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

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

使用机器学习和计算机视觉技术改进电子废物回收过程的概述性文章，描述了基于深度学习模型的管道，用于组件级别的回收印刷电路板，在局部开发的数据集和预训练的 YOLOv5 模型的分析结果基础上，实现了令人满意的精确性和召回率。

Jun, 2024

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

利用数学创新模型对废弃电子元件的可回收性进行测量，并结合人工智能模型，提高废弃电路板的自动拆卸和分类效率，帮助精确确定类别和迭代训练验证个别电子组件。

Jun, 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

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

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

本研究通过数据驱动的 AI 方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。

Mar, 2023