AI-Based Model for Home Waste Separation Using Raspberry Pi 5 AI Kit

Editorial Board PCSS Journal; Г. А. Мутар; І. Р. Н. АЛРубеї; І. В. Свид; Хайдер Т.Х. Салім АЛРікабі; Абдул Хаді М. Алаїді

doi:10.15330/pcss.27.1.44-51

Автор(и)

Г. А. Мутар Коледж комп'ютерних наук та інформаційних технологій, Університет Васіт, Васіт, Ірак
І. Р. Н. АЛРубеї Кафедра електротехніки, Інженерний коледж, Університет Васіт, Васіт, Ірак
І. В. Свид Карпатський національний університет імені Василя Стефаника, Івано-Франківськ, Україна; Харківський національний університет Повітряних Сил імені Івана Кожедуба, Харків, Україна
Хайдер Т.Х. Салім АЛРікабі Кафедра електротехніки, Інженерний коледж, Університет Васіт, Васіт, Ірак
Абдул Хаді М. Алаїді Коледж комп'ютерних наук та інформаційних технологій, Університет Васіт, Васіт, Ірак

DOI:

https://doi.org/10.15330/pcss.27.1.44-51

Ключові слова:

Edge AI, Raspberry Pi 5, YOLOv5, WasteNet, класифікація в режимі реального часу, переробка, сталий розвиток

Анотація

Ефективне розділення побутових відходів також дуже важливе для покращення переробки та мінімізації забруднення навколишнього середовища. Однак ручне сортування є трудомістким, схильним до помилок і непрактичним для широкого впровадження. У цій статті представлено нову систему розділення побутових відходів, керовану штучним інтелектом, яка використовує обчислювальну потужність комплекту Raspberry Pi 5 AI. Це система, що складається з камери з високою роздільною здатністю, системи конвеєрної стрічки та оптимізованої для розгортання на периферії згорткової нейронної мережі (CNN) YOLOv5s. Модель навчається на наборі даних WasteNet з 25 000 анотованими зображеннями п'яти типів відходів (пластик, папір, скло, метал та органічні), а точність класифікації моделі становить 95,2% із середньою точністю 95,0%, а час, необхідний для висновку, становить 45 мс на кадр. В середньому система споживає 5,2 Вт енергії і тому є економічно ефективною та енергоефективною системою, яку можна використовувати для управління побутовими відходами. Можна порівняти це з попередніми роботами та виявити, що ця технологія є більш ефективною щодо точності та затримки, і може бути використана як ефективний інструмент для стимулювання екологічно безпечного розділення відходів.

Посилання

S. Kaza, L. C.Yao, P. Bhada-Tata, & F. Van Woerden. What a Waste 2.0: A Global Snapshot of Solid Waste Management to 2050 (Washington DC, World Bank, 2018); https://doi.org/10.1596/978-1-4648-1329-0.

S. Nesmachnow, D. Rossit, and P. Moreno-Bernal, A Literature Review of Recent Advances on Innovative Computational Tools for Waste Management in Smart Cities. Urban Science 9(1), 16 (2025); https://doi.org/10.3390/urbansci9010016.

H. Lee, Smart Waste Sorting with ResNet-50 and Raspberry Pi. Environmental Technology, 33(2), 98 (2022).

A.H.M. Alaidi, et al. AI-based monkeypox detection model using Raspberry Pi 5 AI Kit. Sustainable Engineering and Innovation, 7(1), 1 (2025); https://doi.org/10.37868/sei.v7i1.id393.

X. Zhang, Automated Waste Classification with CNN and Raspberry Pi. Journal of Waste Management, 12(3), 345 (2020).

S. Kumar, and A. Patel, YOLO-based Waste Separation System Using Jetson Nano. International Journal of AI Applications, 14(4), 110 (2021).

F. Ahmed, Optimized YOLOv4-tiny for Real-time Waste Classification. IEEE Access, 11, 451 (2023).

A. Arishi, Real-Time Household Waste Detection and Classification for Sustainable Recycling: A Deep Learning Approach. Sustainability, 17(5), 1902 (2025). https://doi.org/10.3390/su17051902.

L. Chen, & J. Zhu, Water surface garbage detection based on lightweight YOLOv5. Scientific Reports, 14(1); (2024); https://doi.org/10.1038/s41598-024-55051-3.

S. Kunwar, B.R. Owabumoye, & A.S. Alade, Plastic Waste Detection Using Deep Learning: Insights from the WaDaBa Dataset. Industrial and Domestic Waste Management, 5(1), 1 (2025); https://doi.org/10.53623/idwm.v5i1.580.

H.A. Mutar, I.K. Yalwi, Y.S. Mezaal, H. Th. Salim ALRikabi, A.H.M. Alaidi, I.R. Niama ALRubeei, & A. Magdy, Investigation of AI with OpenCV-Python for Detecting Diabetes. У Lecture Notes in Networks and Systems, 217 (2025); https://doi.org/10.1007/978-3-031-82881-2_14.

K.N. Mahmood, et al. Lightweight Convolutional Neural Networks Based Automated Waste Classification: An Efficient and Scalable Approach for Edge Devices. SSRN. (2025); https://doi.org/10.2139/ssrn.5320568.

A.M. Alabdali, Blockchain based solid waste classification with AI powered tracking and IoT integration. Scientific Reports, 15(1), (2025); https://doi.org/10.1038/s41598-025-97030-2.

W. Qiu, C. Xie, and J. Huang. An improved EfficientNetV2 for garbage classification. in arXiv. (2025); https://doi.org/10.48550/arXiv.2503.21208.