Autonomous Garbage Detection and Localization using Deep Learning and Computer Vision Techniques

Abstract

Environmental pollution is a serious issue that the world is facing nowadays. A tremendous amount of waste is generated every year causing irreparable damage and permanent pollution to the Earth. Moreover, waste generated by humans in public places shows an uncivilized image of some nations which is why it is very important to rely on modern solutions to get rid of such issues. This thesis aims to utilize advanced deep learning and computer vision techniques in order to detect waste in public places and help getting rid of such waste in an automated way. Within the scope of this thesis, di erent approaches of object detection usingpre-trained deep neural networks are discussed. Furthermore, it also comprises the pre-processing pipeline of collecting potential input data, preparing it and applying the concept of data augmentation on it. The final assessment includes current results and further development and application of the aforementioned object detection model.

Die Umweltverschmutzung ist ein ernstes Problem, mit dem die Welt heutzutage konfrontiert ist. Jedes Jahr fallen enorme Abfallmengen an, die irreparable Schäden und eine dauerhafte Verschmutzung der Erde verursachen. Darüber hinaus ist der von Menschen an öffentlichen Orten erzeugte Abfall ein unzivilisiertes Bild einiger Nationen, weshalb es sehr wichtig ist, sich auf moderne Lösungen zu verlassen, um solche Probleme zu lösen. Diese Thesis zielt darauf ab, fortgeschrittene Techniken des Deep Learning und der rechnergestützten Bildverarbeitung zu nutzen, um Abfall an öffentlichen Plätzen aufzuspüren und zu helfen, solchen Abfall auf automatisierte Weise entsorgen. Im Rahmen dieser Arbeit werden verschiedene Ansätze der Objekterkennung mit Hilfe von vortrainierten tiefen neuronalen Netzen diskutiert. Darüber hinaus umfasst sie auch die Vorverarbeitungspipeline der Sammlung potenzieller Eingabedaten, deren Aufbereitung und die Anwendung des Konzepts der Data Augmentation auf diese Daten. Die abschließende Bewertung umfasst die aktuellen Ergebnisse sowie die Weiterentwicklung und Anwendung des oben genannten Objektdetektionsmodells.