Phân loại rác luôn là vấn đề quan trọng bảo vệ môi trường, tái chế tài nguyên và sinh kế xã hội. Tuy nhiên, việc phân loại rác tốn rất nhiều thời gian và công sức. Hơn nữa, việc phân loại rác còn ảnh hưởng trực tiếp tới sức khỏe của người lao động. Để nâng cao hiệu quả phân loại rác, trong bài báo này chúng tôi đề xuất phương pháp phân loại rác dựa trên phương pháp học sâu.
Từ khóa: Phân loại rác, mạng nơ ron tích chập, tối ưu bầy đàn
Abstract: Waste classification is always an important issue to protect the environment, recycle resources and social livelihoods. However, classifying waste takes a lot of time and effort. Furthermore, waste classification also directly affects the health of workers.
To improve the efficiency of waste classification, in this article we propose a waste classification method based on deep learning.
Keywords: Garbage classification, convolutional neural network, swarm optimization.
Giới thiệu
Với sự phát triển của các thành phố thông minh trên khắp thế giới, hệ thống quản lý rác thông minh là rất cần thiết. Bởi lượng rác thải ngày một tăng lên. Điều cần thiết là phải đưa ra cách tiếp cận tốt nhất để quản lý vấn đề này vì rác thải phát sinh vượt quá nhiều. Các công ty môi trường đô thị hiện có ở nước ta thực hiện thu gom rác thải sinh hoạt và công nghiệp rồi đổ vào các bãi rác lớn. Việc phân loại chất thải rắn do người lao động thực hiện không mang tính hệ thống, tốn nhiều thời gian và thậm chí không thể thực hiện được do lượng rác thải quá lớn. Mục đích của nghiên cứu này là xây dựng một ứng dụng thời gian thực có khả năng nhận biết loại chất thải và phân loại nó thành các danh mục xác định. Bằng cách triển khai hệ thống phân loại rác này, chúng tôi muốn giảm bớt những nỗ lực thể chất và phân loại rác thải thành các loại khác nhau một cách hiệu quả. Mô hình được sử dụng cho nghiên cứu này là mạng nơ ron tích chập (Convolutional Neural Network - CNN), một thuật toán học máy (Machine Learning) được sử dụng trên tập dữ liệu chứa hình ảnh rác. Hệ thống này đảm bảo cách tốt nhất để quản lý chất thải và cũng sẽ đẩy nhanh quá trình phân loại với độ chính xác cao hơn. [2][3]
Hình 1: Mô tả cấu trúc mô hình mạng nơ ron tích chập
.png)
Mạng nơ ron tích chập
Mạng nơ ron tích chập là một trong những mô hình học sâu (deep learning) phổ biến nhất và có ảnh hưởng nhiều nhất trong cộng đồng Computer Vision. CNN được dùng trong trong nhiều bài toán như nhận dạng ảnh, phân tích video, ảnh MRI, hoặc cho các bài của lĩnh vực xử lý ngôn ngữ tự nhiên, và hầu hết đều giải quyết tốt các bài toán này. [1]
CNN là một kiến trúc mạng neuron rất thích hợp cho các bài toán mà dữ liệu là ảnh hoặc video.
Tích chập được sử dụng đầu tiên trong xử lý tín hiệu số. Nhờ vào nguyên lý biến đổi thông tin, các nhà khoa học đã áp dụng kĩ thuật này vào xử lý ảnh và video số. Để dễ hình dung, ta có thể xem tích chập như một cửa sổ trượt áp đặt lên một ma trận.
Tập dữ liệu
Tập dữ liệu sử dụng trong nghiên cứu này được lấy từ trang Kaggle và bao gồm 2467 hình ảnh khác nhau của 6 loại rác bao gồm: thủy tinh (491), kim loại (400), giấy (584), nhựa (472), rác (127). các tông (393).
Thực nghiệm
Xử lý dữ liệu:
.png)
Bước 1: Thay đổi kích thước tất cả các hình ảnh trong tập dữ liệu thành 28 x 28 pixel để phù hợp với lớp đầu vào của mô hình.
