論文の概要: A Smart Recycling Bin Using Waste Image Classification At The Edge
- arxiv url: http://arxiv.org/abs/2210.00448v1
- Date: Sun, 2 Oct 2022 07:40:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 15:35:12.708572
- Title: A Smart Recycling Bin Using Waste Image Classification At The Edge
- Title（参考訳）: 廃棄物画像分類をエッジに応用したスマートリサイクリングビン
- Authors: Xueying Li, Ryan Grammenos
- Abstract要約: この研究は都市ごみを自動的に分離してリサイクル率を高める革新的なリサイクルビンを開発した。
我々は, 1800個の廃棄物画像を収集し, 既存の公開データセットと組み合わせて, 2つの組込みシステムの分類モデルを訓練した。
このモデルはJetson Nanoで95.98%、K210で96.64%の精度に達した。
- 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: Rapid economic growth gives rise to the urgent demand for a more efficient
waste recycling system. This work thereby developed an innovative recycling bin
that automatically separates urban waste to increase the recycling rate. We
collected 1800 recycling waste images and combined them with an existing public
dataset to train classification models for two embedded systems, Jetson Nano
and K210, targeting different markets. The model reached an accuracy of 95.98%
on Jetson Nano and 96.64% on K210. A bin program was designed to collect
feedback from users. On Jetson Nano, the overall power consumption of the
application was reduced by 30% from the previous work to 4.7 W, while the
second system, K210, only needed 0.89 W of power to operate. In summary, our
work demonstrated a fully functional prototype of an energy-saving,
high-accuracy smart recycling bin, which can be commercialized in the future to
improve urban waste recycling.
- Abstract（参考訳）: 急速な経済成長は、より効率的な廃棄物リサイクルシステムへの緊急需要をもたらす。
そこで, 都市ごみを自動的に分離してリサイクル率を高める, 革新的なリサイクルビンを開発した。
廃棄物画像1800枚を収集し,既存の公開データセットと組み合わせて,Jetson NanoとK210の2種類の組込みシステムの分類モデルを学習した。
このモデルはJetson Nanoで95.98%、K210で96.64%の精度に達した。
binプログラムはユーザからのフィードバックを集めるように設計されている。
jetson nanoでは、アプリケーションの全体的な消費電力は以前の作業から4.7wに削減され、2番目のシステムであるk210は動作に0.89wしか必要としなかった。
本研究は, 都市ごみのリサイクルを改善するために, 将来商用化できる省エネ・高精度スマートリサイクル箱の完全機能プロトタイプを実証した。
関連論文リスト
- Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。
オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。
以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-10-11T04:53:18Z) - Measuring the Recyclability of Electronic Components to Assist Automatic Disassembly and Sorting Waste Printed Circuit Boards [4.0998481751764]
本稿では, 廃プリント基板(WPCB)からの廃電子部品(WEC)のリサイクル性の測定に, 数学的革新モデルを用いて着目する。
この革新的なアプローチは、WECのリサイクルとリサイクルの難しさを評価し、分解とソートを改善するAIモデルを統合する。
論文 参考訳（メタデータ） (2024-06-24T12:33:56Z) - 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) - Optimization paper production through digitalization by developing an
assistance system for machine operators including quality forecast: a concept [50.591267188664666]
廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。
我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。
我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
論文 参考訳（メタデータ） (2022-06-23T09:54:35Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - 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) - Towards artificially intelligent recycling Improving image processing
for waste classification [0.0]
IBMのWastenetプロジェクトは、廃棄物の分類に人工知能を用いてリサイクルを改善することを目的としている。
本稿では,移動学習とデータ拡張技術を用いて,このプロジェクトを基盤とする。
その結果、これらの拡張技術により、最終モデルのテスト精度は95.40%向上した。
論文 参考訳（メタデータ） (2021-08-09T21:41:48Z) - 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) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - WasteNet: Waste Classification at the Edge for Smart Bins [5.757545310368236]
本稿では,畳み込みニューラルネットワークに基づく廃棄物分類モデルであるWasteNetを提案する。
本モデルは,テストデータセット上での予測精度を97%向上させる。
これは、リサイクル汚染など、一般的なスマートビンの問題を軽減するのに役立つだろう。
論文 参考訳（メタデータ） (2020-06-10T14:57:58Z)
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。