論文の概要: Waste detection in Pomerania: non-profit project for detecting waste in environment

• arxiv url: http://arxiv.org/abs/2105.06808v1
• Date: Wed, 12 May 2021 09:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 03:07:35.173511
• Title: Waste detection in Pomerania: non-profit project for detecting waste in environment
• Title（参考訳）: ポメラニアにおける廃棄物検出--環境廃棄物検出のための非営利プロジェクト
• Authors: Sylwia Majchrowska, Agnieszka Miko{\l}ajczyk, Maria Ferlin, Zuzanna Klawikowska, Marta A. Plantykow, Arkadiusz Kwasigroch, Karol Majek
• Abstract要約: リッターは、バイオ、ガラス、金属、プラスチック、リサイクル不能、その他の紙、未知の7つのカテゴリに分類される。 提案手法は, 廃棄物検出における平均精度の70%, テストデータセットにおける分類精度の約75%を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Waste pollution is one of the most significant environmental issues in the modern world. The importance of recycling is well known, either for economic or ecological reasons, and the industry demands high efficiency. Our team conducted comprehensive research on Artificial Intelligence usage in waste detection and classification to fight the world's waste pollution problem. As a result an open-source framework that enables the detection and classification of litter was developed. The final pipeline consists of two neural networks: one that detects litter and a second responsible for litter classification. Waste is classified into seven categories: bio, glass, metal and plastic, non-recyclable, other, paper and unknown. Our approach achieves up to 70% of average precision in waste detection and around 75% of classification accuracy on the test dataset. The code used in the studies is publicly available online.
• Abstract（参考訳）: 廃棄物汚染は現代世界で最も重要な環境問題の一つである。 リサイクルの重要性は経済的にも生態学的にもよく知られており、産業は高い効率を要求する。 研究チームは, 世界の廃棄物汚染問題と闘うために, 廃棄物検出と分類における人工知能の利用に関する包括的な研究を行った。 その結果,リッターの検出と分類を可能にするオープンソースフレームワークが開発された。 最後のパイプラインは2つのニューラルネットワークで構成されており、ひとつはリッターを検出し、もうひとつはリッター分類に責任を持つ。 廃棄物は, バイオ, ガラス, 金属, プラスチック, 非リサイクル性, その他, 紙, 未知の7種類に分類される。 提案手法は, 廃棄物検出における平均精度の70%, テストデータセットにおける分類精度の約75%を達成する。 研究で使用されたコードはオンラインで公開されている。

関連論文リスト

• SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation [46.178512739789426]
  本稿では, 廃棄物処理施設から収集した最初のデータセットであるSpectralWasteについて紹介する。 このデータセットには、分類植物によく見られるいくつかのカテゴリのオブジェクトのラベルが含まれている。 異なるオブジェクトセグメンテーションアーキテクチャを用いたパイプラインを提案し,その代替案をデータセット上で評価する。
  論文  参考訳（メタデータ） (2024-03-26T18:39:38Z)
• MWaste: A Deep Learning Approach to Manage Household Waste [0.0]
  MWasteはコンピュータビジョンとディープラーニング技術を使って廃棄物をゴミ、プラスチック、紙、金属、ガラス、段ボールに分類するモバイルアプリケーションだ。 その効果は、さまざまなニューラルネットワークアーキテクチャや実世界の画像でテストされ、テストセットの平均精度は92%に達した。
  論文  参考訳（メタデータ） (2023-04-02T16:56:49Z)
• VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting [61.52419223232737]
  産業廃棄物の選別において、最も大きな課題の1つは入力ストリームの極端な多様性である。 産業廃棄物浄化における領域適応に関するVisDA 2022の課題について紹介する。
  論文  参考訳（メタデータ） (2023-03-26T21:38:38Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• A Method for Waste Segregation using Convolutional Neural Networks [0.0]
  本稿では, 廃棄物分類の問題を解決するために, ディープラーニングアルゴリズムを用いた手法を提案する。 提案手法の精度は94.9%である。
  論文  参考訳（メタデータ） (2022-02-23T14:32:10Z)
• Classification of PS and ABS Black Plastics for WEEE Recycling Applications [63.942632088208505]
  本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。 畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。 別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
  論文  参考訳（メタデータ） (2021-10-20T12:47:18Z)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet [0.0]
  誤った廃棄物処理を減らそうとする試みは、高価で不正確で混乱している。 我々は,高度に最適化されたディープラーニング技術を利用して,廃棄物をゴミ,リサイクル,コンポストに即時分類するモバイルアプリDeepWasteを提案する。 我々の最良のモデルは、50層からなるディープラーニング残留ニューラルネットワークであり、テストセットの平均精度は0.881である。
  論文  参考訳（メタデータ） (2021-01-15T04:06:25Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• Comparative Analysis of Multiple Deep CNN Models for Waste Classification [0.0]
  このプロジェクトはよく知られたDeep Learning Networkアーキテクチャを、独自の取り組みとTrush Netを組み合わせたデータセットによる廃棄物分類でテストした。 ダストビンの形で作られたハードウェアは、それらの廃棄物を異なる区画に分離するために使用される。
  論文  参考訳（メタデータ） (2020-04-05T11:50:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。