Abfallmanagement ist ein komplexes und dynamisches Thema, das kreative und visionäre Lösungen erfordert, die das Potenzial neuer technologischer Fortschritte nutzen. Unsere Forschung untersucht die Anwendung von maschinellem Lernen und Deep Learning in der Bilderkennung und -kategorisierung innerhalb des Abfallspektrums. Wir haben ein Convolutional Neural Network (CNN)-Modell auf einem umfangreichen Datensatz von Bildern trainiert, die unter anderem organische Abfälle abbilden, die typischerweise als recycelbare Materialien erzeugt werden. Unser Ziel ist es, ein Klassifikationsmodell für organischen und recycelbaren Abfall zu entwickeln, das Transferlernen nutzt, um diese mit hoher Genauigkeit zu klassifizieren. Diese Studie zielt darauf ab, die Grundlage für zukünftige Systeme zu legen, die automatisch recyceln und dabei die Abfallrecyclingprozesse verbessern, was wiederum die Umweltauswirkungen reduziert. Das Ziel unserer Forschung war es, ein Bildklassifikationsmodell zu entwickeln, das Fotos zwischen organischem und recycelbarem Abfall unterscheiden kann, indem ein Klassifikator unter Verwendung der VGG16-Architektur entworfen wird. Unsere Studie nutzte das VGG16-Modell, das auf Convolutional Neural Networks (CNNs) basiert, um eine Präzisionspunktzahl von 0.96 für organische Abfälle und 0.88 für recycelbare Materialien zu erreichen. Dies zeigt, dass unser Modell falsche Vorhersagen für nicht kategorisierte Gegenstände effektiv reduziert. Das Modell erreichte eine hohe Rückrufquote von 0.97 bei Bildern von recycelbarem Abfall, was darauf hindeutet, dass es die meisten Beispiele von "Recyclable" korrekt identifizieren kann. Darüber hinaus heben diese Ergebnisse die Effektivität der VGG16-Architektur bei der Kategorisierung von Abfallarten hervor und deutet darauf hin, dass es Raum für Verbesserungen bei der Erkennung von Bildern "organischen" Abfalls durch das Modell, insbesondere hinsichtlich des Rückrufs, gibt.
Shafek et al. (Sun,) haben diese Frage untersucht.