Ανάπτυξη αλγορίθμου για το διαχωρισμό ξύλινων απορριμμάτων με τη χρήση τεχνικών τεχνητής νοημοσύνης

Βερέμης, Αλέξανδρος; Veremis, Alexandros

dc.contributor.author	Βερέμης, Αλέξανδρος	el
dc.contributor.author	Veremis, Alexandros	en
dc.date.accessioned	2024-01-26T08:44:43Z
dc.date.available	2024-01-26T08:44:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58659
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26355
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Πολυφασματική Απεικόνιση	el
dc.subject	Συνελικτικό Νευρωνικό Δίκτυο	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Κυκλική Οικονομία	el
dc.subject	Ξύλινα Απορρίμματα	el
dc.subject	Multispectral Imaging	en
dc.subject	Convolutional Neural Network	en
dc.subject	Artificial Intelligence	en
dc.subject	Circular Economy	en
dc.subject	Wood Waste	en
dc.title	Ανάπτυξη αλγορίθμου για το διαχωρισμό ξύλινων απορριμμάτων με τη χρήση τεχνικών τεχνητής νοημοσύνης	el
dc.title	Algorithm development for wood waste separation using artificial intelligence techniques	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Κατηγοριοποίηση Εικόνων	el
heal.classification	Artificial Intelligence	en
heal.classification	Image Classification	en
heal.classification	Πολυφασματική Απεικόνιση	el
heal.classification	Multispectral Imaging	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-18
heal.abstract	Finite resources and climate issues have necessitated the transition to the circular economy model. Due to the rapid increase in the production of municipal solid waste worldwide, the EU has set new targets for more efficient recycling. Typically, municipal waste is a fairly complex stream of solid materials comprising metal, wood, plastic, glass, construction and demolition materials, etc. The effective sorting of materials is a critical requirement for successful recycling and therefore the research community has now turned to automated sorting techniques to modernize and digitize the recycling process, where sensors are used to detect recyclable materials in the waste in order to develop autonomous systems for their sorting. In the context of this thesis, an algorithm based on deep learning techniques was developed in a laboratory industrial environment, in order to create an automated system for the separation of wood waste. The training of the model was performed on data received from two multispectral sensors and an industrial camera. In this way it was possible to identify, characterize and categorize different types of wood, as well as to separate them from other waste based on their composition. Then followed, the reverse process of augmenting the images collected to check whether an improvement in the accuracy of our model was possible, using the existing data. In the end, a research on the spectral bands was implemented, in the standards of feature selection, aiming to study the impact of a lower-level equipment and consequently the possibility of a wider usage of the generated model.	en
heal.abstract	Οι πεπερασμένοι πόροι και τα κλιματικά ζητήματα έχουν καταστήσει αναγκαία τη μετάβαση στο μοντέλο της κυκλικής οικονομίας. Λόγω της ραγδαίας αύξησης της παραγωγής αστικών στερεών απορριμμάτων παγκοσμίως, η ΕΕ έχει θέσει νέους στόχους αποδοτικότερης ανακύκλωσης τους. Συνήθως τα αστικά απορρίμματα αποτελούν μια αρκετά πολύπλοκη ροή στερεών υλικών που περιλαμβάνει μέταλλα, ξύλο, πλαστικό, χαρτί, γυαλί, υλικά κατασκευών και κατεδαφίσεων κ.α. Η αποτελεσματική διαλογή των υλικών αποτελεί κρίσιμη προϋπόθεση για μία επιτυχημένη ανακύκλωση, συνεπώς η ερευνητική κοινότητα έχει στραφεί πλέον στις αυτοματοποιημένες τεχνικές διαλογής με στόχο τον εκσυγχρονισμό και την ψηφιοποίηση της ανακυκλωτικής διαδικασίας, όπου αισθητήρες χρησιμοποιούνται για την ανίχνευση των ανακυκλώσιμων υλικών στα απόβλητα με σκοπό την ανάπτυξη αυτόνομων συστημάτων για την ταξινόμησή τους. Στο πλαίσιο αυτής της διπλωματικής εργασίας έγινε η ανάπτυξη ενός αλγορίθμου, βασισμένου σε τεχνικές βαθιάς μάθησης (deep learning), σε εργαστηριακό βιομηχανικό περιβάλλον, με σκοπό τη δημιουργία ενός αυτοματοποιημένου συστήματος διαχωρισμού ξύλινων απορριμμάτων. Η εκπαίδευση του μοντέλου πραγματοποιήθηκε επάνω σε δεδομένα που προέρχονταν από δύο πολυφασματικούς αισθητήρες (multispectral sensors) και μία βιομηχανική κάμερα. Με αυτόν τον τρόπο ήταν δυνατή η αναγνώριση, ο χαρακτηρισμός και η κατηγοριοποίηση των διαφόρων ειδών ξύλου, όπως επίσης και ο διαχωρισμός τους από άλλα απόβλητα, με βάση την σύνθεσή τους. Στη συνέχεια ακολούθησε η αντίστροφη διαδικασία της επαύξησης των εικόνων που είχαμε συλλέξει για τον έλεγχο ύπαρξης βελτίωσης στην ακρίβεια του μοντέλου μας, αξιοποιώντας τα ήδη υπάρχοντα δεδομένα. Ενώ, στο τέλος, υλοποιήθηκε μία έρευνα επάνω στις φασματικές ζώνες, στα πρότυπα της επιλογής χαρακτηριστικών (feature selection), αποσκοπώντας στη μελέτη του αντίκτυπου ενός εξοπλισμού κατώτερου επιπέδου και κατά συνέπεια στο ενδεχόμενο μιας πιο ευρείας αξιοποίησης του παραχθέντος μοντέλου.	el
heal.advisorName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Soudris, Dimitrios	en
heal.committeeMemberName	Amditis, Angelos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false