Anwendung eines Deep-Learning-Objektklassifikators zur Verbesserung der Planung der E-Schrottsammlung

Diese Studie untersucht ein Bildverkennungssystem zur Identifizierung und Klassifizierung von Abfällen elektrischer und elektronischer Geräte aus Fotos. Hauptziel ist es, den Informationsaustausch über die zu sammelnden Abfälle von Personen oder von Sammelstellen zu erleichtern, wobei die breite Akzeptanz und Nutzung von Smartphones genutzt wird. Um die Planung der Abfallsammlung zu verbessern, würden Einzelpersonen den Abfallgegenstand fotografieren und das Bild auf den Server des Abfallentsorgungsunternehmens hochladen, wo es automatisch erkannt und klassifiziert wird. Das vorgeschlagene System kann auf einem Server oder über eine mobile App betrieben werden. Eine neuartige Methode zur Klassifizierung und Identifizierung mittels neuronaler Netze wird für die Bildanalyse vorgeschlagen: Ein Deep-Learning-Convolutional-Neural-Network (CNN) wurde angewendet, um die Art des E-Schrotts zu klassifizieren, und ein schneller regionsbasiertes Convolutional-Neural-Network (R-CNN) wurde verwendet, um die Kategorie und Größe der Abfallgeräte in den Bildern zu erkennen. Die Erkennungs- und Klassifizierungsgenauigkeit der ausgewählten E-Waste-Kategorien lag zwischen 90 und 97 %. Nachdem die Größe und Kategorie des Abfalls automatisch aus den hochgeladenen Bildern erkannt und klassifiziert wurde, können E-Waste-Sammelunternehmen einen Sammelplan erstellen, indem sie eine ausreichende Anzahl von Fahrzeugen und Nutzlastkapazität für ein spezifisches E-Waste-Projekt zuweisen.