arrow
返回

Recognizing recyclable waste materials based on deep transfer learning models

delete2025-10-11
delete0
PRE
AI
G
Ghada Dahy
M
Mohamed Torky
V
Václav Snåšel
DOI:10.1007/s00521-025-11592-wdelete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
在新绿色经济和可持续发展中,废物回收与管理已成为减少废物混合物环境影响的核心问题。废物回收与管理的不足直接影响到气候变化、空气污染以及许多生态环境。从数亿吨的废物混合物中识别可回收废物材料是一项巨大挑战,该问题可通过基于机器学习和深度学习技术的人工智能技术解决。本文介绍了一种基于新型迁移学习模型的深度学习方法,用于识别可回收废物材料。两种混合迁移学习模型——Xception-CNN和MobileNet-CNN,基于Xception和MobileNet模型的经典神经网络设计,但采用了新的超参数和一种创新的分类方法。所提出的模型已在包含25,000张图像的标准数据集上进行测试和验证。实验结果表明,在识别可回收废物材料方面,MobileNet-CNN技术相较于其他六种深度学习技术具有优越性,其测试准确率达到91%。此外,MobileNet-CNN模型使用SHAP分析技术进行了分析,并与Xception-CNN模型在给定数据集的两个样本上进行了比较。MobileNet-CNN的SHAP值分布更加均衡地围绕零值,这使其相较于Xception-CNN对特征的小幅变化更不敏感。这些结果为未来研究奠定了基础,以利用所提出的两种迁移学习模型——Xception-CNN和MobileNet-CNN,采用不同数据集解决废物回收问题中的其他分类问题。
Keyword:
Deep learning
Transfer learning
MobileNet-CNN
Waste recycling
Climate change
Sustainability

期刊

Neural Computing and Applications 封面图
Neural Computing and Applications
IF:
4.5
论文数:
887
被引数:
3.2W

机构

F
Faculty of Electrical Engineering and Computer Science
学者数:
133
论文数: 56
被引数: 1
F
Faculty of Artificial Intelligence
学者数:
78
论文数: 67
被引数: 1
引用论文

引用论文

GCDN-Net: Garbage classifier deep neural network for recyclable urban waste management
err2024-02-01
err12
PREAI
errHossen, Md Mosarrof; Ashraf, Azad; Hasan, Mazhar; Majid, Molla E.; Nashbat, Mohammad; Kashem, Saad Bin Abul; Kunju, Ali K. Ansaruddin; Khandakar, Amith; Mahmud, Sakib; Chowdhury, Muhammad E. H.
err分享
err收藏
err分享
err收藏
Environmental planning based on reduce, reuse, recycle and recover using artificial intelligence
err2021-01-01
err0
PREAI
errKan Hua Yu; Yue Zhang; Danni Li; Carlos Enrique Montenegro-Marin; Priyan Malarvizhi Kumar
err分享
err收藏
学者 查看更多内容