Real-Time Waste Classification Modeling for Embedded Systems Based on Deep Convolutional Neural Networks

Abstract

Machine Learning technology grows in the field of automatic waste sorting machines equipped with an intelligent unit. This intelligent unit runs on an embedded system that mostly has lower computation power (both CPU and GPU) and lower RAM. However, to archive a higher accuracy rate on classification one has to use a sophisticated classification AI model, which needs less computational power. We considered our experiment using 3 pre-trained models based on COCO dataset, namely the ssd_mobilenet_v2_coco, the ssd_inception_v2_coco, and the ssd_resnet_50_fpn_coco due to their good quality. The results show that although the AI model based on the ssd_resnet_50_fpn_coco has the highest accuracy (99.75%), it consumes the most computational power. In contrast, the one based on the ssd_mobilenet_v2_coco has acceptable accuracy (98.83%) and it consumes the lowest computational power. We decided that the most suitable AI model for embedded systems is the one that is trained with the pre-trained ssd_mobilenet_v2_coco model.

เทคโนโลยี Machine Learning ได้มีการพัฒนาและเติบโตขึ้นเป็นอย่างมากจนพัฒนาไปถึงในเรื่องของการประยุกต์ใช้กับเครื่องคัดแยกขยะอัตโนมัติ โดยเทคโนโลยีการประมวลผลแบบอัจฉริยะที่เป็นระบบสมองกลฝั่งตัว ได้ถูกนำมาใช้กับเครื่องคัดแยกขยะอัตโนมัติเป็นจำนวนมากแต่ส่วนใหญ่มีประสิทธิภาพในการประมวลผลที่ต่ำ ทั้ง CPU, GPU และ RAM อย่างไรก็ตาม ในงานนี้มุ่งเน้นที่จะพัฒนา AI โมเดลที่มีความแม่นยำสูงพอที่จะนำไปใช้ในงานคัดแยกประเภทของสิ่งที่ต้องการโดยต้องใช้พลังงานในการคำนวณน้อยเพื่อให้สามารถทำงานได้กับระบบสมองกลฝังตัว โดยงานวิจัยนี้เราพิจารณาทดลองโดยใช้โมเดลที่ผ่านการฝึกอบรมมาแล้ว 3 โมเดลตามชุดข้อมูล COCO ได้แก่ ssd_mobilenet_v2_coco, ssd_inception_v2_coco และ ssd_resnet_50_fpn_coco เนื่องจากมีประสิทธิภาพที่ดีเป็นที่ยอมรับและผลลัพธ์จากการทดสอบแสดงให้เห็นว่าแม้ว่าโมเดล AI ที่ใช้ ssd_resnet_50_fpn_coco จะมีความแม่นยำสูงสุด (99.75%) แต่ก็ใช้พลังงานในการคำนวณมากที่สุด ในทางตรงกันข้าม ตัวที่ใช้ ssd_mobilenet_v2_coco มีความแม่นยำที่ยอมรับได้ (98.83%) และใช้พลังงานในการคำนวณต่ำที่สุด เราตัดสินใจว่าโมเดล AI ที่เหมาะสมที่สุดสำหรับระบบฝังตัวคือโมเดลที่ได้รับการฝึกด้วยโมเดล ssd_mobilenet_v2_coco ที่ผ่านการฝึกอบรมล่วงหน้า