MỘT PHƯƠNG PHÁP TỰ CHƯNG CẤT KIẾN THỨC HIỆU QUẢ  ĐỂ PHÂN LOẠI CHẤT THẢI

Ma Thị Hồng Thu

doi:10.34238/tnu-jst.10013

MỘT PHƯƠNG PHÁP TỰ CHƯNG CẤT KIẾN THỨC HIỆU QUẢ ĐỂ PHÂN LOẠI CHẤT THẢI

Thông tin bài báo

Ngày nhận bài: 02/04/24 Ngày hoàn thiện: 23/05/24 Ngày đăng: 24/05/24

Các tác giả

Ma Thị Hồng Thu , Trường Đại học Tân Trào

Tóm tắt

Phân loại rác là một nhiệm vụ trọng tâm trong việc khắc phục ô nhiễm môi trường. Con người phân loại rác dựa trên những gì họ hiểu về đối tượng rác hơn là dựa trên trạng thái có thể tái chế của rác, điều này dẫn đến việc phân loại không chính xác trong cách phân loại thủ công. Ngoài ra, việc tiếp xúc trực tiếp với chất thải độc hại có thể gây nguy hiểm về mặt thể chất cho con người. Một số kỹ thuật học máy và học sâu đã được đề xuất bằng cách sử dụng bộ dữ liệu phân loại rác được chuẩn hóa. Tuy nhiên, các phương pháp này còn tồn tại một số nhược điểm như (i) chi phí tính toán và bộ nhớ của các mạng được đề xuất lớn (ii) khó thể chạy trong thời gian thực; (iii) Quá trình huấn luyện phức tạp do được huấn luyện trước trên các bộ dữ liệu lớn để tránh hiện tượng “overfitting”. Trong bài báo này chúng tôi đề xuất một cách tiếp cận mới dựa trên tự chưng cất kiến thức để khắc phục các nhược điểm trên. Kết quả thử nghiệm cho thấy mô hình được đề xuất đạt hiệu suất tốt nhất trên bộ dữ liệu Trash Net mà không cần phải huấn luyện trước mô hình. Điều này chứng minh sự hiệu quả của tự chưng cất kiến thức cho bài toán phân loại chất thải.

Từ khóa

Tự chưng cất kiến thức; Chưng cất kiến thức; Phân loại rác thải; Thị giác máy tính; Mạng nơron tích chập

Toàn văn:

PDF

Tài liệu tham khảo

[1] K. N. Sami, Z. M. A. Amin, and R. Hassan, "Waste management using machine learning and deep learning algorithms," International Journal on Perceptive and Cognitive Computing, vol. 6, no. 29, pp. 7-106, 2020.

[2] S. Shahab, M. Anjum, and M. S. Umar, "Deep learning applications in solid waste management: A deep literature review," International Journal of Advanced Computer Science and Applications, vol. 13, no. 3, pp. 1-15, 2022.

[3] M. Triassi, R. Alfano, M. Illario, A. Nardone, O. Caporale, and P. Montuori, "Environmental pollution from illegal waste disposal and health effects: A review on the “Triangle of Death”," International Journal of Environmental research and public health, vol. 12, no. 2, pp. 1216-1236, 2015.

[4] Q. H. Nguyen, “Domestic waste in Vietnam: Current situation and solutions,” National Assembly of the Socialist Republic of Vietnam, 2023. [Online]. Available: https://quochoi.vn/tintuc/Pages/tin-hoat-dong-cua-quoc-hoi.aspx?ItemID=82916. [Accessed Feb. 20, 2024].

[5] A. A. Namen, F. D. C. Brasil, J. J. G. Abrunhosa, G. G. S. Abrunhosa, R. M. Tarré, and F. J. G. Marques, "RFID technology for hazardous waste management and tracking," Waste management & research, vol. 32, no. 9, pp. 59-66, 2014.

[6] H. Abdu and M. H. M. Noor, "Domestic trash classification with transfer learning using VGG16," In 12th International Conference on Control System, Computing and Engineering (ICCSCE), IEEE, 2022, pp. 137-141.

[7] N. Islam, M. M. H. Jony, E. Hasan, S. Sutradhar, A. Rahman, and M. M. Islam, "Ewastenet: A two-stream data efficient image transformer approach for e-waste classification," In 2023 IEEE 8th International Conference on Software Engineering and Computer Systems (ICSECS), IEEE, 2023, pp. 435-440.

[8] K. Belsare, M. Singh, A. Gandam, P. K. Malik, R. Agarwal, and A. Gehlot, "An integrated approach of IoT and WSN using wavelet transform and machine learning for the solid waste image classification in smart cities," Transactions on Emerging Telecommunications Technologies, vol. 35, no. 4, 2023, Art. no. e4857.

[9] T. Mythili and A. Anbarasi, "A concatenation of deep and texture features for medicinal trash image classification using EnSegNet-DNN-based transfer learning," Materials Today: Proceedings, vol. 62, pp. 4691-4698, 2022.

[10] M. S. Nafiz, S. S. Das, M. K. Morol, A. A. Juabir, and D. Nandi, "Convowaste: An automatic waste segregation machine using deep learning," In 3rd International Conference on Robotics, Electrical and Signal Processing Techniques (ICREST), IEEE, 2023, pp. 181-186.

[11] G. Hinton, O. Vinyals, and J. Dean, "Distilling the knowledge in a neural network," In International Conference on Neural Information Processing Systems, 2015, pp. 1-9.

[12] D.-Q. Vu, N. Le, and J.-C. Wang, "Teaching yourself: A self-knowledge distillation approach to action recognition," IEEE Access, vol. 9, pp. 105711-105723, 2021.

[13] S. Yun, J. Park, K. Lee, and J. Shin, "Regularizing class-wise predictions via self-knowledge distillation," In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2020, pp. 13876-13885.

[14] D.-Q. Vu and J.-C. Wang, "A novel self-knowledge distillation approach with siamese representation learning for action recognition," In 2021 International Conference on Visual Communications and Image Processing (VCIP), IEEE, 2021, pp. 1-5.

[15] H. M. Tan, D.-Q. Vu, C.-T. Lee, Y.-H. Li, and J.-C. Wang, "Selective mutual learning: an efficient approach for single channel speech separation," In International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE, 2022, pp. 3678-3682.

[16] E. D. Cubuk, B. Zoph, J. Shlens, and Q. V. Le, "Randaugment: Practical automated data augmentation with a reduced search space," In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, 2020, pp. 702-703.

[17] G. Thung and M. Yang, "Dataset of images of trash; Torch-based CNN for garbage image classification," Github. [Online]. Available: https://github. com/garythung/trashnet. [Accessed Jan. 30, 2024].

[18] K. Liu and X. Liu, "Recycling Material Classification using Convolutional Neural Networks," In 2022 21st IEEE International Conference on Machine Learning and Applications (ICMLA), IEEE, 2022, pp. 83-88.

DOI: https://doi.org/10.34238/tnu-jst.10013

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