计算机视觉和深度学习技术在混合建筑与拆除废物分析中的演变与挑战
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
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
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
我们通过开发若干视觉系统,实现了资源映射和量化、废物分类和拆解等三个主要循环经济任务,从而向循环医疗迈出了一步。我们的研究表明,基于表示学习的视觉系统可以改善回收链,而自主系统是关键因素之一,因为它们可以降低污染风险。我们还公开了两个完整注释的数据集,用于吸入器和血糖仪拆解操作的图像分割和关键点跟踪。数据集和源代码都可以公开获取。
Sep, 2023
这篇论文介绍了通过使用深度学习技术和车载摄像头拍摄的街道图像来对垃圾和垃圾桶进行识别和定位的方法,同时提供了一个名为“pLitterStreet”的开源数据集,该数据集包含超过13,000张完全标注的图片,可用于检测和映射城市中的塑料垃圾。
Jan, 2024
本文介绍了如何利用一种称为Split Conformal Prediction的方法结合计算机视觉模型,如Vision Transformer、Swin Transformer和ResNet-50,并加入可解释人工智能方法,用于在废钢分类中量化不确定性,提高预测的可信度和可解释性。通过对8147张图像的综合数据集进行评估,发现Swin Transformer模型在预测准确性方面表现更可靠,其平均预测集大小更小,平均分类准确率超过95%。此外,Score-CAM方法在澄清视觉特征方面表现出高效性,显著提高了分类决策的可解释性。
Apr, 2024
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