論文の概要: Detailed Evaluation of Modern Machine Learning Approaches for Optic Plastics Sorting

• arxiv url: http://arxiv.org/abs/2505.16513v1
• Date: Thu, 22 May 2025 10:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.235876
• Title: Detailed Evaluation of Modern Machine Learning Approaches for Optic Plastics Sorting
• Title（参考訳）: 光学プラスチックソーティングにおける最新の機械学習手法の詳細な評価
• Authors: Vaishali Maheshkar, Aadarsh Anantha Ramakrishnan, Charuvahan Adhivarahan, Karthik Dantu,
• Abstract要約: EPAによると、廃棄物のわずか25%がリサイクルされ、アメリカの自治体の60%が再資源化を行っている。 リサイクル率は8%に過ぎず、さらに16%が焼却され、残りの76%が埋立地となる。 プラスチックリサイクル率の低さは、汚染、経済的インセンティブの低さ、技術的困難に起因する。
• 参考スコア（独自算出の注目度）: 4.647327901007882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: According to the EPA, only 25% of waste is recycled, and just 60% of U.S. municipalities offer curbside recycling. Plastics fare worse, with a recycling rate of only 8%; an additional 16% is incinerated, while the remaining 76% ends up in landfills. The low plastic recycling rate stems from contamination, poor economic incentives, and technical difficulties, making efficient recycling a challenge. To improve recovery, automated sorting plays a critical role. Companies like AMP Robotics and Greyparrot utilize optical systems for sorting, while Materials Recovery Facilities (MRFs) employ Near-Infrared (NIR) sensors to detect plastic types. Modern optical sorting uses advances in computer vision such as object recognition and instance segmentation, powered by machine learning. Two-stage detectors like Mask R-CNN use region proposals and classification with deep backbones like ResNet. Single-stage detectors like YOLO handle detection in one pass, trading some accuracy for speed. While such methods excel under ideal conditions with a large volume of labeled training data, challenges arise in realistic scenarios, emphasizing the need to further examine the efficacy of optic detection for automated sorting. In this study, we compiled novel datasets totaling 20,000+ images from varied sources. Using both public and custom machine learning pipelines, we assessed the capabilities and limitations of optical recognition for sorting. Grad-CAM, saliency maps, and confusion matrices were employed to interpret model behavior. We perform this analysis on our custom trained models from the compiled datasets. To conclude, our findings are that optic recognition methods have limited success in accurate sorting of real-world plastics at MRFs, primarily because they rely on physical properties such as color and shape.
• Abstract（参考訳）: EPAによると、廃棄物のわずか25%がリサイクルされ、アメリカの自治体の60%が再資源化を行っている。 リサイクル率は8%に過ぎず、さらに16%が焼却され、残りの76%が埋立地となる。 プラスチックリサイクル率の低さは、汚染、経済的なインセンティブの低さ、技術的困難に起因するため、効率的なリサイクルが困難である。 回復を改善するために、自動ソートが重要な役割を果たす。 AMP RoboticsやGreyparrotなどの企業は光学システムを使って分類し、Material Recovery Facility(MRF)はNIR(Near-IR)センサーを使ってプラスチックのタイプを検知する。 現代の光学的ソートは、オブジェクト認識やインスタンスセグメンテーションといったコンピュータビジョンの進歩を利用しており、機械学習によって実現されている。 Mask R-CNNのような2段階検出器は、リージョンの提案とResNetのような深いバックボーンによる分類を使用する。 YOLOのような単段検出器は1回のパスで検知を処理し、速度をある程度の精度で交換する。 このような手法は、大量のラベル付きトレーニングデータを持つ理想的な条件下では優れているが、現実的なシナリオでは課題が生じ、自動ソートにおける光学検出の有効性をさらに調べる必要性が強調される。 本研究では,様々なソースから2万以上の画像を集めた新しいデータセットを作成した。 パブリックとカスタムの両方の機械学習パイプラインを使用して、分類のための光学認識の能力と限界を評価した。 モデル動作の解釈にはGrad-CAM, saliency map, 混乱行列が用いられた。 私たちはこの分析を、コンパイルされたデータセットからカスタムトレーニングされたモデルで実行します。 結論として,光学的認識法は,色や形状などの物理的特性に依存しているため,実世界のプラスチックをMDFで正確に選別することには限界がある。

関連論文リスト

• First Lessons Learned of an Artificial Intelligence Robotic System for Autonomous Coarse Waste Recycling Using Multispectral Imaging-Based Methods [0.0]
  選別プロセスを自動化する2つの重要な側面は、廃棄物の混合山における物質分類による物体検出と油圧機械の自律制御である。 これらの課題に対処するために、紫外(UV)、視覚(VIS)、近赤外(NIR)、短波長赤外(SWIR)の多スペクトル画像を用いた材料分類を提案する。 大量の廃棄物を選別する油圧重機を自律的に制御するためのソリューションは,コスト効率の高いカメラと人工知能ベースの制御装置を用いて検討されている。
  論文  参考訳（メタデータ） (2025-01-23T17:24:24Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• WasteGAN: Data Augmentation for Robotic Waste Sorting through Generative Adversarial Networks [7.775894876221921]
  ムダGANと呼ばれる新しいGANアーキテクチャに基づくデータ拡張手法を提案する。 提案手法は,ラベル付きサンプルのごく限られたセットから,セマンティックセグメンテーションモデルの性能を向上させることができる。 次に、ムダGAN合成データに基づいて訓練されたモデルから予測される高品質なセグメンテーションマスクを活用し、セグメンテーション・アウェア・グルーピング・ポーズを計算する。
  論文  参考訳（メタデータ） (2024-09-25T15:04:21Z)
• 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)
• PLASTIC: Improving Input and Label Plasticity for Sample Efficient Reinforcement Learning [54.409634256153154]
  強化学習(RL)では, サンプル効率の向上が重要である。 原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。 本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
  論文  参考訳（メタデータ） (2023-06-19T06:14:51Z)
• 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)

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。