Waste Material Classification with Microwave Reflection Data and Deep Learning

Abstract

This thesis examines the viability of microwave reflections as a data source for a Deep Learning -based classification model for the purposes of classifying waste materials. To perform this examination, a microwave reflection measurement system is created using a Vector Network Analyzer and two directional microwave antennae. Using this system a microwave reflection dataset consisting of three common recyclable material categories, plastic, metal and cardboard, is created by measuring the complex-valued S-parameter values of items from multiple angles over the frequency range 863 – 879 MHz. The size of the resulting dataset is 1112 samples split into 373 metal samples, 375 plastic samples and 364 cardboard samples. This dataset is used to train Multilayer Perceptron -networks in different data configurations to test the viability of microwave reflection data for material classification. The results from different configurations indicate that microwave reflection data is suitable for classification of metal samples with the F1-score varying between 0.9149 and 0.9684. Differentiating between plastic and cardboard samples was much more unreliable with F1-scores of 0.7368 to 0.8505. To examine the full potential of this measurement system, research where a larger measurement bandwidth and more diverse set of material classes is required.

Tämä tutkielma selvittää mikroaaltoheijastuksien toimivuutta datalähteenä syväoppimispohjaiselle luokittelumallille, kun tarkoituksena on luokitella jätemateriaaleja. Tätä selvitystä varten luodaan ensin mikroaaltoheijastuksia mittaava järjestelmä käyttäen vektoripiirianalysaattoria ja kahta suuntaavaa mikroaaltoantennia. Kyseistä järjestelmää käyttäen luodaan kolmesta yleisestä kierrätyskelpoisesta jätemateriaaliluokasta koostuva mikroaaltoheijastusdatajoukko. Käytetyt luokat ovat muovi, metalli ja pahvi. Datassa olevat mittaukset ovat kompleksiarvoisia S-parametrilukemia taajuusväliltä 863-879 MHz. Jokaista esinettä on mitattu useasta eri kulmasta, jotta saavutetaan kokonaisvaltaisempi profiili esineestä saatavista heijastuksista. Datajoukon lopullinen koko on 1112 näytettä, joista 373 on metallinäytteitä, 375 on muovinäytteitä ja 364 on pahvinäytteitä. Tällä datajoukolla koulutetaan monikerroksisia perseptroniverkkoja erilaisissa datan kokoonpanokonteksteissa, joiden suoriutumista käytetään mittaamaan mikroaaltoheijastuksen sopivuutta. Eri kokoonpanoista saadut tulokset osoittavat, että mikroaaltoheijastusdata on käyttökelpoinen metallinäytteiden luokitteluun. F1-arvo metallinäytteille vaihteli kokoonpanosta riippuen arvojen 0.9149 ja 0.9684 välillä. Muovin ja pahvin erotteleminen sen sijaan oli huomattavasti epäluotettavampaa. F1-arvo muoville ja pahville vaihteli arvojen 0.7368 ja 0.8505 välillä kokoonpanosta riippuen. Jotta mittausjärjestelmän potentiaalia voitaisiin tarkastella kokonaisvaltaisemmin, tarvitaan tutkimusta, jossa olisi käytettävissä laajempi mittauskaista ja monipuolisempi joukko materiaaliluokkia.