Please use this identifier to cite or link to this item:
https://doi.org/10.21256/zhaw-24572| Publication type: | Bachelor thesis |
| Title: | AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz |
| Authors: | Roth, Lukas |
| Advisors / Reviewers: | Gavagnin, Elena |
| DOI: | 10.21256/zhaw-24572 |
| Extent: | 70 |
| Issue Date: | 2021 |
| Publisher / Ed. Institution: | ZHAW Zürcher Hochschule für Angewandte Wissenschaften |
| Publisher / Ed. Institution: | Winterthur |
| Language: | German |
| Subject (DDC): | 006: Special computer methods 363: Environmental and security problems |
| Abstract: | Durch den kontinuierlich wachsenden Rohstoffverbrauch weltweit, ist die effiziente Nutzung und Wiederverwendung von Werkstoffen von zentraler Bedeutung. Im Recyclinghof Hagenholz (RH) werden in 25 Containern Materialien getrennt gesammelt. Die Zuordnung ist, durch die Vielfallt an Sammelkategorien, für viele Kunden schwierig und immer wieder landen Objekte in den falschen Containern. Diese Arbeit zeigt eine Lösung auf, wie mittels eines Machine Learning Models ein Objektklassifikator erstellt werden kann, welcher anhand eines Fotos des Recyclingobjektes, dessen Klassifizierung der Sammelkategorie liefern kann. Das Model kommt in einer Mobile-App zum Einsatz und soll dem Kunden des RH die Unterstützung bei der korrekten Zuordnung des mitgebrachten Materials bieten. Das methodische Vorgehen besteht aus drei Teilen: der Datenerhebung für das Image Dataset, der Modellentwicklung und der Entwicklung des Prototyps. Die Datenerhebung umfasst das Sammeln eigener Fotos aus dem RH, die Evaluierung öffentlicher Datasets sowie die Methode des Image-Scraping. Bei der Modellentwicklung wurde ein Modell von Grund auf, sowie zwei Modelle mittels der Retraining-Methode, auf Basis der vortrainierten Modelle mit MobileNet bzw. EfficientNet entwickelt. Validiert wurden die Modelle mittels Out-Of-Sample (OOS) und K-Fold Cross Validation (KFCV). Das Retrained MobileNetV3 Model (RMM) wurde in die entwickelte Android App integriert und abschliessend im RH einem Feldtest unterzogen. Das Dataset besteht aus 24 Klassen, aus jeweils ca. 600 Bildern. Die darauf trainierten Modelle haben wie folgt abgeschnitten: Das einfache Modell konnte im OOS 46.8, bzw. 46.2 Prozent Genauigkeit in der KFCV erreichen. Das RMM konnte eine Genauigkeit von 85.9 (OOS), bzw. 88.34 Prozent in der KFCV und mit dem Retrained EfficientNet-B0 Model (REM) liegt die Genauigkeit bei 86.7 in OOS, bzw. 87.6 Prozent in der KFCV. Die Confusion Matrix (CM) zeigte Defizite des RMM in den Klassen Elektro, Mischmaterialen, Metall, sowie Buntmetall. Im Feldtest konnte der Prototyp in 32 von 40 Tests den richtigen Container erkennen, wobei sichtbar wurde, dass in der Klasse Sperrgut die Erkennung sehr schlecht ist und die Kategorien Elektro, Mischmaterialien und Metall, im Vergleich zur CM gut abschnitten. Diese Arbeit zeigt, dass mittels vortrainierter Modelle und eines verhältnismässig kleinen Datasets, aus vielen Klassen, bereits eine gute Erkennung erreicht werden kann. Es zeigt sich jedoch, dass es schwierig ist, Klassen vollständig abzubilden, welche aus unendlicher Anzahl Objekte bestehen, wie Sperrgut oder Metall. Objekte, welche sich nur durch ihr Material unterscheiden, nicht aber durch Form und Farbe, können kaum durch Image-Classification unterschieden werden. Durch die zeitliche Limitierung der Arbeit konnte nur ein begrenzter Aufwand in die Entwicklung des Modells, sowie des Datasets gesteckt werden. Durch eine umfangreichere Datenerhebung im RH, könnte eine praxisnähere Datengrundlage geschaffen werden, auf welcher durch weitere Optimierung der Hyperparameter und eines besseren Fine-Tunings im Modell, durchaus noch bessere Resultate möglich wären. |
| URI: | https://digitalcollection.zhaw.ch/handle/11475/24572 |
| License (according to publishing contract): | CC BY-NC-ND 4.0: Attribution - Non commercial - No derivatives 4.0 International |
| Departement: | School of Management and Law |
| Appears in collections: | BSc Wirtschaftsinformatik |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| BA_AI-Recycling_Lukas_Roth_rothluk1.pdf | 5.14 MB | Adobe PDF |  View/Open |
Show full item record
Roth, L. (2021). AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz [Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften]. https://doi.org/10.21256/zhaw-24572
Roth, L. (2021) AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz. Bachelor’s thesis. ZHAW Zürcher Hochschule für Angewandte Wissenschaften. Available at: https://doi.org/10.21256/zhaw-24572.
L. Roth, “AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz,” Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften, Winterthur, 2021. doi: 10.21256/zhaw-24572.
ROTH, Lukas, 2021. AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz. Bachelor’s thesis. Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften
Roth, Lukas. 2021. “AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz.” Bachelor’s thesis, Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften. https://doi.org/10.21256/zhaw-24572.
Roth, Lukas. AI-Recycling : Objektklassifizierung im Recyclinghof Hagenholz. ZHAW Zürcher Hochschule für Angewandte Wissenschaften, 2021, https://doi.org/10.21256/zhaw-24572.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.