EasyBin

Proje Hakkında

EasyBin, Cosmos Institute'da AI Engineer olarak görev yaptığım süre boyunca liderlik ettiğim en etkili çevre teknolojisi projesidir. Bu sistem, YOLO görüntü işleme modeli kullanılarak geri dönüştürülebilir malzemeleri otomatik olarak tanımlayıp Arduino ve Raspberry Pi tabanlı akıllı çöp kovasına entegre edilmiş bir çözümdür.

Proje, 30.000 fotoğraftan oluşan orijinal veri setinin yapay veri artırma teknikleri ile 90,000 görüntüye çıkarılması ve resim önişleme tekniklerinin uygulanması sayesinde plastik, cam, kağıt, metal, organik ve diğer atık türlerini %92 doğrulukla sınıflandırabiliyor. 3.4 GB boyutundaki model gerçek zamanlı işleme kapasitesi sunar.

Sistem, Arduino ve Raspberry Pi donanımı kullanılarak fiziksel bir çöp kovasına entegre edilmiş olup, mobil uygulama değil donanım tabanlı bir çözüm olarak tasarlanmıştır. Kullanıcılara geri dönüşüm konusunda eğitici bilgiler sunar ve çevresel etkilerini ölçebilmelerine olanak tanır.

Projede Liderlik Rolüm

Takım Liderliği ve Koordinasyon

6 kişilik AI takımının yönetimi ve koordinasyonu
Proje milestonlarının belirlenmesi ve takip edilmesi
Takım üyelerine teknik mentorluk sağlanması

AI Model Geliştirme ve Optimizasyon

CNN tabanlı YOLO görüntü sınıflandırma modelinin tasarlanması
Yolov8 mimarisinin uyarlanması
Data augmentation teknikleri ile model performansının artırılması

Veri Setinin Oluşturulması

30,000+ ilgili geri dönüştürülebilir/dönüştürülemeyen malzeme görüntüsünün toplanması
6 farklı kategoride balanced dataset oluşturulması
Görüntü labeling ve kalite kontrol süreçlerinin yönetimi

Arge Geliştirme

Geliştirilen Yazılımın Raspberry Pi modülleri ile entegrasyonu
Raspberry Pi Kamera entegrasyonu ve Ardunio cihazına bağlanması
Raspberry Pi ve Ardunio Bağlantısının Ürettiği Çıktının Sonuçlarını Gözlemleme

Teknik Uygulama

Sınıflandırma Kategorileri

Plastik

PET, HDPE, vb.

Cam

Şişe, kavanoz

Kağıt

Gazete, karton

Metal

Alüminyum, teneke

Organik

Yemek artığı

Diğer

Geri dönüşümsüz

Mobil Uygulama Özellikleri

Temel Özellikler

• Gerçek zamanlı kamera tarama
• Galeri fotoğrafı analizi
• Anında sonuç gösterimi
• Geri dönüşüm talimatları

Gelişmiş Özellikler

• Çevresel etki hesaplayıcısı
• Geri dönüşüm puanı sistemi
• İstatistik ve ilerleme takibi
• Başarı rozetleri

Sonuçlar ve Çevresel Etki

Teknik Başarılar

Genel Doğruluk: 92.4%
Plastik Tanıma: 94.1%
Cam Tanıma: 96.8%

Çevresel Hedefler

Geri dönüşüm oranını %15 artırmak
Yanlış sınıflandırmayı %60 azaltmak
Çevre bilincini yaygınlaştırmak
Sürdürülebilir davranış oluşturmak

Takım Başarıları

Takım Liderliği

6 kişilik multidisipliner takımın başarılı koordinasyonu

Zamanında Teslimat

9 aylık hedefi 8 ayda tamamlama

İnovatif Çözüm

Gamification ile sürdürülebilir davranış destekleme

Akıllı Geri Dönüşüm Sistemi