Bước 2: Chuyển đổi tất cả các ảnh màu về ảnh đa cấp xám để đơn giản hóa thuật toán của mô hình và các yêu cầu tính toán.
Bước 3: Chuẩn hóa tập dữ liệu hình ảnh bằng cách chia mỗi giá trị pixel cho 255. Giá trị pixel nằm trong khoảng từ 0 đến 255 cho mỗi kênh (RGB). Chia giá trị của các pixel cho 255 để chuẩn hóa về phạm vi từ 0 đến 1.
Bước 4: Chia dữ liệu thành ba tập - tập dữ liệu huấn luyện (training datasets), tập dữ liệu kiểm tra (test datasets) và và tập dữ liệu đánh giá (validation datasets).
Để tăng độ chính của mô hình chúng tôi sử dụng phương pháp tối ưu bầy đàn để lựa chọn giá trị tối ưu cho các tham số như số epoch, kích thước của tập batch, tốc độ học (learning rate), hàm tối ưu (optimizer), số lớp ẩn (hidden layer) của mô hình.
Kết quả thử nghiệm trên tập dữ liệu kiểm thử cho độ chính xác là 89%
Kết luận
Trong bài báo này, chúng tôi đã đề xuất một hệ thống phân loại rác thải có thể phân tách các thành phần chất thải khác nhau bằng cách sử dụng các công cụ Mạng nơ ron tích chập. Hệ thống này có thể được sử dụng để tự động phân loại rác thải và giúp giảm sự can thiệp của con người cũng như ngăn ngừa nhiễm trùng và ô nhiễm. Từ kết quả, khi kiểm tra với tập dữ liệu rác, chúng tôi đạt được độ chính xác là 89%. Quá trình phân loại chất thải sẽ nhanh hơn và thông minh hơn khi sử dụng hệ thống của chúng tôi mà không cần hoặc giảm bớt sự tham gia của con người. Nếu thêm nhiều hình ảnh vào tập dữ liệu, độ chính xác của hệ thống có thể được cải thiện.
Tài liệu tham khảo
1. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” in Advances in Neural Information Processing Systems 25, F. Pereira, C. J. C. Burges, L. Bottou, and K. Q. Weinberger, Eds. Curran Associates, Inc., 2012, pp. 1097–1105;
2. Thung, Gary and M. Yang. “Classification of Trash for Recyclability Status.” (2016);
3. Zhang, Y., Gao, H., Fan, H., & Zhu, W. (2018). Automatic waste sorting system based on image recognition technology. In 2018 International Conference on Computer, Mechatronics, Control and Electronic Engineering (CMCE) (pp. 1-4). IEEE.
BÙI THỊ VÂN ANH, ĐẶNG HỮU NGHỊ, PHẠM ĐỨC HẬU
Trường Đại học Mỏ - Địa chất
Nguồn: Tạp chí Tài nguyên và Môi trường
Biến đổi khí hậu đang gia tăng mức độ và tần suất hạn hán tại các vùng sản xuất lúa ở Việt Nam, khiến nông dân gặp khó khăn trong việc duy trì năng suất lúa ổn định. Trước tình hình đó, việc nghiên cứu và khai thác các nguồn gen lúa địa phương có khả năng chịu hạn là một trong những giải pháp quan trọng. Nhằm đánh giá đa dạng di truyền và xác định các giống lúa chịu hạn, TS. Phạm Hùng Cương - Phó Giám đốc Trung tâm Tài nguyên thực vật, Viện Khoa học Nông nghiệp Việt Nam cùng nhóm nghiên cứu đã thực hiện một nghiên cứu sâu rộng về 50 giống lúa địa phương lưu giữ tại Ngân hàng gen thực vật quốc gia. Bài phỏng vấn dưới đây với TS. Phạm Hùng Cương sẽ giúp độc giả hiểu rõ hơn về kết quả nghiên cứu và ứng dụng thực tiễn của nó trong chọn tạo giống lúa chịu hạn.
