深度残留和混合CNN模型用于可靠的真实世界废物分类,以实现可持续的废物管理
Yogesh Kumar1, Priya Bhardwaj2, Sugandhi Malhotra3
1Department of CSE, School of Technology, Pandit Deendayal Energy University, Gandhinagar, India.
Scientific reports
|February 25, 2026
概括
深度学习模型准确地分类异质废物,即使是受污染或变形的废物. ResNet101实现了98.86%的准确性,为智能废物管理系统建立了一个基准.
科学领域:
- 计算机科学 计算机科学
- 环境科学 环境科学
- 人工智能的人工智能
背景情况:
- 手动垃圾分类是低效的,容易出错,因为在现实垃圾流中混合,变形和受污染的物品.
- 开发废物分类的自动化系统对于有效的回收和可持续的废物管理至关重要.
研究的目的:
- 开发和评估基于深度学习的系统,在现实的处置条件下对异质废物进行多类分类.
- 确定废物分类最有效的深度学习模型,并探索混合模型的性能.
主要方法:
- 利用RealWaste数据集,模拟杂乱的背景和重叠的材料.
- 微调并评估了几种卷积神经网络 (CNN):InceptionV3,ResNet101,DenseNet,VGG,EfficientNet和MobileNet. 在这个过程中,我们对几个卷积神经网络进行了微调和评估.
- 引入了信心评分评估策略,以评估模型可靠性.
主要成果:
- ResNet101以98.86%的验证准确度,0.0379的损失和0.99的F1得分实现了最高的性能.
- 混合型号,如ResNet101 + InceptionV3,提高了复杂类别的精度,如织品和各种垃圾.
- 信心评分策略显示,对视觉上不同的类 (植物,塑料,食品有机物) 具有很高的可靠性 (≥0.95).
结论:
- 深度学习模型,特别是ResNet101,为现实世界场景中的智能废物分类提供了强大的和可扩展的解决方案.
- 拟议的系统和信任评估为部署可持续废物管理技术提供了一个基准.
- 自动化分类系统可以显著提高回收效率,并为环境可持续性做出贡献.