ระบบแยกขยะรีไซเคิลอัตโนมัติ

กองพล ลวงงาม; สรวิศ ศิริมงคล

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/78440

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	ศุภกานต์ พิมลธเรศ	-
dc.contributor.advisor	ศศิภา พันธุวดีธร	-
dc.contributor.author	กองพล ลวงงาม	-
dc.contributor.author	สรวิศ ศิริมงคล	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์	-
dc.date.accessioned	2022-04-21T06:20:27Z	-
dc.date.available	2022-04-21T06:20:27Z	-
dc.date.issued	2562	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/78440	-
dc.description	โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2562	en_US
dc.description.abstract	งานวิจัยนี้มีจุดประสงค์เพื่อพัฒนาระบบการแยกขยะรีไซเคิลอัตโนมัติให้มีประสิทธิภาพโดยใช้โครงข่ายประสาทแบบคอนโวลูชัน ขยะแบ่งเป็นสองประเภทในงานวิจัยนี้ได้แก่ ขยะรีไซเคิลและขยะที่ไม่สามารถรีไซเคิลได้ วิดีโอการทิ้งขยะถูกส่งและประมวลผลด้วยระบบ จะมีการแจ้งเตือนหากมีการทิ้งขยะประเภทอื่น ลงถังขยะรีไซเคิลหรือทิ้งขยะรีไซเคิลลงถังขยะประเภทอื่น ในงานวิจัยนี้ขยะที่ใช้เป็นขยะภายในประเทศไทยเป็นหลักและชุดข้อมูลที่รวบรวมของวิดีโอที่รับเข้าจะมีส่วนมือของผู้ทิ้งขยะติดอยู่ในเฟรมด้วยซึ่งสอดคล้องกับการใช้งานจริง ขั้นตอนแรกของระบบคือการใช้การตัดเฟรมวิดีโอระหว่างการทิ้งขยะและลบพื้นหลังเพื่อให้ได้ภาพนิ่งของขยะชิ้นเดียว ในขั้นตอนถัดมาแบบจำลองโครงข่ายประสาทแบบคอนโวลูชันหกแบบ ได้แก่ AlexNet VGG16 ResNet50 ResNet152 DenseNet121 และ SqueezeNet1_1 ถูกนำมาใช้เพื่อกำหนดชนิดของขยะ จากผลเชิงเปรียบเทียบพบว่า แบบจำลอง ResNet152 มีความถูกต้องสูงและให้ประสิทธิภาพในเชิงของการใช้เวลาและหน่วยความจำ จึงนำแบบจำลอง ResNet152 มาใช้สร้างระบบในงานวิจัยนี้	en_US
dc.description.abstractalternative	This research aims to develop the effective automatic recyclable waste separation system by using convolutional neural network. In this research, there are two types of waste, including recyclable waste and non-recyclable waste. A video of throwing waste in a garbage bin is fed and proceeded by this system. Then, a notification occurs when waste of other types is left in a recyclable garbage bin or recyclable waste is left in a non-recyclable garbage bin. In this research, waste used was mainly produced in Thailand and a dataset of input video contains litterers' hands in the frame in consistence with actual usage. The first step of the system is applying video frame cutting during waste throwing and background subtraction to obtain a still image of single waste. Subsequently in the second step, six different convolutional neural network models, namely, AlexNet, VGG16, ResNet50, ResNet152, DenseNet121, and SqueezeNet1_1, are used to indentify each type of waste. From comparative results, it is found that ResNet152 model was highly accurate and provides high efficiency in terms of time and memory consumption. Therefore, ResNet152 Model was implemented for the system in this research.	en_US
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	คอนโวลูชัน (คณิตศาสตร์)	en_US
dc.subject	การคัดแยกขยะ	en_US
dc.subject	การนำกลับมาใช้ใหม่	en_US
dc.subject	Convolutions (Mathematics)	en_US
dc.subject	Recycling (Waste, etc.	en_US
dc.title	ระบบแยกขยะรีไซเคิลอัตโนมัติ	en_US
dc.title.alternative	Automatic Recycle Waste Separation System	en_US
dc.type	Senior Project	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
Appears in Collections:	Sci - Senior Projects

Files in This Item:

File	Description	Size	Format
62-SP-COMSCI-066 - Gongpol Luang.pdf		1.43 MB	Adobe PDF	View/Open

Show simple item record