ECCDN-Net:一种基于深度学习的技术,用于有效地分类有机和可回收废物
Md Sakib Bin Islam1, Md Shaheenur Islam Sumon2, Molla E Majid2
1Department of Biomedical Engineering, Military Institute of Science and Technology, Dhaka, Bangladesh; Department of Electrical Engineering, Qatar University, Doha 2713, Qatar; Computer Applications Department, Academic Bridge Program, Qatar Foundation, Doha, Qatar.
这项研究引入了一个新的深度学习模型,ECCDN-Net,用于高效的废物分类. 生态循环分类器深度神经网络在对有机和可回收废物图像进行分类时达到96.10%的准确性.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 有效的废物管理对于环境保护和可持续发展至关重要.
- 随着废物复杂性的增加,需要先进的自动化分类方法.
- 深度学习为优化废物处理流程提供了有希望的解决方案.
研究的目的:
- 开发和评估一种新的深度学习方法,用于准确高效的废物图像分类.
- 提高自动化废物分类系统的性能.
- 引入生态循环分类器深度神经网络 (ECCDN-Net) 模型.
主要方法:
- 评估的预先训练的模型:InceptionV2,Densenet201,MobileNet v2和Resnet18. 这三种模型都已经进行了预先训练.
- 通过将Densenet201和Resnet18的功能与辅助输出合并而开发ECCDN-Net.
- 在"有机"和"可回收"等级的24,705张图像数据集上训练并验证了模型.
主要成果:
- ECCDN-Net的分类准确率达到了96.10%.
- 优于其他模型的性能:Resnet18 (92.68%),MobileNet v2 (93.27%),Inception v3 (94.77%) 和Densenet201 (95.98%). 这两种模型的性能都比其他模型更好.
- 通过交叉验证确保可靠性和通用性.
结论:
- 拟议的ECCDN-Net模型在废物图像分类方面表现出卓越的性能.
- 这种深度学习方法为废物分类和管理策略带来了重大进步.
- 这些发现强调了人工智能在通过改进废物处理来应对环境挑战方面的潜力.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
