โครงการวิจัย

3. หลักการและเหตุผล/ปัญหา/โจทย์การวิจัย

การจัดการขยะรีไซเคิลเป็นปัญหาที่มีความสำคัญในยุคปัจจุบัน เนื่องจากปริมาณขยะที่เพิ่มขึ้นอย่างต่อเนื่อง โดยเฉพาะอย่างยิ่งในพื้นที่เมืองใหญ่ที่มีประชากรหนาแน่น การแยกประเภทขยะรีไซเคิลเป็นขั้นตอนที่สำคัญในการลดปริมาณขยะที่ส่งไปยังหลุมฝังกลบและเพิ่มประสิทธิภาพในการนำทรัพยากรกลับมาใช้ใหม่ อย่างไรก็ตาม การแยกขยะรีไซเคิลด้วยวิธีการทางกายภาพยังคงมีข้อจำกัดในแง่ของความแม่นยำและประสิทธิภาพ โดยเฉพาะในระบบที่ต้องการประมวลผลขยะจำนวนมากในระยะเวลาอันสั้น โดยปัญหาหลักที่พบในปัจจุบันเกี่ยวกับการแยกประเภทขยะรีไซเคิล ได้แก่กระบวนการคัดแยกที่ยังคงใช้แรงงานมนุษย์เป็นหลัก ซึ่งมีความไม่แม่นยำและอาจเกิดข้อผิดพลาดได้ง่าย นอกจากนี้ ขยะบางประเภทมีลักษณะที่ใกล้เคียงกันมาก ทำให้การคัดแยกด้วยตาเปล่าหรือวิธีการทางกายภาพเป็นไปได้ยาก และค่อนข้างอันตราย เช่น ขวดพลาสติกที่มีหลายสีหรือกระดาษที่มีการปนเปื้อนจากสารเคมีหรือคราบอาหาร ด้วยความก้าวหน้าของเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence : AI) และการเรียนรู้เชิงลึก (Deep Learning) ในปัจจุบัน ได้เปิดโอกาสใหม่ในการปรับปรุงกระบวนการแยกประเภทและรู้จำภาพขยะรีไซเคิล ซึ่งสามารถช่วยเพิ่มความแม่นยำ ลดข้อผิดพลาด และลดเวลาที่ใช้ในกระบวนการดังกล่าว การใช้เทคนิคการเรียนรู้เชิงลึก เช่น การจำแนกภาพผ่านโครงข่ายประสาทเทียมเชิงลึก (Convolutional Neural Networks : CNN) ได้รับความสนใจอย่างมากในวงการวิจัยด้านการประมวลผลภาพ เนื่องจากมีศักยภาพในการเรียนรู้และแยกแยะคุณลักษณะที่ซับซ้อนได้ดีโดยสามารถแก้ไขปัญหาดังกล่าวได้ ซึ่งโจทย์การวิจัยที่สำคัญจะเป็นการพัฒนาและปรับปรุงระบบการแยกประเภทและรู้จำภาพขยะรีไซเคิลด้วยการเรียนรู้เชิงลึก โดยมีเป้าหมายหลักในการเพิ่มความแม่นยำและประสิทธิภาพของกระบวนการแยกขยะ โดยปัจจัยที่ต้องพิจารณาได้แก่ การเก็บข้อมูลขยะรีไซเคิลในไทยเพื่อใช้ในการสอนข้อมูลโมเดลปัญญาประดิษฐ์ การออกแบบและฝึกอบรมโครงข่ายประสาทเทียมเชิงลึกที่สามารถแยกแยะและจำแนกประเภทขยะรีไซเคิลที่มีความหลากหลายได้อย่างมีประสิทธิภาพ โดยจะมุ่งเน้นไปที่การสร้างแบบจำลองที่สามารถประมวลผลและวิเคราะห์ภาพขยะรีไซเคิลได้อย่างถูกต้อง โดยใช้เทคนิคการเรียนรู้เชิงลึก เช่น Convolutional Neural Networks (CNNs) ซึ่งเป็นโครงข่ายประสาทเทียมที่ได้รับการพิสูจน์แล้วว่ามีความสามารถในการรู้จำรูปแบบที่ซับซ้อนในภาพ งานวิจัยจะครอบคลุมถึงการเก็บข้อมูล การเตรียมชุดข้อมูล การออกแบบโครงข่าย และการปรับปรุงประสิทธิภาพของโมเดลเพื่อให้สามารถใช้งานได้จริงในระบบการจัดการขยะรีไซเคิล

โดยงานวิจัยนี้มีความสำคัญในการพัฒนาและปรับปรุงกระบวนการแยกประเภทและรู้จำภาพขยะรีไซเคิลด้วยการเรียนรู้เชิงลึก ซึ่งจะนำไปสู่การจัดการขยะที่มีประสิทธิภาพมากขึ้น ช่วยลดภาระงานของมนุษย์ ลดข้อผิดพลาดในการแยกประเภทขยะ และส่งเสริมการใช้ทรัพยากรอย่างยั่งยืน งานวิจัยนี้จึงมีศักยภาพในการสร้างผลกระทบเชิงบวกต่อสิ่งแวดล้อมและสังคมอย่างมีนัยสำคัญ

4. วัตถุประสงค์ (ระบุเป็นข้อ)

4.1 การเก็บชุดข้อมูลขยะรีไซเคิลในไทยเพื่อใช้ในการสอนโมเดลคัดแยกและรู้จำขยะรีไซเคิลด้วยการเรียนรู้เชิงลึก

4.2 นำชุดข้อมูลที่ได้ไปใช้ในการสอนแบบจำลองการเรียนรู้เชิงลึกให้สามารถแยกประเภทและรู้จำขยะรีไซเคิลได้

