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 |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.