在塑料废物检测中用于机器学习的RGB和RGNIR图像数据集
Owen Tamin1, Ervin Gubin Moung2,3, Jamal Ahmad Dargham4
1Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Jalan UMS, Kota Kinabalu, 88400, Sabah, Malaysia.
Data in brief
|April 25, 2025
概括
一个新的数据集结合了塑料废物标准RGB和近红外 (NIR) 光谱成像. 该资源有助于机器学习模型准确检测和分类各种塑料废物,推进环境解决方案.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
背景情况:
- 塑料废物对环境构成重大挑战,需要先进的分类技术.
- 光谱成像为塑料识别提供了潜力,但面临成本,复杂性和分辨率的局限性.
- 机器学习 (ML) 对分析塑料废弃物数据显示出希望,但需要全面的数据集.
研究的目的:
- 为了解决缺乏公开可用的数据集,将RGB和近红外 (NIR) 光谱数据用于塑料废物检测.
- 引入一个新的,全面的数据集,旨在培训ML模型用于塑料废物识别.
- 促进塑料废物自动分类和管理方面的进步.
主要方法:
- 使用标准RGB和红-绿-近红外 (RGNIR) 光谱通道收集塑料废物的陆上图像.
- 在河岸和海上捕获了每组数据的405张图像.
- 预处理和注释了总共1344个塑料废物对象,用于ML模型培训.
主要成果:
- 开发了两个不同的数据集:一个RGB和一个RGNIR光谱数据集.
- 成功注释了1344个塑料废物,提供了详细的特征信息.
- 该数据集独特地整合了RGB和NIR光谱数据,提供了比单独标准RGB更丰富的信息.
结论:
- 引入的数据集为塑料废物检测研究人员提供了有价值的,独特的资源.
- 这一数据集预计将提高ML模型在识别和分类塑料废物的性能.
- 这些发现鼓励对光谱成像和ML进行进一步的研究,以改善塑料废物管理策略.


