Title: ถังขยะรีไซเคิลอัจฉริยะรักษ์โลก
Authors: พัณณิตา กาญจนสุโรจน์; รัชชานนท์ แสนเสส; วทัญญู ลิปิกรธนางกูร
Abstract: งานวิจัยนี้จะนำเสนอระบบถังขยะรีไซเคิลอัจฉริยะแบบใหม่ที่พัฒนาจากโครงการ Trashy ที่ใช้ IoT
ระบบนี้เสนอให้มีการจัดการขยะซึ่งเป็นหนึ่งในปัญหาหลักของโลก นอกจากนี้การจัดการขยะยังนำไปสู่ปัญหา
มากมาย เช่น ปัญหาสุขภาพอันเนื่องมาจากเชื้อโรคและภาวะโลกร้อน ทางออกที่เป็นไปได้สำหรับปัญหานี้คือ
การแยกประเภทขยะแต่ละประเภทให้เหมาะสม
อย่างไรก็ตามระบบการคัดแยกขยะจำนวนมากยังไม่มีประสิทธิภาพเพียงพอและทำให้ผู้คนสับสน
เกี่ยวกับวิธีการแยกประเภทของขยะ ดังนั้นงานวิจัยนี้จะเสนอโอกาสในการ reTrash เพื่อดัดแปลงโครงการ
ต้นแบบที่สามารถแยกประเภทของขยะโดยอัตโนมัติ ได้แก่ แก้ว พลาสติก กระป๋องโลหะ และขยะอื่น ๆ ระบบ
ที่นำเสนอใช้ Raspberry pi กับคอนโทรลเลอร์หลัก นอกจากนี้ระบบนี้ยังจำแนกขยะจากการเรียนรู้ภาพถ่าย
ก่อนหน้านี้โดยใช้แบบจำลอง resnet50 เพื่อวิเคราะห์ภาพและจำแนกขยะ จากนั้นของเสียจะถูกส่งไปยังถัง
ขยะโดยใช้มอเตอร์ขับเคลื่อน จากผลการทดลองระบบที่นำเสนอแสดงถึงความแม่นยำถึง 98% จากการ
ทดสอบและ 84% จากการนำไปใช้จริง; This research will propose a new smart recycling bin system that develops from the Trashy project that is an IoT – based. This system proposed to waste management for being one of the main problems in the world. In addition, the waste management leads to many problems such as health issues due to germs and global warming. A possible solution for this problem is to properly classify each type of garbage. However, the many waste separation systems are not efficient enough and people confuse about how to separate the type of garbage. So, this research will propose a reTrash prospect to adapt the prototype project that can automatically separate the type of garbage: glass, plastic, metal cans, and other waste. The proposed system uses the Raspberry pi to the main controller. In addition, this system classifies a waste from learning previous photos by using the resnet50 model to analyze the images and classify the garbage. And then, a waste is sent to the bin by motor drive. From the experimental results, the proposed system represents the accuracy to 98% from testing and 84% from real implementation.