager/.
• Debian, 2017-11-29-Raspbian-Stretch. [Çevrimiçi]. Available at: http://debian.rutgers.edu/raspbian_images/raspberrypi/images/raspbian/2017-11-29-raspbian-stretch/.
• Tatham, S., PuTTY, 2020. [Çevrimiçi]. Available at: https://www.chiark.greenend.org.uk/~sgtatham/putty/latest.html.
• Harrison, C., Xming X Server for Windows, 2016. [Çevrimiçi]. Available at: https://sourceforge.net/projects/xming/.
• Raspberry Pi Türkiye Topluluğu, Raspberry Pi’ye ağ kablosu ile doğrudan bağlanma. [Çevrimiçi]. Available at: https://www.raspi-tr.com/2014/10/12/raspberry-piye-ag-kablosu-ile-dogrudan-baglanma/.
• Pişkin, M., OpenCv Video Eğitim Serisi, 2016. [Çevrimiçi]. Available at: http://mesutpiskin.com/blog/opencv-egitim-serisi.html.
• Python, Python 2.7.13, 2016. [Çevrimiçi]. Available at: https://www.python.org/downloads/release/python-2713/.
• Archive, A., Anaconda Installer Archive, 2020. [Çevrimiçi]. Available at: https://repo.anaconda.com/archive/.
• JetBrains, Download Pycharm, 2020. [Çevrimiçi]. Available at: https://www.jetbrains.com/pycharm/download/.
• Yazılım Akademi, Raspberry Pi & Python OpenCv Kurulum, 2017. [Çevrimiçi]. Available at: https://www.youtube.com/watch?v=j5echA62YM8.
• EdjeElectronics, Tensorflow-Object-Detection-on-the-Raspberry-Pi, 2019. [Çevrimiçi]. Available at: https://github.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi.
• Medium, Google Colab Free GPU Tutorial, 2018. [Çevrimiçi]. Available at: https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d.
• Medium, Training an Object Detection Model with Tensorflow API using Google COLAB, 2019. [Çevrimiçi]. Available at: https://medium.com/analytics-vidhya/training-an-object-detection-model-with-tensorflow-api-using-google-colab-4f9a688d5e8b.