A solid waste classification using reinforcement learning boosted by data augmentation and hyperparameter optimization

Kavyan Maleknya

doi:10.1038/s41598-026-46347-7

A solid waste classification using reinforcement learning boosted by data augmentation and hyperparameter optimization

2026-04-19

0

OA

AI

K

Kavyan Maleknya

R

Roohallah Alizadehsani

DOI：10.1038/s41598-026-46347-7

原文链接

查看原文

摘要

En 中文

随着城市化率和智慧城市发展率的提高，处理日益增长的垃圾量（包括其生产、分类和丢弃）已成为一项紧迫任务。新计划采用了卷积神经网络（CNN）技术和大量预标记图像数据，以增强对垃圾的控制，包括分类、倾倒、处置和回收。然而，此类数据集的创建和标记也耗时耗力。为了解决这一问题，本研究旨在使用主动学习（AL）框架，以利用较少的标记样本增强有机和可回收等垃圾类型的分类。传统的AL模型倾向于应用固定的选择机制，无法适应演变的数据。该模型结合深度强化学习（DRL）与创新范围损失函数（SLF）以提高适应性。此步骤的目的是平衡探索与新信息利用之间的权衡。此外，借助生成对抗网络（GAN）进行在线数据增强。纳入了额外的正则化方法，以使GAN训练更稳定并降低模式崩溃的可能性。此外，应用了更优的超参数调优算法（模式）和k均值变异技术，以选择最合适的参数。该方法在三个基准数据集（TrashNet、Trash和OrgalidWaste）上得到验证。主动学习过程从仅10%的标记样本开始，其余90%作为未标记样本处理。在每次迭代中，DRL代理在固定标注预算下选择一小批信息样本。分类器在每次选择轮次后增量式重新训练，直至标注预算用尽。模型的F度量分别为92.29、89.27和89.90，表明在图像和少量标记数据下进行垃圾分类的显著进步。总体而言，本研究有助于创建更智能高效的垃圾管理系统。

Keyword:

Engineering

Environmental sciences

Mathematics and computing

Solid waste management

Active learning

Deep reinforcement learning

Data augmentation

Hyperparameter optimization

Science

Humanities and Social Sciences

multidisciplinary

A solid waste classification using reinforcement learning boosted by data augmentation and hyperparameter optimization

摘要

AI总结

期刊

机构