4.3 ทดสอบประสิทธิภาพของแบบจำลองการแยกประเภทและรู้จำขยะรีไซเคิลที่ได้สอนข้อมูลแล้ว

5. กรอบการวิจัย/พัฒนา

5.1 ขยะรีไซเคิลที่จะเก็บข้อมูลเพื่อแยกประเภทและรู้จำ ได้แก่

5.1.1 กระป๋องเหล็กและอลูมิเนียม

5.1.2 ขวดแก้ว

5.1.3 โลหะ

5.1.4 กระดาษ (แบ่งเป็นกระดาษลัง กล่องนม และกระดาษทั่วไป)

5.1.5 ขยะพลาสติก (แบ่งเป็นHDPE PET PlasticBag PP และ PVC)

5.2 จะใช้อินพุตของโมเดลเป็นรูปภาพขยะรีไซเคิลเป็นภาพสีสองมิติเท่านั้น

6. แนวคิด ทฤษฎี และสมมติฐานงานวิจัย

6.1 แนวคิด

         ปัญหาขยะปริมาณขยะที่เพิ่มขึ้นและการจัดการขยะที่ไม่เหมาะสมเป็นปัญหาสำคัญที่มีผลกระทบต่อสิ่งแวดล้อมและสุขภาพของประชาชน การจัดการขยะอย่างมีประสิทธิภาพไม่เพียงแต่จะลดปริมาณขยะที่ต้องนำไปฝังกลบ แต่ยังช่วยเพิ่มการนำทรัพยากรกลับมาใช้ใหม่ (Recycle) โดยการแยกประเภทขยะรีไซเคิลตั้งแต่ต้นทางเป็นวิธีหนึ่งที่สามารถช่วยลดภาระงานของสถานที่จัดการขยะและเพิ่มประสิทธิภาพในการจัดการขยะรีไซเคิลได้อย่างมีนัยสำคัญ ซึ่งการพัฒนาระบบแยกประเภทและรู้จำภาพขยะรีไซเคิลอัตโนมัติด้วยการเรียนรู้เชิงลึก (Deep Learning) ถือเป็นแนวทางหนึ่งที่มีศักยภาพสูงในการแก้ปัญหานี้ การเรียนรู้เชิงลึกสามารถใช้ในการแยกประเภทของขยะ เช่น แก้ว พลาสติก โลหะ กระดาษ เป็นต้น และยังสามารถรู้จำวัตถุที่ปรากฏในภาพเพื่อระบุชนิดของขยะได้อย่างแม่นยำ

โดยโครงการนี้มีวัตถุประสงค์หลักในการพัฒนาและทดสอบระบบแยกประเภทและรู้จำภาพขยะรีไซเคิลอัตโนมัติ โดยใช้ไลบรารี TensorFlow สำหรับการทำแยกประเภท (Classification) และไลบรารี Yolo V8 สำหรับการทำการรู้จำวัตถุจากภาพ (Object Recognition) เพื่อเพิ่มประสิทธิภาพในการคัดแยกขยะรีไซเคิลอัตโนมัติ

โดยมีขั้นตอนการดำเนินโครงการดังต่อไปนี้

6.1.1 การเก็บรวบรวมข้อมูลภาพขยะจากแหล่งต่างๆ รวมถึงการจัดหมวดหมู่ชัดเจน ได้แก่ กระป๋องเหล็กและอลูมิเนียม ขวดแก้ว โลหะ กระดาษ (แบ่งเป็นกระดาษลัง กล่องนม และกระดาษทั่วไป) ขยะพลาสติก (แบ่งเป็นHDPE PET PlasticBag PP และ PVC)

6.1.2 การเตรียมข้อมูลสำหรับการเรียนรู้เชิงลึก รวมถึงการแปะฉลากภาพ (Annotation) และการประมวลผลเบื้องต้น (Preprocessing) ของข้อมูล เช่น การ Resize, Normalize และ Augment ภาพ

6.1.3 การพัฒนาและฝึกสอนโมเดล TensorFlow สำหรับการจำแนกประเภทขยะในแอพพลิเคชันหรือสถาปัตยกรรมต่างๆที่ได้รับความนิยม

6.1.4 การประเมินประสิทธิภาพของโมเดลโดยใช้ metrics ต่างๆ เช่น Accuracy, Precision, Recall, Confusion Matrix และ F1-Score

6.1.5 การพัฒนาและฝึกโมเดล Yolo เพื่อใช้ในการรู้จำวัตถุเพื่อตรวจจับขยะในภาพและระบุประเภทของขยะ รวมถึงการปรับจูนค่าต่างๆ เช่น การปรับค่า hyperparameters ของโมเดล Yolo V8 เพื่อเพิ่มความแม่นยำและความเร็วในการรู้จำวัตถุ

         โดยการพัฒนาระบบแยกประเภทและรู้จำขยะรีไซเคิลด้วย TensorFlow และ Yolo V8 จะช่วยลดภาระงานของเจ้าหน้าที่ในการคัดแยกขยะ เพิ่มความแม่นยำและความรวดเร็วในการแยกประเภทขยะรีไซเคิล และเพิ่มปริมาณทรัพยากรที่สามารถนำกลับมาใช้ใหม่ได้ นอกจากนี้ยังสามารถประยุกต์ใช้ในสถานที่ทิ้งขยะสาธารณะ หรือติดตั้งในสถานที่ที่มีการทิ้งขยะอย่างต่อเนื่อง เช่น โรงเรียน ห้างสรรพสินค้า เป็นต้น ซึ่งจะมีส่วนช่วยในการลดปัญหาปริมาณขยะที่เพิ่มขึ้นและการจัดการขยะที่ไม่เหมาะสม รวมไปถึงส่งเสริมการใช้ทรัพยากรอย่างยั่งยืนในระยะยาว