17 th UBAK, 19 - 20 August 2023, Ankara 249 | 249 Makale id= 91 Sözlü Sunum ORCID ID: 0000-0003-3438-6872, 0000-0002-7965-1919 Optik Mikroskop Görüntüleme ve Makine Öğrenmesi Tabanlı Plastik Tür Sınıflandırması Dr. Ulaş Yurtsever 1-3 , Doç.Dr. Meral Yurtsever 2-3 1 Sakarya Üniversitesi, Adapazarı MYO, Bilgisayar Teknolojileri Bölümü, Sakarya, Türkiye 2 Sakarya Üniversitesi, Mühendislik Fakültesi, Çevre Mühendisliği Bölümü, Sakarya, Türkiye 3 Sakarya Üniversitesi Araştırma Geliştirme ve Uygulama Merkezi (SARGEM), Disiplinlerarası Yapay Zeka Laboratuvarı, Esentepe Kampüsü, 54050 Sakarya, Türkiye Corresponding author: Ulaş Yurtsever Özet: Plastikler günümüzde mevcut tüm alanlarda (sanayi, tıp, elektronik, otomotiv, gıda, vb.) kullanılan bir malzeme olmakla beraber plastiklerin atıkları, toprak, deniz, göl ve okyanuslarda biriken bir kirletici durumundadır. Atık geri dönüşümünde plastik atıkların diğer organik-inorganik atıklarla karışması istenmez. Aynı zamanda plastik atıkların birbirleriyle de karışması istenmez çünkü bir plastiğin geri dönüşüm akışında az miktarda başka bir plastik türünün bulunması bile geri dönüştürülen saf reçineyi bozabilir. Dolaysıyla bu plastik atıkların hangi tür plastikler olduğunun tespit edilmesi, plastik tür kirliliğinin ortaya konulması ve ayrılması açısından önemlidir. Bu çalışma kapsamında bir iklimlendirme kabininde sıcaklık, nem, UV ve tuz ile yaşlandırma yapılan PE, PVC, PP, PS vb. 9 farklı plastik malzemenin optik mikroskop görüntüleri üzerinden makine öğrenmesi algoritmaları ile plastik tür sınıflaması yapılmıştır. Her bir plastik türü sınıfı için yaklaşık 1800 adet olmak üzere toplamda 16125 mikroskop görüntüsü kullanılmıştır. Makine öğrenmesi algoritmaları olarak Bagging, Rastgele Orman ve Karar Ağacı olmak üzere üç farklı sınıflama algoritması kullanılmış olup, bu algoritmalar farklı hiperparametreler ile eğitilerek en iyi model belirlenmiştir. Model performansları, doğruluk, keskinlik, duyarlılık ve f1-skor metrikleri üzerinden değerlendirilmiştir. Sırasıyla algoritmaların doğrulukları; Bagging %90.85, Rastgele Orman %82.39 ve Karar Ağacı için %71.32 olarak hesaplanmıştır. Yapılan çalışma sonucunda plastik tür sınıflandırması için en doğru sınıflandırma performansı Bagging algoritması ile elde edilmiştir. Teşekkür: Bu çalışma 220M024 numaralı TÜBİTAK projesi kapsamında desteklenmiştir. Anahtar Kelimeler: Yapay Zeka, Makine Öğrenmesi, Plastik, Optik Mikroskop Plastic Types Classification Via Optical Microscope Imaging and Machine Learning-Based Methods Abstract: Although plastics are a material used in all fields (industry, medicine, electronics, automotive, food, etc.), the wastes of plastics are a pollutant that accumulates in soil, seas, lakes, and oceans. In waste recycling, it is undesirable for plastic waste to mix with other organic-inorganic wastes. It is also undesirable to mix plastic wastes with each other because even the presence of a small amount of another type of plastic in the recycling stream of plastic can spoil the recycled pure resin. Therefore, it is essential to determine which types of plastics these plastic wastes are in order to reveal and separate plastic pollution. Within the scope of this study, plastic- type classification was performed with machine learning algorithms on optical microscope images of 9 different plastic materials such as PE, PVC, PP, PS, etc., which were aged with temperature, humidity, UV, and salt in an air conditioning cabinet. A total of 16125 microscope images were used, approximately 1800 for each plastic type class. Three different classification algorithms, Bagging, Random Forest, and Decision Tree, were used as machine learning algorithms, and the best model was determined by training these algorithms with different hyperparameters. Model performances were evaluated based on accuracy, precision, sensitivity, and f1-score metrics. The algorithms' accuracy was calculated as 90.85%, 82.39%, and 71.32% for Bagging, Random Forest, and Decision Tree, respectively. Acknowledgement: This study was supported by TUBITAK project number 220M024. Keywords: Artificial Intelligence, Machine Learning, Plastic, Optical Microscope