Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 1 of 1
Back to Result List

Waste object classification with AI on the edge accelerators

  • The classification of waste with neural networks is already a topic in some scientific papers. An application in the embedded systems area with current AI processors to accelerate the inference has not yet been discussed. In this master work a prototype is created which classifies waste objects and automatically opens the appropriate container for the object. The area of application is in the public space. For the classification a dataset with 25,681 images and 11 classes is created to re-train the Convolution Neuronal Networks EfficientNet-B0, MobileNet-v2 and NASNet-mobile. These Convolution Neuronal Networks run on the current Edge \acrshort{ai} processors from Google, Intel and Nvidia and are compared for performance, consumption and accuracy. The master thesis evaluates the result of these comparisons and shows the advantages and disadvantages of the respective processors and the CNNs. For the prototype, the most suitable combination of hardware and AI architecture is used and exhibited at the university fair KasetFair2020. An opinion survey on the application of the machine is conducted.
  • Das Klassifizieren von Abfall mit Neuronalen Netzen ist bereits Thema in einigen wissenschaftlichen Arbeiten. Eine Anwendung im Embedded Systems Bereich mit aktuellen KI-Prozessoren zur Beschleunigung der Inferenze wurde dabei noch nicht behandelt. In dieser Masterarbeit wird ein Prototyp erstellt der Müllobjekte klassifiziert und den für das Objekt zutreffende Behälter automatisch öffnet. Der Einsatzbereich liegt dabei auf dem öffentlichem Raum. Für die Klassifizierung wird ein Datenset mit 25,681 Bilder und 11 Klassen erstellt um Convolution Neuronal Networks EfficientNet-B0, MobileNet-v2 und NASnet-Mobile neu zu trainieren. Diese Convolution Neuronal Networks werden auf den aktuellen Edge KI-Prozessoren von Google, Intel und Nvidia ausgeführt und auf Leistung, Verbrauch und Genauigkeit verglichen. Die Masterarbeit evaluiert das Ergebnis dieses Vergleiches und zeigt dabei die Vor- und Nachteile der jeweiligen Prozessoren sowie der Convolution Neuronal Networks. Für den Prototpen wird die am besten geeignete Kombination aus Hardware und KI-Architekture verwendet und auf der Universitätsmesse KasetFair2020 ausgestellt. Dabei wird eine Meinungsumfrage zur Anwendung der Maschine durchgeführt.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Michael Schneider
DOI:https://doi.org/10.25924/opus-3843
Title Additional (German):Klassifizieren von Abfallobjekten mit Edge KI Prozessoren
Advisor:Robert Amann, Chowarit Mitsantisuk
Document Type:Master's Thesis
Language:English
Year of publication:2020
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2021/07/05
Tag:KI für Embedded System; Recyclen mit Künstlicher Intelligenz
AI on the Edge; CNN for Embedded System; Waste classification
Number of pages:XIII, 115
DDC classes:600 Technik, Medizin, angewandte Wissenschaften
Open Access?:ja
Course of Studies:Mechatronics
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz