This study studies about how to use imitate network to choose automatic garbage by applying with the intelligent bin. Furthermore, it is a depth study and multifunction, especially using for a smart farm and a smart family. Besides, this study can be used further for POC (Proof-of-Concept) development. This can use for creating a prototype and apply for practical use in the future.

1. 1
Using the Deep Learning for Garbage Detection with the Applied
of Smart Bin
Natthasath Saksupanara (5920421008)
Graduate School of Applied Statistics, Computer Science
National Institute Development Administration
natthasath.sak@gmail.com
Abstract: This study studies about how to use imitate network to choose automatic garbage by
applying with the intelligent bin. Furthermore, it is a depth study and multifunction, especially using
for a smart farm and a smart family. Besides, this study can be used further for POC (Proof-of-
Concept) development. This can use for creating a prototype and apply for practical use in the
future.
1. INTRODUCTION
ปจจุบัน ปญหาขยะถือเปนปญหาสำคัญที่ทั่วโลกกำลังเผชิญ ซึ่งสงผละกระทบตอระบบนิเวศและสิ่งแวดลอม สืบ
เนื่องมาจากปริมาณขยะที่เพิ่มมากขึ้นในแตละป ตามรายงานสถานการณขยะมูลฝอยของกรมควบคุมมลพิษ ป 2559 ประเทศ
ไทยมีขยะมูลฝอยประมาณ 27 ลานตัน / ป ถูกนำกลับมาใชใหม 22%, ถูกนำไปกำจัด 35% สวนอีก 43% ถูกนำไปกำจัดไม
ถูกตอง ซึ่งอาจเกิดจากกระบวนการในการคัดแยกขยะที่ไมถูกตอง ซึ่งเราตองการทำใหอัตราสวนการนำกลับมาใชใหมเพิ่มขึ้น จึงมี
การรณรงคแยกขยะกอนทิ้ง เพื่อลดปริมาณขยะและกำจัดขยะไดอยางถูกวิธี อีกทั้งถังขยะที่มีการใชอยูในปจจุบัน การทิ้งขยะลง
ทั้งขยะจะตองสัมผัสฝาถังขยะดวยมือ ซึ่งฝาถังขยะควรจะเปนแบบ Swing Bin ทำใหการใชงานถังขยะในปจจุบันไมถูกสุขอนามัย
ผูทำวิจัยจึงเล็งเห็นถึงปญหาและอุปสรรค และเห็นวาสามารถนำโครงขายประสาทเทียม (Neural Network) สำหรับการทำ
Object Detection มาใชในการคัดแยกขยะแบบอัตโนมัติ เชน Bottle, Paper, Battery และอื่นๆ โดยใชขอมูลรูปภาพ Dataset
ทั้งจากการถายขอมูลรูปภาพเพื่อทำ Dataset เอง และจากการดาวนโหลด Open Source โดยใช Raspberry Pi รวมกับ
Raspberry Pi Camera ในการตรวจจับวัตถุ และนำมาประยุกตเขากับถังขยะอัจฉริยะ ดวยบอรด Arduino เพื่อสั่งงาน Servo
Motor ในการควบคุมการเปดปดของถังขยะผานสาย Serial ระหวาง Raspberry และ Arduino มาใชในการแกไขปญหาขางตน
2. RELATED WORK
2.1 Neural Network
Neural Network โครงขายประสามเทียมที่เกิดจากการจำลองสมองของมนุษย ซึ่งเปนหนึ่งใน Algorithm ของ
Machine Learning มีรูปแบบการทำงานที่ซับซอน โดยใช Multiple Hidden Layer และใชฟงกชั่น Non-Linear Activation
นำขอมูลเขาไปใน Input Layer สงตอไปยัง Multiple Hidden Layer ซึ่งจะมีฟงกชั่น (Mini Function) และคาสัมประสิทธที่
ไมซ้ำกัน (Unique Coefficients) ในการเรียนรูซึ่งจะได Output ออกมา Neural Network จะทำการเพิ่มประสิทธิภาพโดย
การ Train ซ้ำไปซ้ำมา ซึ่งจะใชเทคนิคที่เรียกวา Gradient Descent เมื่อสิ้นสุดแตละรอบในการ Train ก็จะทำการคำนวณ
Derivatives ของ Error Metric และสงคากลับไปผานเทคนิคที่เรียกวา Backpropagation สวนคา Coefficients (Weight)
คาสัมประสิทธิ์หรือน้ำหนักในแตละ Neuron จะถูกปรับโดยเทียบกับ Error ทั้งหมด Adjusted Relative ซึ่งกระบวนการนี้จะ
ทำซ้ำจนกวา Error จะลดลงจนถึงจุดที่สามารถยอมรับได