Khi nhắc đến ô nhiễm không khí, ta thường nghĩ ngay tới khói xe, khói từ ống khói nhà máy hay bụi từ các công trình xây dựng,... Tuy nhiên, đằng sau những đám khói trắng dễ thấy ấy, còn một “tác nhân thầm lặng” đang âm thầm bao phủ bầu không khí, chính là việc đốt rơm rạ thu hoạch sau mỗi mùa gặt. Hoạt động tưởng chừng vô hại này lại tạo ra lượng lớn bụi mịn PM2.5, khí độc và khí nhà kính,... là những yếu tố góp phần làm suy giảm chất lượng không khí, đe dọa sức khỏe cộng đồng, gây tổn thất kinh tế và cản trở nỗ lực ứng phó với biến đổi khí hậu.
Nghiên cứu ứng dụng GeoAI với các mô hình học máy (XGBoost, MLP, SVM) và dữ liệu viễn thám - GIS để xây dựng bản đồ nguy cơ lũ quét cho khu vực phía bắc tỉnh Tuyên Quang, nơi thường xuyên chịu thiệt hại nặng do lũ quét. Kết quả cho thấy mô hình XGBoost đạt độ chính xác cao nhất (Kappa = 0,87) và phân vùng nguy cơ lũ quét thành 5 cấp độ, hỗ trợ quy hoạch và giảm thiểu rủi ro thiên tai.
Trong bối cảnh biến đổi khí hậu và khủng hoảng tài nguyên nước ngày càng gay gắt, việc duy trì hình thức canh tác lúa ngập nước truyền thống đang đặt ra nhiều hệ lụy: lãng phí hàng tỷ mét khối nước tưới mỗi năm và phát thải hàng chục triệu tấn khí mê-tan (CH₄) - loại khí gây hiệu ứng nhà kính mạnh gấp 25 lần CO₂. Từ yêu cầu cấp bách ấy, các nhà khoa học Việt Nam đã tiên phong nghiên cứu và triển khai kỹ thuật tưới khô ướt xen kẽ (AWD) - mô hình canh tác giúp cây lúa “biết thở”, tiết kiệm đến 40% lượng nước tưới, giảm gần một nửa lượng phát thải khí mê-tan mà vẫn đảm bảo năng suất cao. Đây được xem là cuộc cách mạng xanh trong sản xuất lúa gạo, hiện thực hóa cam kết của Việt Nam về phát triển nông nghiệp bền vững và phát thải ròng bằng “0” vào năm 2050.
Tóm tắt Bài báo tập trung phân tích cơ sở pháp lý và yêu cầu hoàn thiện thể chế trong triển khai giấy chứng nhận quyền sử dụng đất, quyền sở hữu tài sản gắn liền với đất dạng điện tử theo quy định mới của Luật Đất đai 2024, Nghị định số 101/2024/NĐ-CP và các văn bản hướng dẫn liên quan. Tác giả tiến hành tổng hợp, phân tích các điểm mới của pháp luật về giấy chứng nhận điện tử, đánh giá thực trạng triển khai tại Việt Nam trong bối cảnh chuyển đổi số quốc gia, đồng thời so sánh với kinh nghiệm quốc tế về hệ thống đăng ký quyền sở hữu đất đai điện tử. Bài viết chỉ ra, việc cấp giấy chứng nhận điện tử là xu hướng tất yếu, song đòi hỏi nhiều điều kiện về hạ tầng số, pháp lý, quản trị dữ liệu và minh bạch thông tin. Thực tiễn triển khai còn tồn tại các vướng mắc liên quan đến pháp lý, bảo mật, liên thông dữ liệu, năng lực công chức và nhận thức xã hội. Tác giả đề xuất nhóm giải pháp hoàn thiện thể chế, bao gồm đồng bộ hệ thống pháp luật về đất đai, giao dịch điện tử; nâng cao năng lực quản trị dữ liệu đất đai quốc gia; xây dựng chuẩn kết nối liên thông dữ liệu và tăng cường bảo vệ dữ liệu cá nhân, cũng như đa dạng hóa kênh tiếp nhận, xử lý hồ sơ điện tử. Bài viết đóng góp cơ sở khoa học giúp cơ quan quản lý tham khảo trong việc xây dựng và hoàn thiện thể chế phù hợp với yêu cầu thực tiễn và quá trình chuyển đổi số.
