.png){kind=icon}
返回
Advancing e-waste classification with customizable YOLO based deep learning models
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-94772-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电子垃圾（e-waste）管理的日益严峻问题，需要为回收和再利用提供复杂、高效且精确的分类技术。为应对这些关键的环境与健康影响，本研究深入探讨了三种前沿目标检测模型：YOLOv5、YOLOv7和YOLOv8。这些模型通过高效电子垃圾分类的视角进行考察，这是回收和再利用工作中的关键步骤。'You Only Look Once'（YOLO）方法论支撑了我们的研究，突出了各模型的独特架构特征，包括CSPDarknet53骨干网络、PANet和先进的锚框无关检测。本研究方法包括创建一个包含七种不同电子垃圾类别的专用图像数据集，以促进这些模型的训练与验证。改进且可定制的YOLOv5、YOLOv7和YOLOv8的性能在精度、召回率、速度和训练效率等各项参数上进行了细致评估。该评估探讨了各模型的架构细节及其对多样化电子垃圾组件的精确检测效能。表现突出的YOLOv8凭借其增强的特征金字塔网络和改进的53层卷积CSPDarknet53骨干网络，展现了卓越能力，实现了更优的精度和准确率。值得注意的是，该模型在利用Google Colab上Tesla T4 GPU的算力时，显著缩短了训练时间。然而，研究也识别出挑战，特别是在目标朝向检测方面，提示未来改进方向。本研究强调了先进YOLO架构在电子垃圾管理中的重要作用，为其实际可行性、现实应用场景的适用性及潜在局限性提供了关键见解。通过在实时目标检测中设定基准，我们的工作为未来环境管理技术的创新与改进奠定了基础，这些技术将专门针对日益加剧的电子垃圾管理挑战进行设计。
Keyword:
Electronic waste
Improved YOLOv5
Improved YOLOv7
Improved YOLOv8
Deep learning
Convolutional neural network (CNN)
Environmental management
Recycling
Precision
Recall
Computational efficiency
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
查看更多机构
引用论文
Deep Learning-Based Small Object Detection and Classification Model for Garbage Waste Management in Smart Cities and IoT Environment智慧城市和物联网环境下基于深度学习的垃圾小目标检测与分类模型OAAI
OAAI分享收藏
In situ deposition of OD CeO2 quantum dots on Fe2O3-containing solid waste NH3-SCR catalyst: Enhancing redox and NH3 adsorption ability.png)
WASTE MANAGEMENT
WASTE MANAGEMENTIF7.1
PREAI
分享收藏YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object DetectorsYOLOv7: 可训练的免费赠品袋为实时物体探测器设置了新的最新技术OAAI
OAAI分享收藏 没有更多内容