2. 2
Figure 1: Neural Network Architecture - https://bit.ly/2kPaCpY
2.2 Convolutional Neural Network
Convolutional Neural Network (CNN) เปน Neural Network ประเภทหนึ่ง โดยจะทำการแบงรูปภาพออกเปน
Kernel ที่มีขนาดของเมตริกเทากัน แลวใชวิธีการ Sliding Window ในการทำ Feature Extraction และจำทำการลดขนาด
ของพารามิเตอรบน Spatial Layer ที่เรียกวา Subsampling หรือ Downsampling ในการลดขนาดของ Dimension ซึ่ง
แบงเปน Max Pooling, Average Pooling และ Sum Pooling แตสวนใหญจะใช Max Pooling เลือกคาที่มากที่สุดสงไปยัง
Layer ถัดไป จนได Flatten Image ที่เหมาะกับ Multi-Layer Perceptron โดยจะถูก Feed-Forward Neural Network
และสงคากลับไปผานเทคนิคที่เรียกวา Backpropagation และทำการ Train ซ้ำ จนสามารถแยก Low-Level Feature ของ
ภาพไดโดยใชเทคนิคที่เรียกวา Softmax ซึ่งเหมาะกับขอมูลที่ไมเชิงโครงสราง Unstructured Data โดยเฉพาะขอมูลรูปภาพ
อยาง Image ปจจุบันก็ไดมีการพัฒนาตอ โดยรวมความสามารถของ Object Detection, Localization และ Classification
เขาดวยกัน แบงเปน R-CNN, Fast R-CNN และ Faster R-CNN ซึ่งก็ขึ้นอยูกับงานที่เราจะนำไปใช วาตองการใชงานแบบใด
Figure 2: Convolutional Neural Network Architecture - https://bit.ly/2kqHDbW

3. 3
2.3 Single Shot Detector
Single Shot Detector (SSD) เปนเทคนิค Object Detection แบบ MultiBox เพื่อแกไขปญหาที่เกิดจาก
ตระกูล R-CNN หลายประการ ไดแก การ Training Data ที่ใชเวลานานเกินไป, กระบวนการ Training ที่มีหลายขั้นตอน และ
Network ชาเวลาทำการอนุมาน (Inference Time) เพื่อแกไขปญหาคอขวด Bottleneck ของ R-CNN ใหสามารถตรวจจับ
วัตถุไดแบบเรียลไทม (Real-Time Object Detection) จึงเกิดสถาปตยกรรมใหม ไดแก YOLO (You Only Look Once) และ
SSD MultiBox (Single Shot Detector)
บทความ SSD ของ C. Szegedy ถูกเผยแพรในป 2016 โดยประสิทธิภาพและความแมนยำการตรวจจับวัตถุมี
คะแนนอยูที่ 74% mAP (mean Average Precision) ที่ 59 เฟรมตอวินาที สำหรับชุดขอมูลมาตรฐาน (Standard Dataset)
เชน PascalVOC และ COCO โดยสถาปตยกรรมจะประกอบไปดวย 3 สวนหลัก คือ Single Shot เปนเทคนิคในการทำ
Object Localization และ Classification แลวสงตอไปยัง Network ถัดไปแบบ Single Forward, MultipleBox เปนเทคนิค
ในการทำ Bounding Box Regression และสุดทาย Detector เปนเครือขายที่ทำหนาที่ Object Detector พรอมทำการ
Classifies Object ไปพรอมกัน
Figure 3: Single Shot Detector Architecture - https://bit.ly/2m0KQz6
จะเห็นวา SSD ถูกสรางบนสถาปตยกรรม VGG-16 ซึ่งจะทำการตัด Fully Connected Layer ออกไป เนื่องจาก
VGG-16 ใช Base Network ที่มีประสิทธิภาพสูงในการทำ Image Classification ซึ่งนิยมใชในการแกปญหาในเรื่องของ
Transfer Learning มาชวยในการปรับปรุงผลลัพธ แทนการเพิ่ม Fully Connected Layer ทำใหสามารถ Extract Feature
ไดหลาย Scale และลดขนาดของ Input ในแตละ Subsequent Layer ในสวนของ MultipleBox จะทำการสราง Prior หรือ
Anchor ใน Faster R-CNN โดยจะทำการคำนวณลวงหนาแลวกำหนดขอบเขตของ Bounding Box ใหมีขนาดใกลเคียงกับ
Original Ground Truth Boxes ซึ่ง Prior จะถูกเลือกในอัตราสวนของ Intersection over Union (IoU) ที่ 0.5
IoU = Area of Overlap / Area of Union

4. 4
Figure 4: Inference Time - https://bit.ly/2m28z1O
3. METHODOLOGY
3.1 Dataset Collection: ทำการถายรูปจากโทรศัพทมือถือที่มีขนาด 1280 x 1280 เชน Bottle, Paper, Battery, Lemon ซึ่ง
ควรใหขอมูลรูปภาพมีพื้นหลังและแสงเงาที่มีความหลากหลาย ทำการลดขนาดของภาพใหเหลือ Resolution 600 x 600
จากนั้นทำการแบงขอมูลออกเปน Train กับ Test ในอัตราสวน 80:20
3.2 Data Preprocessing: ทำการสราง Label ดวย LabelImg ตาม Class ของรูปภาพที่เรากำหนด ซึ่งจะไดไฟลเปน xml ให
ทำการแปลงเปน csv และสราง TFRecords เพื่อแปลงขอมูลจาก Label ใหสามารถนำไป Train ดวย Object Detector ได

5. 5
3.3 Training Model: ทำการดาวนโหลด COCO-Trained Model โดยเลือกเปน ssd_mobilenet_v1_coco ซึ่งมี Speed
อยูที่ 30 ms และมีคา mAP อยูที่ 21
3.4 Circuit Design: ออกแบบการเชื่อมตออุปกรณที่ใชในการควบคุมถังขยะ โดยใช Arduino Uno R3 ตอเขากับ Servo
Motor SG90 ที่ใชในการควบคุมการเปดปดถังขยะ และเขียนโปรแกรมดวยภาษา C ผานทาง Arduino IDE
Figure 5: Circuit Design
4. Results
แสดงผลการศึกษาการเทรนโมเดลตรวจจับวัตถุดวยโครงขายประสาทเทียม โดยใช Algorithm แบบ Faster R-CNN
บน Tensorflow GPU แสดงขอมูลตัวอยางตามภาพดานลางนี้
Figure 6: Training Object Detection Model

6. 6
Figure 7:Loss Result Training on Tensorboard

7. 7
5. SUMMARY AND FUTURE WORK
การทำงานภาพรวมของระบบ สวนของ Model ที่ใชในการตรวจจับวัตถุและคัดแยกขยะ สามารถทำการตรวจจับวัตถุ
ไดอยางแมนยำโดยเฉพาะวัตถุที่อยูใน Class ที่ไดผานการ Train Model และสวนของอุปกรณที่ใชในการสั่งงานถังขยะ
สามารถทำงานไดอยางครบกระบวนการ แตก็ขึ้นอยูกับสถานที่ที่ใชในการติดตั้งระบบดวย เนื่องจากการตรวจจับวัตถุแบบ
Real-Time จะตองแยกวัตถุออกจากพื้นหลัง หากนำไปวางไวในที่มีพื้นหลังกลืนกับวัตถุจะไมสามารถแยกไดดีเทาที่ควร
ปญหาที่พบ ไมสามารถทำการ Run Model ที่ไดจากการ Train แบบ Faster R-CNN บน Raspberry Pi ได อาจะเปน
เพราะตอน Allocate Memory อุปกรณ Raspberry Pi มี Memory ไมเพียงพอทำใหโดน Terminate หรือโดน Kill Process
วิธีแกคือใหถอยไปใช SSD หรือทำการเปลี่ยน Hardware ที่มี Memory เพียงพอ
ขอเสนอแนะ การติดตั้ง Package ของ Python ที่ใชในการ Run Model จะมี Compatible ของแตละ Package
เยอะพอสมควร ควรตรวจสอบ Version และ Compatible ของแตละ Package รวมถึงอุปกรณ Hardware วารองรับหรือไม
สุดทายผูเขียนหวังวา สามารถนำโปรเจกตไปตอยอดพัฒนาเพื่อสรางถังขยะอัจฉริยะที่สามารถแยกขยะไดดียิ่งขึ้น

8. 8
Reference
[1] Amariei, Cornel. (2015). Arduino development cookbook : over 50 hands-on recipes to quickly
build and understand Arduino projects, from the simplest to the most extraordinary.
[2] Bonaccorso, Giuseppe. (2017). Machine Learning Algorithms.
[3] Bonnin, Rodolfo. (2016). Building Machine Learning Projects with TensorFlow.
[4] Cox, Tim. (2016). Raspberry Pi for Python Programmers Cookbook - Second Edition.
[5]Gollapudi, Sunila. (2016). Practical Machine Learning. Tackle the real-world complexities of modern
machine learning with innovative and cutting-edge techniques.
[6]Kurniawan, Agus. (2016). Making Your IoT Project Smart.
[7]Mcclure, Nick.(2017).TensorFlow Machine Learning Cookbook Explore machine learning concepts using
the latest numerical computing library-TensorFlow-with the help of this comprehensive cookbook.
[8] Soediono, Budi. (1989). Make-Arduino, Journal of Chemical Information and Modeling.
[9]Yang, Mindy and Thung, Gary. (2016). ClassificationofTrash forRecyclability Status
[10]Yang, Mindy and Thung, Gary. (2016). Waste Classification & Localization Based on Convolutional Neural
Networks
[11]Zaccone, Giancarlo.(2017). Deep Learning with Tensorflow.
[12]Zaccone, Giancarlo.(2016). Getting Started with TensorFlow Get up and running with thelatest
numerical computing library by Google anddive deeperinto your data.