پديد آورنده :
نورمحمدي، علي
عنوان :
طراحي و ساخت سامانۀ تشخيص قطعات بازيافت شهري خشك با به كارگيري هوش مصنوعي و بينايي ماشين
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي كاربردي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
چهارده، 128ص. : مصور، جدول، نمودار
استاد مشاور :
محمود فرزين
توصيفگر ها :
بينايي ماشين , يادگيري ماشين , شبكۀ عصبي كانولوشن عميق , يادگيري انتقالي , كنترل كنندۀ سروو-بصري , مواد بازيافتي , پت و پلي پروپيلن
استاد داور :
مهدي كشميري، علي لقماني
تاريخ ورود اطلاعات :
1400/10/18
رشته تحصيلي :
مهندسي مكانيك
تاريخ ويرايش اطلاعات :
1400/11/03
چكيده فارسي :
با گسترش جوامع شهري و مصرف‌گرايي افراد جامعه، روزانه شاهد افزايش زباله‌ها در جهان مي‌باشيم؛ به طوري كه پيش‌بيني‌ها حاكي از آن است كه ميزان زباله‌هاي جامد شهري توليد شده در جهان تا سال 2025 به 2/2 بيليون تن در سال مي‌رسد و اين درحالي است كه هم‌چنان در بسياري از اماكن تفكيك زباله و مواد بازيافتي، جداسازي به صورت دستي انجام مي‌گيرد. ارائۀ يك سيستم بينايي ماشين براي طبقه‌بندي زباله‌ها و مواد بازيافتي، مي‌تواند يكي از مؤثرترين راه‌حل‌ها باشد.
راهبرد اصلي اين پايان‌نامه، ارائۀ روشي مبتني بر تصوير، براي طبقه‌بندي مواد مختلف موجود در بازيافت شهري و به طور خاص مواد پلاستيكي از طبقۀ پت و پلي‌پروپيلن است. براي نيل به اين هدف، ابتدا به جمع‌آوري يك مجموعه‌دادۀ تصويري از مواد مختلف موجود در بازيافت شهري مبادرت مي‌شود. براي دستيابي به يك سامانۀ طبقه‌بندي مناسب، پس از بررسي و به‌كارگيري روش‌هاي درخت تصميم‌گيري، ماشين بردارپشتيبان و نزديك‌ترين همسايه از گروه الگوريتم‌هاي يادگيري ماشين تحت‌نظارت و اعمال يادگيري انتقالي روي شبكۀ عصبي كانولوشن عميق AlexNet، يك روش جديد براي طبقه‌بندي داده‌هاي تصويري در گروه مواد بازيافتي ارائه مي‌گردد. در روش پيشنهادي، با به‌كارگيري شبكۀ عصبي كانولوشن عميق AlexNet به عنوان استخراج‌گر ويژگي و يك الگوريتم ماشين بردارپشتيبان به عنوان طبقه‌بندي كننده، به دسته‌بندي مواد بازيافتي اقدام شده و براي محاسبۀ دقت اين روش از دو رويكرد نرم‌افزاري و پياده‌سازي عملي استفاده مي‌شود. نتايج حاصل از پياده‌سازي عملي براي هر دو حالت اجسام ساكن و نيز اجسام در حال حركت روي نوار نقاله بيان مي‌گردند.
در پايان نيز با مقايسۀ دو روش كنترل سروو-بصري مبتني بر موقعيت و كنترل سروو-بصري مبتني بر تصوير، دو كنترل‌كننده يعني كنترل‌كنندۀ تناسبي-مشتق‌گير همراه با جبران‌كنندۀ گرانش مبتني بر تصوير و كنترل‌كنندۀ تقويت‌شدۀ مبتني بر تصوير براي مكانيزم جداساز مواد بازيافتي كه در اين پايان‌نامه، بازوي SCARA در نظر گرفته مي‌شود، ارائه مي‌گردد و عملكرد اين دو كنترل‌كننده مقايسه مي‌شود.
چكيده انگليسي :
With the expansions of urban communities and consumerism in society, daily increase in waste is witnessed in the world; Such that according to the forecasts, the amount of municipal solid waste generated in the world by 2025 will reach 2.2 billion tons per year, while in many places of separation of waste and recycled material, separation is still performed manually. Providing a machine vision system for the classification of waste and recycled material can be one of the most effective solutions.
The main strategy of this dissertation is to present an image-based method for classifying various materials in urban recycling, and in particular plastic material of PETE and polypropylene. To achieve this goal, a visual data set from various materials in urban recycling is collected. To achieve a proper classification system, after reviewing and applying decision tree algorithm, the support vector machine and the nearest neighbor of the group of supervised machine learning algorithms and transfer learning applications on the AlexNet as a deep convolutional neural network, a new method is presented for classifying image data in the recycling material group. In the proposed method, by using AlexNet as feature extractor and a support vector machine algorithm as classifier, recycled material are classified and to calculate the accuracy of this method, two approaches of software and practical implementation are used. The results of the experimental implementation are stated for both static objects as well as objects moving on the conveyor.
Finally, by comparing the two methods of position-based visual servoing and image-based visual servoing, two controllers i.e. PD plus gravity compensation and augmented image-based visual servoing are presented for a SCARA manipulator and their performances are compared.
استاد مشاور :
محمود فرزين
استاد داور :
مهدي كشميري، علي لقماني
