論文の概要: A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning

• arxiv url: http://arxiv.org/abs/2602.17642v1
• Date: Thu, 19 Feb 2026 18:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.405818
• Title: A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning
• Title（参考訳）: A.R.I.S.:ディープラーニングを用いたE-Waste分類のための自動リサイクル識別システム
• Authors: Dhruv Talwar, Harsh Desai, Wendong Yin, Goutam Mohanty, Rafael Reveles,
• Abstract要約: A.R.I.S.(A.R.I.S.、自動リサイクル識別システム、Automated recycling Identification System)は、細断加工されたe-waste用の低コストでポータブルなソーターである。 このシステムはYOLOxモデルを用いて、金属、プラスチック、回路基板をリアルタイムで分類し、高い検出精度で低レイテンシを実現する。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional electronic recycling processes suffer from significant resource loss due to inadequate material separation and identification capabilities, limiting material recovery. We present A.R.I.S. (Automated Recycling Identification System), a low-cost, portable sorter for shredded e-waste that addresses this efficiency gap. The system employs a YOLOx model to classify metals, plastics, and circuit boards in real time, achieving low inference latency with high detection accuracy. Experimental evaluation yielded 90% overall precision, 82.2% mean average precision (mAP), and 84% sortation purity. By integrating deep learning with established sorting methods, A.R.I.S. enhances material recovery efficiency and lowers barriers to advanced recycling adoption. This work complements broader initiatives in extending product life cycles, supporting trade-in and recycling programs, and reducing environmental impact across the supply chain.
• Abstract（参考訳）: 従来の電子リサイクルプロセスは、材料分離と識別能力の欠如により、資源の喪失に悩まされ、材料回収が制限される。 本稿では, この効率ギャップに対処する, 低コストでポータブルなe-wasteソータである A.R.I.S. (Automated recycling Identification System) について述べる。 このシステムは、YoLOxモデルを用いて、金属、プラスチック、回路基板をリアルタイムで分類し、高い検出精度で低推論レイテンシを実現する。 実験の結果、全体の精度は90%、平均精度は82.2%、選別純度は84%であった。 ディープラーニングを確立されたソート手法と統合することにより、A.R.I.S.は材料回収効率を高め、高度なリサイクル導入のための障壁を低くする。 この作業は、製品ライフサイクルの拡大、トレーディングとリサイクルプログラムのサポート、サプライチェーン全体の環境影響の低減という幅広い取り組みを補完する。

関連論文リスト

• HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification [0.7734726150561086]
  リサイクル可能な材料のミスクラス化は、埋立地の蓄積、非効率なリサイクル、温室効果ガスの排出の増加に寄与する。 本研究では、畳み込み特徴抽出、微分可能な自己組織化、スパイキングにインスパイアされた時間処理を統合したハイブリッドディープラーニングフレームワークであるHybridSOMSpikeNetを紹介する。
  論文  参考訳（メタデータ） (2025-10-23T15:47:09Z)
• Leveraging CNN and IoT for Effective E-Waste Management [0.0]
  不適切な処理とe-wasteの不十分なリサイクルは、深刻な環境・健康リスクをもたらす。 本稿では,電子廃棄物の識別,分類,ルーティングを向上させるために,IoT対応システムと軽量CNNベースの分類パイプラインを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2025-06-19T23:19:15Z)
• Detailed Evaluation of Modern Machine Learning Approaches for Optic Plastics Sorting [4.647327901007882]
  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。
  論文  参考訳（メタデータ） (2025-05-22T10:48:30Z)
• 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)
• Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages [56.98243487769916]
  ニューラルネットワークが新しいデータで進化する能力である塑性は、高性能でサンプル効率のよい視覚強化学習に不可欠である。 本稿では,批評家の可塑性レベルに基づいてリプレイ率を動的に調整するAdaptive RRを提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:05:34Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。