ICMLNov, 2019

ContamiNet: 检测城市固体废物中的污染

PDF
TL;DR利用 Convolutional Neural Network（卷积神经网络）开发了 ContamiNet，用于识别回收物和堆肥桶中的污染材料，其通过子集标签的训练（达到最小频率阈值）可以几乎与人类专家一样准确地检测出污染物，Recology 正在积极推广这一技术在垃圾回收中的应用效果，以便更好地服务于客户。
contaminetconvolutional neural networkrecyclingcompostingcontamination
发现论文，激发创造
  • 多个深度 CNN 模型应用于废品分类的比较分析

    本研究旨在分析实现自动废物分类和收集的可能性，通过使用深度学习网络来对废物进行有效分类，进一步促进再生资源的回收。研究结果表明使用 ResNet18 网络进行微调，可以实现废物分类的最佳识别率为 87.8%。

    Apr, 2020

  • 卷积神经网络推断可回收物品

    使用卷积神经网络和计算机视觉开发了一个用于自动化固体废物分类的工具，通过使用新构建的数据集及三种网络，成功达到 99% 的准确率并将网络的尺寸缩小一半，并将这三个网络进行了浮点数和其他格式的量化，以在移动应用程序中使用。

    Apr, 2021

  • MWaste：一种处理家庭垃圾的深度学习方法

    介绍了一种名为 MWaste 的移动应用程序，使用计算机视觉和深度学习技术将垃圾材料分类为垃圾、塑料、纸张、金属、玻璃或纸板，可以帮助有效处理垃圾、减少温室气体的排放。

    Apr, 2023

  • 利用深度学习应用于卫星图像识别塞浦路斯农村地区的垃圾倾倒场

    利用人工智能技术和卫星图像，该研究旨在探索在塞浦路斯农村地区使用人工智能技术识别非法垃圾倾倒场的程度，通过训练适合此任务的卷积神经网络，以大约 90% 的准确率正确识别包含垃圾的图像，为未来构建全岛建设性的岛屿 “垃圾” 地图奠定基础。

    Jul, 2023

  • 资源受限语义分割用于垃圾分类

    本研究提出了适用于减少废物环境影响的资源受限语义分割模型，以在 10MB 内存约束条件下用于工业废物的分割回收，并通过量化和修剪技术获得了积极的结果。

    Oct, 2023

  • 厨余食材图像分割与分类用于堆肥养分估算

    面临全球对大量食物浪费的日益关注，我们需要创新的解决方案以促进零净排放生活方式并减少排放。LILA 家庭堆肥机是将厨余和日常食物废物回收成富含营养、高质量堆肥的方便途径。通过创建和标注了一个包含 19 种富含营养类别的高分辨率厨房食物废物图像数据集的分割掩模，我们获取了生产堆肥的营养信息。利用这个数据集，我们对食物废物分割进行了四种最先进的语义分割模型的基准测试，以评估氮、磷或钾的堆肥质量。实验证明，使用分割模型来区分我们日常生活中产生的食物废物具有良好的效果。在实验基础上，使用 MIT-B5 骨干网路的 SegFormer 模型以 67.09 的平均交并比（mIoU）取得了最佳性能。还提供基于类别的结果以便进一步分析不同食物废物类别。

    Jan, 2024

  • 利用卷积神经网络分类智能手机部件进行回收

    通过使用图像分类神经网络作为处理智能手机废料的一种更高效、成本更低、更广泛适用的替代工具，我们调查了在循环经济中废弃电子设备的回收利用，以实现环境和经济的显著收益。我们使用了 1,127 个经过热解的智能手机组件图像构建数据集，并使用 VGG-16 图像分类模型进行训练和评估，模型达到了 83.33% 的准确性，为使用这样的神经网络在材料分离中的可行性提供了支持。

    Dec, 2023

  • 利用神经网络对卫星图像进行分类，映射非法垃圾倾倒场地

    采用机器学习模型，分析卫星影像，利用地理空间开放数据、高分辨率卫星影像和开源工具，通过对布宜诺斯艾利斯地区已知的垃圾倾倒场地进行训练，快速低成本地预测其他区域可能存在的非法垃圾倾倒场地的位置。这种技术能够帮助更好地解决全球南方城市都面临的严重问题，并有望成为一项全地图表非法垃圾倾倒场地的工具。

    Oct, 2021

  • 垃圾填埋场废物分类的超分辨率分析

    利用航空影像进行环境犯罪监测，通过训练跨领域模型，分析不同图像分辨率对废物分类的影响，并提出改进图像质量的方法，但需要小心阈值的微调。

    Apr, 2024

  • 深度神经网络用于声纳图像中的海洋垃圾检测

    本文对使用深度神经网络（DNN）进行海洋垃圾检测的问题及相关问题（如图像分类、匹配和检测建议）进行了全面评估，研究结果表明，对于评估任务，DNN 是一种优越的技术，尤其是在匹配和检测建议任务方面具有很大的优势，这对于实践者是有价值的信息。

    May, 2019