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

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

对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。

Mar, 2024

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

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

本文提出了一种在语义分割任务中具有高计算效率的方法，基于完全卷积神经网络，在同时实现高平均交并比的情况下，可以在移动设备上实时运行。

Feb, 2019

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

本文介绍了一种语义分割的方法，通过使用双列网络结构和特定区域的忽略来降低计算成本，并在保证较高质量的前提下实现每秒处理约 15 张高分辨率 Cityscapes 图像的能力，达到了 72.9％的平均交集联合得分。

Dec, 2017

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015