Προπτυχιακές Σπουδές

Ανάπτυξη αλγορίθμου για τον διαχωρισμό μετάλλων με την χρήση τεχνικών τεχνητής νοημοσύνης
Διπλωματική Εργασία

---

Περιγραφή

Περιγραφή:

Οι πεπερασμένοι πόροι και τα κλιματικά ζητήματα έχουν καταστήσει αναγκαία τη μετάβαση στο μοντέλο της κυκλικής οικονομίας. Λόγω της ραγδαίας αύξησης της παραγωγής αστικών στερεών απορριμμάτων παγκοσμίως, η ΕΕ έχει θέσει νέους στόχους αποδοτικότερης ανακύκλωσης τους. Συνήθως τα αστικά απορρίμματα αποτελούν μια αρκετά πολύπλοκη ροή στερεών υλικών που περιλαμβάνει μέταλλα, πολυμερή-πλαστικά, ξύλο, πλαστικό, χαρτί, γυαλί, , υλικά κατασκευών κλπ. Η αποτελεσματική διαλογή των υλικών αποτελεί κρίσιμη προϋπόθεση για επιτυχημένη ανακύκλωση, συνεπώς η ερευνητική κοινότητα έχει στραφεί στις αυτοματοποιημένες τεχνικές διαλογής με στόχο τον εκσυγχρονισμό και την ψηφιοποίηση της διαδικασίας ανακύκλωσης, όπου αισθητήρες χρησιμοποιούνται για την ανίχνευση των ανακυκλώσιμων υλικών στα απόβλητα με σκοπό την ανάπτυξη αυτόνομων συστημάτων για την ταξινόμησή τους.

Στο πλαίσιο αυτής της διπλωματικής εργασίας ζητείται η ανάπτυξη ενός αλγορίθμου που θα χρησιμοποιηθεί σε υπάρχον εργαστηριακό βιομηχανικό σύστημα διαχωρισμού μεταλλικών απορριμμάτων και θα βασίζεται σε τεχνικές μηχανικής ή βαθιάς μάθησης (machine or deep learning). Η εκπαίδευση του μοντέλου θα βασίζεται σε δεδομένα που προέρχονται από υπερφασματικό αισθητήρα (hyperspectral sensor) και βιομηχανική κάμερα. Με αυτό τον τρόπο θα διευκολύνεται η αναγνώριση, ο χαρακτηρισμός και η κατηγοριοποίηση των μετάλλων με βάση την σύνθεσή τους.

Στόχοι. Στο πλαίσιο της εργασίας αυτής ο/η φοιτητής/τρια θα κληθεί να :

• Πραγματοποίηση βιβλιογραφικής έρευνας (state of the art analysis)
• Σύγκριση υπαρχόντων μεθόδων διαλογής μεταλλικών απορριμμάτων
• Ανάπτυξη αλγορίθμου (model training)
• Πειραματικό μέρος
• Συμπεράσματα και μελλοντική έρευνα

Προτεινόμενη βιβλιογραφία:

[1] Li Y, Qin X, Zhang Z, Dong H. A robust identification method for nonferrous metal scraps based on deep learning and superpixel optimization. Waste Management & Research. 2021;39(4):573-583. doi:10.1177/0734242X20987884

[2] Bonifazi, G., Gasbarrone, R., Palmieri, R., & Serranti, S. HIERARCHICAL MODELLING FOR RECYCLING-ORIENTED CLASSIFICATION OF SHREDDED SPENT FLAT MONITOR PRODUCTS BASED ON HYPERSPECTRAL IMAGING.

[3] Candiani, G., Picone, N., Pompilio, L., Pepe, M., & Colledani, M. (2017). Characterization of fine metal particles derived from shredded WEEE using a hyperspectral image system: preliminary results. Sensors, 17(5), 1117.

Προαπαιτούμενα: Python (Tensorflow ή Pytorch), Machine vision systems, Hyperspectral imaging

Επικοινωνία: Φώτιος Κωνσταντινίδης (fotios.konstantinidis@iccs.gr), Σάβββας Σιφναίος (Savvas.sifnaios@iccs.gr) Χριστίνα Στεφάνη (christina.stefani@iccs.gr), Παναγιώτης Τσανάκας (panag@cs.ntua.gr).