使用最先进的深度学习方法实时检测建筑拆除废物;单阶段与双阶段探测器相比

科学领域:

• 机器人和自动化 机器人和自动化
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 准确的物体检测对于自动垃圾分类机器人至关重要.
• 建筑和拆除废弃物 (CDW) 由于各种状态,对实时检测提出了独特的挑战.

研究的目的:

• 评估深度学习模型以实时定位和分类CDW.
• 确定废物分类机器人应用中最有效的模型.

主要方法:

• 训练并测试了18个深度学习模型 (单阶段:SSD,YOLO;两阶段:Faster-RCNN) 与各种骨干 (ResNet,MobileNetV2,高效Det).
• 利用了一个新的,公开可访问的CDW数据集,包含6600张,混凝土和的图像.
• 在数据集上评估模型,通常和严重堆叠/粘附的CDW样本.

主要成果:

• YoloV7实现了最高的精度 (mAP50:95 ≈ 70%) 与最快的推断速度 (<30 ms).
• 在严重堆叠和粘附的CDW样本上,YoloV7表现出强大的性能.
• 更快的RCNN模型在不同数据集中显示了最少的精度波动,表明了高稳定性.

结论:

• YoloV7是垃圾分类机器人中实时CDW检测的最佳选择.
• 进一步的研究可以探索Faster-RCNN在特定具有挑战性的场景中的稳定性.