Optimizing solid waste classification using deep learning and grey wolf optimizer for recycling efficiency

doi:10.1007/s13762-025-06834-2

2025-11-27

PRE

Yusuf Eryesil *

Humar Kahramanlı

Şakir Taşdemir

DOI：10.1007/s13762-025-06834-2

原文链接

原文求助

摘要

En 中文

固体废物管理对环境可持续发展具有重要意义。可回收材料的正确分类在提高回收过程效率方面发挥着关键作用。在本文研究中，采用灰狼优化器（GWO）对EfficientNet模型的超参数进行了优化，以提升该效率。除超参数优化外，还评估了朴素贝叶斯、逻辑回归和多层感知器（MLP）等机器学习算法的性能。此外，还研究了这些算法对从不同深度学习模型（包括EfficientNet、MobileNet和VGG）中提取的特征分类的影响。经GWO优化的EfficientNet模型达到了最佳性能，准确率达到95.43%。这些结果表明，应用于深度学习模型的超参数优化提高了固体废物分类问题的成功率。深度学习特征提取与GWO优化能力的结合，不仅提升了分类性能，还使训练过程更加高效。此外，适当的超参数调整通过防止过拟合提升了模型的整体性能。总而言之，本研究展示了深度学习与优化技术在废物管理行业中的良好应用效果。研究结果表明，这些技术能够显著改善回收过程。此外，这些方法在现实应用中具有潜力，能够促进回收过程更高效和可持续的管理。

Keyword:

Deep learning

Feature extraction

GWO

Machine learning hyperparameter optimization

Solid waste management