Zwerfafval is al het afval dat op straat of in de natuur rondslingert. Naar schatting belandt jaarlijks tussen de 35 en 140 miljoen kilo afval op plekken in Nederland die daar niet voor bedoeld zijn. De gemeente Breda heeft de ambitie uitgesproken om in 2030 een zwerfafvalvrije stad te zijn. Deze ambitieuze doelstelling moet worden bereikt door in te zetten op preventie, opruimen en hergebruik. Om de juiste acties te kunnen bepalen, onderbouwen en monitoren, zijn gegevens over de ligging, hoeveelheid en samenstelling van zwerfafval noodzakelijk.
In dit onderzoek ontwikkelden we een dataplatform dat het door vrijwilligers verzamelde beeldmateriaal van zwerfafval volledig automatisch lokaliseert, herkent en classificeert. Op basis van de uitkomsten kunnen gemeenten (en andere publieke partijen) in Nederland datagedreven interventies ontwikkelen om zwerfafval tegen te gaan.
We begonnen met een inventarisatie van de beschikbare tools en technieken om zwerfafval geautomatiseerd in kaart te brengen. Dit resulteerde in een overzichtsdocument waarin we verschillende technieken en tools beschrijven, evenals de beschikbare data en de eigenschappen van die data.
Vervolgens wilden we een neuraal netwerk ontwerpen, trainen en implementeren, specifiek gericht op beeldherkenning en classificatie van zwerfafval. Daarbij onderzochten we ook het ontwerp van de cameramodule en de mogelijkheden om deze in te zetten voor het verzamelen van relevant beeldmateriaal.
Dit project is een samenwerking van het Inholland-lectoraat Data Driven Smart Society (DDSS) en het lectoraat Applied Responsible Artificial Intelligence (Avans). We hebben daarnaast nauw samengewerkt met Inholland-studenten.
Het is mogelijk om met AI te voorspellen waar veel zwerfafval zal liggen. De route van vuilniswagens kan hierop worden aangepast. Ook kunnen prullenbakken of recyclebakken worden neergezet op plekken waar veel afval ligt.
Wat in dit onderzoek opvalt, is dat het overgrote deel van het afval sigarettenpeuken betreft, gevolgd door verpakkingen van drinken zoals drinkpakjes en flesjes. Daarna zijn voedselverpakkingen de grootste categorie. Op basis van deze data kan bijvoorbeeld een speciale interventie gemaakt worden gericht op preventie van sigarettenpeuken.
Studenten van Applied Mathematics onderzochten hoe gelabelde data gebruikt kan worden om afvalspreiding te analyseren in relatie tot bedrijvigheid (zoals fastfoodrestaurants) en bevolkingsdichtheid. Binnen de minor ‘Understanding AI’ richtte het onderzoek zich op beeldverwerking met Microsoft Azure. Hieruit bleek dat de onbalans in data (oververtegenwoordiging van bepaalde categorieën) de classificatie bemoeilijkt. Het advies was daarom om te classificeren op product in plaats van materiaal. Informatica-studenten onderzochten de mogelijkheden van Python in combinatie met Keras en TensorFlow voor beeldverwerking.
De resultaten laten zien dat Python met Keras en TensorFlow de beste tools zijn voor deze toepassingen, maar dat de dataset te beperkt en te eenzijdig is om betrouwbare resultaten te leveren. Ook bleek de aanwezige achtergrond in de beelden sterk verstorend bij het trainen van classificatiemodellen, waardoor het opzetten van een effectief neuraal netwerk niet haalbaar was. Desondanks hebben de betrokken studenten waardevolle inzichten opgedaan in zowel de mogelijkheden als de beperkingen van technologieën zoals AI en machine learning.
"Ik had nooit gedacht dat je AI kunt gebruiken om onze parken, speeltuinen en straten schoner en veiliger te maken."
Er is onderwijsmateriaal ontwikkeld op het gebied van Machine Learning, Deep Learning en Computer Vision dat wordt gebruikt bij de opleidingen Informatica en Applied Mathematics.
Tweedejaarsstudenten van Applied Mathematics onderzochten of het aan de hand van de gelabelde data mogelijk is uitspraken te doen over de spreiding van afval ten opzichte van aanwezige bedrijvigheid (zoals fastfood restaurants) en de bevolkingsdichtheid.
Studenten van de minor ‘Understanding AI’ onderzochten de mogelijkheid om de beelden te verwerken met tooling binnen het Microsoft Azure platform. Sommige categorieën waren zeer sterk oververtegenwoordigd. Anderen waren zo goed als afwezig. Deze onbalans in data zorgt voor problemen met de classificatie. Advies van deze groep was om te classificeren op product in plaats van materiaal.
Studenten van de opleiding Informatica hebben onderzocht of ze de beelden met Python, Keras en TensorFlow konden verwerken.
Deze inzichten bieden tal van praktische toepassingen. Zoals genoemd, kun je bijvoorbeeld voorspellen welke routes vuilniswagens moeten rijden om zwerfafval efficiënter op te halen of bepalen waar extra prullenbakken geplaatst moeten worden. Daarnaast kun je bedrijven aanspreken op hun verantwoordelijkheid als blijkt dat afval van een specifiek product zich op bepaalde locaties ophoopt. Verder helpt het herkennen van patronen – zoals seizoensgebonden afval – bij het identificeren van afval dat biologisch afbreekbaar is of gerecycled zou kunnen worden.
Dankzij het werkveld zijn er veel vrijwilligers op pad gegaan om foto's te maken van zwerfafval. In totaal ontvingen we 112.000 foto’s van hen om te analyseren en modellen te trainen om het afval te herkennen. Het gaat daarbij om het herkennen van materiaal, product en merk.
Het consortium van dit onderzoeksproject bestaat uit:
