Apr, 2020

多个深度 CNN 模型应用于废品分类的比较分析

PDF
TL;DR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%。
automatic waste sortingdeep learning networkconvolutional neural networkresnet18 networkwaste management
发现论文，激发创造
  • 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

  • ContamiNet: 检测城市固体废物中的污染

    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。

    Nov, 2019

  • 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

  • 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

  • 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

  • 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

  • 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

  • 通过迁移学习管理家庭垃圾

    通过研究垃圾分类中各种迁移学习模型的性能和计算碳排放，我们发现 EfficientNetV2S 是最可持续和准确的模型，其准确率高达 96.41%。这项研究强调了考虑机器学习模型在垃圾分类中的生态影响的重要性。

    Jan, 2024

  • 深度学习创新在水下废物检测中的应用：一项深入分析

    通过综合评估现有数据集和先进技术的体系结构，本文旨在为水下废物和垃圾检测建立基线，从而为先进的水下传感器和自主水下车辆提供目标定位技术的基准，最终实现水下环境的探测、废物识别和清除。

    May, 2024