Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma

Geri dönüşüm, çevresel sürdürülebilirliğin sağlanmasında temel bir rol oynamakta ve doğal kaynakların korunması ile atık yönetiminin etkinliğinin artırılmasına doğrudan katkı sağlamaktadır. Artan nüfus ve sanayileşme ile birlikte meydana gelen atık miktarındaki ciddi artış, bu atıkların doğru şekilde ayrıştırılmasını ve geri dönüştürülmesini zorunlu hale getirmiştir. Atık sınıflandırma süreci, geri dönüşüm sistemlerinin verimliliği üzerinde doğrudan etkili bir faktör olmasına rağmen, geleneksel yöntemler yüksek maliyet, zaman kaybı ve insan hatasına açık olma gibi çeşitli kısıtlar taşımaktadır. Bu nedenle, atık sınıflandırma sürecinin otomasyon yoluyla desteklenmesi büyük önem arz etmektedir. Derin öğrenme tabanlı modeller, son yıllarda otomatik atık sınıflandırma alanında umut vaat eden sonuçlar vermiştir. Bu çalışmada, farklı boyutlardaki veri kümeleri üzerinde, derin öğrenme tabanlı sınıflandırma modellerinin performansı detaylı bir şekilde incelenmiştir. Çalışmada iki farklı veri kümesi kullanılmıştır: Garbage Classification ve Garbage-Dataset. Garbage Classification veri kümesi, 2.890 görüntüden oluşmakta olup sınıf dağılımı açısından dengesiz bir yapı sergilemektedir. Bu dengesizlik, eğitim sürecinde uygulanan veri artırma teknikleri ile dengelenmiştir. Garbage-Dataset ise 9.660 görüntü içermekte ve sınıflar arasında daha dengeli bir dağılım sunarak modellerin genelleme kabiliyetlerinin daha sağlıklı bir şekilde değerlendirilebilmesine imkân tanımaktadır. Çalışmanın temel amacı, veri kümesi boyutlarının derin öğrenme modellerinin sınıflandırma performansları üzerindeki etkisini analiz etmek ve her bir veri kümesi için en iyi sonuç veren modeli belirlemektir. Atık sınıflandırma görevinde, literatürde sıkça kullanılan dört farklı Evrişimsel Sinir Ağı (CNN) mimarisi tercih edilmiştir: DenseNet121, InceptionV3, MobileNetV2 ve VGG16. Modeller, ImageNet veri kümesi üzerinde önceden eğitilmiş olup transfer öğrenme teknikleri kullanılarak hedef göreve adapte edilmiştir. Model performanslarının daha güvenilir bir şekilde değerlendirilebilmesi amacıyla beş katlı çapraz doğrulama yöntemi uygulanmıştır. Ayrıca, Garbage Classification veri kümesindeki sınıf dengesizliği, veri artırma stratejileri kullanılarak minimize edilmiştir. Buna ek olarak, çalışmanın son bölümünde özellik füzyon temelli hibrit modelleme yaklaşımı uygulanmıştır. VGG16, InceptionV3, DenseNet121 ve MobileNetV2 modellerinin önceden eğitilmiş katmanlarından elde edilen özellikler birleştirilerek yeni bir hibrit model tasarlanmıştır. Bu yöntem ile her modelin güçlü yönlerinin aynı mimaride temsil edilmesi hedeflenmiştir. Garbage Classification veri kümesi üzerinde yapılan hibrit modelleme sonucunda, doğruluk oranı %85,88'e ulaşarak temel modellerin üzerinde performans sergilemiştir. Garbage-Dataset üzerinde ise hibrit model %91,26 doğruluk sağlamış ve bu yönüyle bazı temel modellerle karşılaştırılabilir başarıda olmuştur. Deneysel sonuçlara göre analiz edilen iki verikümesinde de hibrit model, Doğruluk, Precision, Recall, F1 Skor ve ROC AUC gibi performans metriklerinde en üstün sonuçları elde etmiştir. Deneysel sonuçlar, veri kümesi boyutunun sınıflandırma başarımı üzerinde önemli bir etkisi olduğunu açıkça ortaya koymuştur. Garbage Classification veri kümesi üzerinde yapılan analizlerde, tekil modellerde en yüksek doğruluk oranı %85,05 ile VGG16 modeli tarafından elde edilmiştir. DenseNet121 %82,63, MobileNetV2 %82,49 ve InceptionV3 %80,42 doğruluk oranları ile VGG16'yı takip etmiştir. Garbage-Dataset üzerinde yapılan değerlendirmelerde ise en yüksek doğruluk oranı %90,75 ile DenseNet121 modeli tarafından sağlanmıştır. Bu modeli sırasıyla MobileNetV2 (%89,67), InceptionV3 (%88,41) ve VGG16 (%86,09) takip etmiştir. Hibrit modellerle birlikte elde edilen sonuçlar, model mimarisi seçimlerinin ve özellik birleştirme stratejilerinin sınıflandırma başarısına önemli katkılar sağladığını göstermektedir. Bu çalışma, atık sınıflandırma alanında derin öğrenme yöntemlerinin potansiyelini ortaya koymakta ve otomatik atık yönetimi sistemlerinin geliştirilmesine yönelik gelecekteki araştırmalar için önemli bir temel sunmaktadır.