识别和获取高价值建筑固体废物的信息,结合毫米波雷达和卷积神经网络
Yuheng Chen1, Decheng Feng1, Zhongshi Pei1
1School of Transportation Science and Engineering, Harbin Institute of Technology, Harbin 150090, China.
Waste management (New York, N.Y.)
|January 28, 2025
概括
这项研究引入了毫米波雷达,用于在积累的废物中识别高价值建筑固体废物 (CSW). 这种先进的成像方法通过准确检测宝贵的材料,如和钢筋,改善了回收策略.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 建筑固体废物 (CSW) 的积累给环境和土地资源带来了重大挑战.
- 目前使用二维图像的CSW识别方法难以在积累的废物中识别有价值的组件.
- 有效地识别高价值的CSW对于资源评估和回收战略制定至关重要.
研究的目的:
- 通过毫米波雷达提出一种用于识别高价值CSW的新方法.
- 优化成像算法,以实现高效的CSW表征.
- 通过机器学习提高CSW分类和选的准确性.
主要方法:
- 利用毫米波雷达,因为它的电磁波透特性,以图像CSW.
- 优化成像算法以实现高效和有效的CSW成像.
- 采用一个卷积神经网络 (CNN) 模型 (DeepLabv3+) 来根据构建的数据集对CSW进行分类.
- 将成像算法正常化,以选高值的CSW.
主要成果:
- 在成像效果和效率之间实现了最佳平衡,具有特定的步伐速度和高度参数 (200mm/s和4mm).
- 优化成像方法成功捕获了CSW的详细图像.
- 与SegNet和PSPNet相比,DeepLabv3+在精确识别完整的块和钢筋棒方面表现出卓越的性能,达到85.18%的准确性.
- 毫米波雷达证明能够确定废物的位置,大小,并可能获得3D和埋藏信息.
结论:
- 毫米波雷达为识别高价值的CSW提供了一个有希望的解决方案,克服了2D成像的局限性.
- 优化的成像和DeepLabv3+分类方法显著提高了有价值的CSW检测的准确性.
- 这项技术有可能通过实现更好的资源回收和回收利用来彻底改变CSW管理.
