使用创新的深度学习算法进行垃圾分离的设计和实施
Jenilasree Gunaseelan1, Sujatha Sundaram1, Bhuvaneswari Mariyappan2
1Department of Computer Applications, University College of Engineering, Anna University (BIT Campus), Trichy 620 024, Tamilnadu, India.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一个修改后的ResNeXt模型,用于准确的废物图像分类,达到98.9%的准确性. 该系统集成到一个智能垃圾桶中,以改善废物管理和环境清洁.
科学领域:
- 计算机科学 计算机科学
- 环境科学 环境科学
- 工程 工程师 工程师 工程师
背景情况:
- 快速的消费主义和包装的进步极大地改变了废物成分.
- 目前的废物识别方法缓慢且不准确,阻碍了有效的废物管理.
- 过的垃圾箱带来环境风险,污染土壤和生态系统.
研究的目的:
- 开发一种高效准确的图像分类模型,用于识别各种废物类型.
- 将该模型集成到用于自动化废物分离和管理的智能垃圾箱系统中.
- 提高废物处理流程,减少环境污染,并回收有价值的资源.
主要方法:
- 为了增强功能提取,开发了一种经过修改的ResNeXt架构,具有新的"水平和垂直块".
- 该模型在各种废物图像的数据集上进行了训练和测试,包括金属,垃圾,可生物降解,不可生物降解,玻璃和危险材料.
- 设计了一个由三部分组成的智能垃圾箱系统,包括传感器,步进电机,太阳能和Raspberry Pi,用于实时废物分类和管理.
主要成果:
- 修改后的ResNeXt模型实现了废物图像的高分类准确率98.9%.
- 集成的智能垃圾箱系统证明了可生物降解,不可生物降解和危险废物的高效分离.
- 该系统成功地减少了人力,节省了时间,并确保了适当的垃圾收集,为更清洁的环境做出了贡献.
结论:
- 与现有的深度学习模型相比,拟修改的ResNeXt模型在废物图像分类方面提供了更高的性能.
- 智能垃圾箱系统为混合废物处理和资源回收提供了实用和环保的解决方案.
- 这项技术有可能显著改善城市废物管理,促进可持续的环境.
