施工现场废弃物实时分拣机器学习有助于提高建筑工地塑料废弃物的回收率。研究人员正在优化计算机视觉系统,以帮助识别和分拣建筑工地的塑料废弃物。建筑与拆除活动是废弃物的主要来源之一,其中包括塑料废弃物。由于建筑工地的时间限制和成本限制,塑料废料经常受到污染,最终被填埋或焚烧。此外,人工分拣过程常常忽略可回收塑料。为了提高建筑塑料的回收和再利用,研究人员开发了一种工具,用于在施工现场自动分拣建筑与拆除废弃物。
专注于建筑的计算机视觉为了创建这一工具,研究人员首先汇编了活跃的建筑和翻新工地的图像和照片数据集。这些图像捕捉了各种光照和环境条件,包括室外和室内拍摄的照片。在基础数据集中包含各种真实图像,可以提高基于计算机视觉的机器学习工具的准确性。这对于实时、实地的监测尤其关键,例如在建筑工地上。该数据集对建筑工地常见的七类主要物体进行了分类。这些物体类别包括桶、电缆、桶形容器、绝缘材料、液体容器、管道和PVC型材。PVC型材物体包括各种由聚氯乙烯制成的结构部件。研究人员使用Roboflow平台对图像进行标注。数据集中的图像展示了真实环境中的建筑废弃物,以提高准确性。
识别可回收塑料利用计算机视觉和机器学习,该工具成功地提供了对建筑与拆除废弃物场景的洞察。桶形容器物体类别在模型识别中成功率最高,即使受到污染或变形。由于图像中管道的分割和断开,PVC型材物体对模型更具挑战性。PVC型材类别包含各种形状和大小的物体。因此,模型在高度杂乱的场景中分割这些物体时遇到困难。EigenCAM(类激活映射)可视化展示了图像的哪些部分对模型的预测贡献最大。这提供了对模型决策过程以及可能发生检测错误的区域的洞察。EigenCAM可视化可以帮助研究人员识别潜在的偏差,并进一步完善数据集设计和模型训练。
权衡:速度与准确性研究人员开发这项技术的目的是将其实际应用于自动化废弃物分拣系统。因此,他们选择了一种针对速度和效率优化的实时架构。研究人员在额外实验中,将结果与更准确的实例分割框架Mask2Former进行了比较。尽管Mask2Former速度较慢,但使用相同数据集显示出更高的准确性潜力。
现实世界实时应用的潜力将该模型纳入现实世界的废弃物处理系统,将展示其在实时识别建筑与拆除废弃物方面的可行性。该模型显示出在协助自动化废弃物分拣以及与机器人分拣系统集成方面的潜力。然而,未来的研究可能会寻求提高模型的性能,尤其是在高度杂乱的场景中。