論文の概要: AI Based Waste classifier with Thermo-Rapid Composting
- arxiv url: http://arxiv.org/abs/2108.01394v1
- Date: Tue, 3 Aug 2021 10:06:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 14:00:05.056296
- Title: AI Based Waste classifier with Thermo-Rapid Composting
- Title（参考訳）: サーモラピッドコンポジションを用いたAI型廃棄物分類器
- Authors: Saswati kumari behera, Aouthithiye Barathwaj SR Y, Vasundhara L,
Saisudha G, Haariharan N C
- Abstract要約: コンピュータビジョン(CV)と深層学習(DL)を用いた新しい廃棄物分類手法を提案する。
コンポスト化Berkley法(BKC)による生分解性廃棄物の分解
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Waste management is a certainly a very complex and difficult process
especially in very large cities. It needs immense man power and also uses up
other resources such as electricity and fuel. This creates a need to use a
novel method with help of latest technologies. Here in this article we present
a new waste classification technique using Computer Vision (CV) and deep
learning (DL). To further improve waste classification ability, support machine
vectors (SVM) are used. We also decompose the degradable waste with help of
rapid composting. In this article we have mainly worked on segregation of
municipal solid waste (MSW). For this model, we use YOLOv3 (You Only Look Once)
a computer vision-based algorithm popularly used to detect objects which is
developed based on Convolution Neural Networks (CNNs) which is a machine
learning (ML) based tool. They are extensively used to extract features from a
data especially image-oriented data. In this article we propose a waste
classification technique which will be faster and more efficient. And we
decompose the biodegradable waste by Berkley Method of composting (BKC)
- Abstract（参考訳）: 廃棄物処理は、特に大都市では、非常に複雑で難しいプロセスである。
巨大な人力を必要とし、電気や燃料など他の資源も利用している。
これにより、最新の技術の助けを借りて新しい方法を使う必要が生じる。
本稿では,コンピュータビジョン (CV) と深層学習 (DL) を用いた新しい廃棄物分類手法を提案する。
廃棄物分類能力をさらに向上するため、サポートマシンベクトル(SVM)が使用される。
また, コンポスト化による分解性廃棄物の分解も行う。
本稿では, 都市ごみの分別について主に研究してきた。
このモデルでは、機械学習(ML)ベースのツールである畳み込みニューラルネットワーク(CNN)に基づいて開発されたオブジェクトを、コンピュータビジョンベースのアルゴリズムであるYOLOv3(You Only Look Once)を用いて検出する。
それらは、特に画像指向データから特徴を抽出するために広く使用される。
本稿では, より迅速かつ効率的な廃棄物分類手法を提案する。
bkc (brkley method of composting) により生分解性廃棄物を分解する。
関連論文リスト
- Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - 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) - ConvoWaste: An Automatic Waste Segregation Machine Using Deep Learning [0.0]
本稿では,ConvoWasteを用いたスマートオブジェクト検出アルゴリズムを用いて,廃棄物を異なる部位に分離する機械を提案する。
本稿では, 廃棄物を正確に分類するために, 深層学習と画像処理技術を適用した。
システム全体がAndroidアプリを介して遠隔操作され、切り離されたゴミを捨てる。
論文 参考訳（メタデータ） (2023-02-06T18:08:33Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - A workflow for segmenting soil and plant X-ray CT images with deep
learning in Googles Colaboratory [45.99558884106628]
我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。
クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
論文 参考訳（メタデータ） (2022-03-18T00:47:32Z) - 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) - IoT-based Route Recommendation for an Intelligent Waste Management
System [61.04795047897888]
本研究は, 空間制約を考慮したIoT対応廃棄物管理システムにおいて, 経路推薦のためのインテリジェントなアプローチを提案する。
我々のソリューションは、ビンの状態と座標を考慮に入れた複数レベルの意思決定プロセスに基づいている。
論文 参考訳（メタデータ） (2022-01-01T12:36:22Z) - 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) - 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。