MWaste:一种处理家庭垃圾的深度学习方法
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 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
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
本文提出了一个包含八种不同类别电子设备图像的全面数据集 ——E-Waste Vision Dataset,并介绍了 EWasteNet,一种基于数据有效的图像转换器(DeiT)的精确电子废弃物图像分类的新型两流方法。该方法通过 Sobel 算子检测边缘来完成第一流,通过 Atrous 空间金字塔池化和注意力块来捕捉多尺度上下文信息的第二流。我们同时训练这两个流,它们的特征在决策层被合并。该方法在处理电子废弃物管理的全球关切方面具有显著的有用性,通过准确地对电子废弃物图像进行分类,减少了与不当处理相关的健康与安全风险,促进了高效的废物处理和回收。
Sep, 2023
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
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
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
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