优化利用深度特征,增强建筑和拆除废弃物流中的可回收材料的细分
Vineet Prasad1, Mehrdad Arashpour1
1Department of Civil Engineering, Monash University, Melbourne, Australia.
Journal of environmental management
|February 17, 2024
概括
这项研究通过使用深度学习来融合视觉和深度数据来增强建筑和拆除废物 (CDW) 的回收. 这有助于在杂乱的废物流中更好地识别有价值的材料,促进资源回收.
科学领域:
- 环境科学 环境科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 全球快速城市化增加了建筑和拆除废弃物 (CDW),这给环境带来了重大挑战.
- 对CDW的有效管理对于可持续发展和材料回收设施 (MRF) 的资源回收至关重要.
- 目前在CDW流中的可回收材料的智能识别方法往往忽视了结合视觉和空间数据的潜力.
研究的目的:
- 改进从复杂的建筑和拆除废弃物 (CDW) 流中智能识别有价值的可回收材料.
- 为了利用视觉 (RGB) 和空间 (深度) 功能,在材料回收设施 (MRF) 中增强废物细分.
- 引入和验证一种新的深度融合战略,以整合废物管理中的多模式数据.
主要方法:
- 策划了一个高质量的建筑和拆除废弃物RGB-D数据集,每种模式有超过3500张图像和160,000多个对象实例.
- 开发了一种新的深度融合策略,使用高效的卷积运算来结合RGB和深度特征.
- 实施和评估拟议的RGB-DL架构与直接特征连接方法相比.
主要成果:
- 拟议的RGB-DL架构实现了对CDW中识别可回收材料的细分精度提高13%.
- 与传统的直接特征连接相比,推断时间减少了36%.
- 成功地融合了色彩和深度信息,避免了交叉模式干扰,并最大限度地利用了不同的数据.
结论:
- 有效地结合几何 (深度) 特性显著补充了废物识别的视觉线索.
- 新的深度融合策略增强了杂乱和多样化的CDW流中的自动废物识别.
- 这种方法促进了智能固体废物管理,并提高了MRF中的资源回收效率.
