Розробка класифікатора з переробки пластика з допомогою глибинного навчання і прямої ациклічної графічної залишкової мережі

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.254285

Ключові слова:

спрямований ациклічний граф (САГ), глибинне навчання, переробка, класифікація, згорткова нейронна мережа (ЗНМ)

Анотація

Переробка є одним із найбільш важливих підходів до захисту навколишнього середовища, оскільки вона спрямована на скорочення відходів на звалищах за збереження природних ресурсів. Використовуючи мережі глибинногонавчання, ця група відходів може бути автоматично класифікована на стрічках сміттєсортувального заводу. Однак базового набору зв'язаних шарів може бути недостатньо для забезпечення задовільної точності таких завдань класифікатора з декількома виходами. Щоб оптимізувати градієнтний потік та забезпечити більш глибинне навчання для проектування мережі за допомогою класифікатора з декількома мітками, у цьому дослідженні пропонується нейронна мережа з глибинним навчанням на основі залишків. Для мережного навчання було вивчено десять класів. Спрямований ациклічний граф (САГ) – це структура з прихованими шарами, які мають входи, виходи та інші шари. Архітектура мережі САГ, заснована на залишках, має короткі з'єднання, які обходять деякі рівні мережі, дозволяючи градієнтам параметрів мережі вільно переміщатися між вихідними шарами мережі для більш глибокого навчання. Методологія включає:

1) підготовку даних та створення сховища даних доповненого зображення;

2) визначення основних послідовно поєднаних гілок мережевої архітектури;

3) визначення залишкових взаємозв'язків в обхід основних відгалужених шарів;

4) визначення шарів;

5) створення графа глибшого шару з урахуванням залишків.

Ідея полягає в тому, щоб розділити проблему мультикласової класифікації на другорядні бінарні стани, де кожен класифікатор працює як експерт, концентруючись на розрізненні двох міток, підвищуючи загальну точність. Результати досягають (2,861%) помилки навчання та (9,76%) помилки перевірки. Результати навчання цього класифікатора оцінюються шляхом знаходження помилки навчання, помилки перевірки та відображення матриці плутанини даних перевірки

Біографії авторів

Ahmed Burhan Mohammed, University of Kirkuk

Lecturer

Department of Media

Ahmad Abdullah Mohammed Al-Mafrji, University of Kirkuk

Department of Mathematics

Moumena Salah Yassen, University of Kirkuk

Assistant Lecturer

Department of Software

Ahmad H. Sabry, Universiti Tenaga Nasional

Doctor of Control and Automation Engineering

Department ofInstitute of Sustainable Energy

Посилання

  1. Wong, K. C. L., Moradi, M. (2019). SegNAS3D: Network Architecture Search with Derivative-Free Global Optimization for 3D Image Segmentation. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019, 393–401. doi: https://doi.org/10.1007/978-3-030-32248-9_44
  2. Taheri, S., Toygar, Ö. (2019). On the use of DAG-CNN architecture for age estimation with multi-stage features fusion. Neurocomputing, 329, 300–310. doi: https://doi.org/10.1016/j.neucom.2018.10.071
  3. Foahom Gouabou, A. C., Damoiseaux, J.-L., Monnier, J., Iguernaissi, R., Moudafi, A., Merad, D. (2021). Ensemble Method of Convolutional Neural Networks with Directed Acyclic Graph Using Dermoscopic Images: Melanoma Detection Application. Sensors, 21 (12), 3999. doi: https://doi.org/10.3390/s21123999
  4. Golrizkhatami, Z., Taheri, S., Acan, A. (2018). Multi-scale features for heartbeat classification using directed acyclic graph CNN. Applied Artificial Intelligence, 32 (7-8), 613–628. doi: https://doi.org/10.1080/08839514.2018.1501910
  5. Agarwal, N., Balasubramanian, V. N., Jawahar, C. V. (2018). Improving multiclass classification by deep networks using DAGSVM and Triplet Loss. Pattern Recognition Letters, 112, 184–190. doi: https://doi.org/10.1016/j.patrec.2018.06.034
  6. Austin, A. E., Desrosiers, T. A., Shanahan, M. E. (2019). Directed acyclic graphs: An under-utilized tool for child maltreatment research. Child Abuse & Neglect, 91, 78–87. doi: https://doi.org/10.1016/j.chiabu.2019.02.011
  7. Anilkumar, K. K., Manoj, V. J., Sagi, T. M. (2021). Automated detection of leukemia by pretrained deep neural networks and transfer learning: A comparison. Medical Engineering & Physics, 98, 8–19. doi: https://doi.org/10.1016/j.medengphy.2021.10.006
  8. Zhu, T., Cao, C., Wang, Z., Xu, G., Qiao, J. (2020). Anatomical Landmarks and DAG Network Learning for Alzheimer’s Disease Diagnosis. IEEE Access, 8, 206063–206073. doi: https://doi.org/10.1109/access.2020.3037107
  9. Oyewola, D. O., Augustine, A. F. (2021). Predicting Impact of COVID-19 on Crude Oil Price Image with Directed Acyclic Graph Deep Convolution Neural Network. Journal of Robotics and Control (JRC), 2 (2). doi: https://doi.org/10.18196/jrc.2261
  10. Pachón-Suescún, C. G., Pinzón-Arenas, J. O., Jiménez-Moreno, R. (2020). Fruit Identification and Quality Detection by Means of DAG-CNN. International Journal on Advanced Science, Engineering and Information Technology, 10 (5), 2183. doi: https://doi.org/10.18517/ijaseit.10.5.8684
  11. Plastic Waste DataBase of Images – WaDaBa. Available at: http://wadaba.pcz.pl/
  12. Jwaid, W. M., Al-Husseini, Z. S. M., Sabry, A. H. (2021). Development of brain tumor segmentation of magnetic resonance imaging (MRI) using U-Net deep learning. Eastern-European Journal of Enterprise Technologies, 4 (9 (112)), 23–31. doi: https://doi.org/10.15587/1729-4061.2021.238957

##submission.downloads##

Опубліковано

2022-04-30

Як цитувати

Mohammed, A. B., Al-Mafrji, A. A. M., Yassen, M. S., & Sabry, A. H. (2022). Розробка класифікатора з переробки пластика з допомогою глибинного навчання і прямої ациклічної графічної залишкової мережі . Eastern-European Journal of Enterprise Technologies, 2(10 (116), 42–49. https://doi.org/10.15587/1729-4061.2022.254285

Номер

Том 2 № 10 (116) (2022): Екологія

Розділ

Екологія

Ліцензія

Авторське право (c) 2022 Ahmed Burhan Mohammed, Ahmad Abdullah Mohammed Al-Mafrji, Moumena Salah Yassen, Ahmad H. Sabry

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.