MMApr, 2021

卷积神经网络推断可回收物品

PDF
TL;DR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。
solid waste sortingconvolutional neural networkcomputer visionautomationquantization
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

  • 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

  • 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

  • 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

  • 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

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 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

  • 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

  • ZeroWaste 数据集：面向杂乱场景中的可变形物体分割

    该研究利用零浪费（ZeroWaste）数据集的计算机视觉技术，旨在提高回收处理过程中的分选效率，从而减少污染。

    Jun, 2021

  • 重新思考 Inception 架构在计算机视觉中的应用

    本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以 ILSVRC2012 分类挑战作为基准，报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络，评估单帧评估的 top-1 误差 21.2％和 top-5 误差 5.6％的显著成果。

    Dec, 2015