الملخص إن التقسيم الدقيق للمكونات غير المنتظمة والمترابطة بشكل كثيف أمر أساسي لتفكيك الروبوتات واسترجاع المواد في إعادة تدوير النفايات الإلكترونية. تقييم هذه الدراسة تأثير بنية النموذج وحجمه على أداء التقسيم من خلال مقارنة SAM2، وهو نموذج رؤية يعتمد على المحولات، بشبكة YOLOv8 الخفيفة. تم تدريب واختبار كلا النموذجين على مجموعة بيانات جديدة تضم 1,456 صورة RGB مشروحة لمكونات أجهزة الكمبيوتر المحمولة بما في ذلك لوحات الدوائر، والمبددات الحرارية، والمراوح، تم التقاطها تحت ظروف إضاءة واتجاهات مختلفة. تم تطبيق تقنيات تعزيز البيانات، مثل الدوران العشوائي (±15°)، والانعكاس، والقص، لتحسين متانة النموذج. حققت YOLOv8 دقة أعلى في التقسيم (mAP50 = 98.8%، mAP50-95 = 85%) و دقة حدودية أقوى من SAM2 (mAP50 = 8.4%). أظهر SAM2 مرونة في تمثيل الهياكل المتنوعة للأجسام ولكنه غالبًا ما أنتج أقنعة متداخلة وحدودًا غير متسقة. تظهر هذه النتائج أن النماذج الكبيرة المدربة مسبقًا تحتاج إلى تحسينات خاصة بالمهام للتطبيقات الصناعية. توفر مجموعة البيانات وإطار العمل القياسي الأساس لتطوير خوارزميات رؤية قابلة للتوسع لتفكيك النفايات الإلكترونية بالروبوتات وأنظمة التصنيع الدائري.
درس Zhang وزملاؤه (جمعة) هذا السؤال.