論文の概要: Garbage Vulnerable Point Monitoring using IoT and Computer Vision
- arxiv url: http://arxiv.org/abs/2511.07325v1
- Date: Mon, 10 Nov 2025 17:27:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.395051
- Title: Garbage Vulnerable Point Monitoring using IoT and Computer Vision
- Title（参考訳）: IoTとコンピュータビジョンを用いたガベージ脆弱性モニタリング
- Authors: R. Kumar, A. Lall, S. Chaudhari, M. Kale, A. Vattem,
- Abstract要約: 本稿では,モノのインターネット (IoT) とコンピュータビジョン (CV) を用いた都市ごみ管理手法を提案する。
このシステムは、ストリートレベルのカメラとオブジェクト検出アルゴリズムを用いて、廃棄されたゴミを素早く検知し、監視することができる。
- 参考スコア（独自算出の注目度）: 0.9786690381850356
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper proposes a smart way to manage municipal solid waste by using the Internet of Things (IoT) and computer vision (CV) to monitor illegal waste dumping at garbage vulnerable points (GVPs) in urban areas. The system can quickly detect and monitor dumped waste using a street-level camera and object detection algorithm. Data was collected from the Sangareddy district in Telangana, India. A series of comprehensive experiments was carried out using the proposed dataset to assess the accuracy and overall performance of various object detection models. Specifically, we performed an in-depth evaluation of YOLOv8, YOLOv10, YOLO11m, and RT-DETR on our dataset. Among these models, YOLO11m achieved the highest accuracy of 92.39\% in waste detection, demonstrating its effectiveness in detecting waste. Additionally, it attains an mAP@50 of 0.91, highlighting its high precision. These findings confirm that the object detection model is well-suited for monitoring and tracking waste dumping events at GVP locations. Furthermore, the system effectively captures waste disposal patterns, including hourly, daily, and weekly dumping trends, ensuring comprehensive daily and nightly monitoring.
- Abstract（参考訳）: 本稿では,モノのインターネット (IoT) とコンピュータビジョン (CV) を用いて, 都市部におけるごみの不法投棄(GVP) をモニタリングし, 都市ごみの処理方法を提案する。
このシステムは、ストリートレベルのカメラとオブジェクト検出アルゴリズムを用いて、廃棄されたゴミを素早く検知し、監視することができる。
データはインドのテランガナのサンガレディ地区から収集された。
様々な物体検出モデルの精度と全体的な性能を評価するために,提案したデータセットを用いて総合的な実験を行った。
具体的には,データセット上でYOLOv8,YOLOv10,YOLO11m,RT-DETRの詳細な評価を行った。
これらのモデルのうち、YOLO11mは廃棄物検出において92.39倍の精度を達成し、廃棄物検出の有効性を実証した。
さらに、mAP@50が0.91となり、精度が向上した。
これらの結果から, 対象物検出モデルは, ごみ捨てイベントの監視・追跡に適していることが明らかとなった。
さらに, 時間, 日毎, 週毎のダンピング傾向などの廃棄物処理パターンを効果的に把握し, 日毎, 夜間の総合的なモニタリングを確実にする。
関連論文リスト
- Desert Waste Detection and Classification Using Data-Based and Model-Based Enhanced YOLOv12 DL Model [1.497481482212619]
廃棄物の発生量は2050年までに70%増加すると予想されている。
伝統的な廃棄物収集法は、労働集約的で非効率であり、しばしば有害である。
近年のコンピュータビジョンと深層学習の進歩により, 自動廃棄物検知システムへの扉が開きつつある。
そこで本稿では,SAT(Self-Adversarial Training)と専用データ拡張戦略を統合したYOLOv12の軽量バージョンに基づく拡張リアルタイムオブジェクト検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T22:29:01Z) - A Deep Learning-Based CCTV System for Automatic Smoking Detection in Fire Exit Zones [0.0]
防火エリアのCCTV監視のためのリアルタイム喫煙検知システムを提案する。
データセットには、20のシナリオから8,124の画像と、低照度領域を示す2,708のサンプルが含まれている。
提案されたモデルは他のモデルよりも優れ、78.90%、mAPは83.70パーセントの50パーセントでリコールされた。
論文 参考訳（メタデータ） (2025-08-12T19:27:17Z) - Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。
スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。
その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T14:23:23Z) - Solid Waste Detection, Monitoring and Mapping in Remote Sensing Images: A Survey [0.8499685241219366]
不適切に管理された埋立地は、浸透雨水を介して土壌と地下水を汚染し、動物と人間の両方に脅威を与える。
現場検査のような伝統的な埋立地識別アプローチは、時間と費用がかかる。
地球観測衛星(EO)は、センサーと撮像機能を備えた衛星で、数十年にわたって高解像度のデータを提供してきた。
論文 参考訳（メタデータ） (2024-02-14T10:24:04Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - 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。