L'attività di smistamento dei rifiuti è un processo ripetitivo, logorante e spesso pericoloso, suscettibile a numerosi errori umani. L'intelligenza artificiale offre un potenziale significativo per automatizzare e migliorare questo lavoro. Il sistema in questione deve saper individuare gli oggetti estranei dal flusso di rifiuti su un nastro trasportatore. Questo richiede un dataset di coppie di immagini che raffigurano la stessa porzione di nastro prima e dopo l’eliminazione degli oggetti intrusi. Il dataset è stato raccolto da un sistema provvisorio e sperimentale trascurando alcune problematiche che hanno reso imperfetto il campionamento. Questo studio si occupa di formulare un algoritmo che sia in grado di filtrare il dataset per scartare le foto inconsistenti. Sono stati osservati diversi indici di similarità, alcuni ottenuti con le CNN, e attraverso l’analisi del PCA sono state individuate le misure più rilevanti. Sono state scelte poi le 4 misure più importanti per rappresentare le coppie di foto in una classificazione attraverso un algoritmo di apprendimento supervisionato, il Support Vector Machine (SVM), e un algoritmo di apprendimento non supervisionato, il Clustering, in particolare sono stati osservati il k-means, l’Agglomerative Clustering, lo Spectral Clustering e il Birch. Gli algoritmi sono stati testati e studiati con le loro molteplici configurazioni per ottenere il modello ottimo. Infine, i modelli sono stati provati con ulteriori dati per analizzare le loro performance a larga scala e metterli a confronto
Filtraggio e Pre-Processing di Dataset per lo Smistamento Automatico dei Rifiuti di Vetro
PONTELLO, LEONARDO
2022/2023
Abstract
L'attività di smistamento dei rifiuti è un processo ripetitivo, logorante e spesso pericoloso, suscettibile a numerosi errori umani. L'intelligenza artificiale offre un potenziale significativo per automatizzare e migliorare questo lavoro. Il sistema in questione deve saper individuare gli oggetti estranei dal flusso di rifiuti su un nastro trasportatore. Questo richiede un dataset di coppie di immagini che raffigurano la stessa porzione di nastro prima e dopo l’eliminazione degli oggetti intrusi. Il dataset è stato raccolto da un sistema provvisorio e sperimentale trascurando alcune problematiche che hanno reso imperfetto il campionamento. Questo studio si occupa di formulare un algoritmo che sia in grado di filtrare il dataset per scartare le foto inconsistenti. Sono stati osservati diversi indici di similarità, alcuni ottenuti con le CNN, e attraverso l’analisi del PCA sono state individuate le misure più rilevanti. Sono state scelte poi le 4 misure più importanti per rappresentare le coppie di foto in una classificazione attraverso un algoritmo di apprendimento supervisionato, il Support Vector Machine (SVM), e un algoritmo di apprendimento non supervisionato, il Clustering, in particolare sono stati osservati il k-means, l’Agglomerative Clustering, lo Spectral Clustering e il Birch. Gli algoritmi sono stati testati e studiati con le loro molteplici configurazioni per ottenere il modello ottimo. Infine, i modelli sono stati provati con ulteriori dati per analizzare le loro performance a larga scala e metterli a confrontoFile | Dimensione | Formato | |
---|---|---|---|
Pontello_Leonardo.pdf
accesso aperto
Dimensione
1.6 MB
Formato
Adobe PDF
|
1.6 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/57099