Optische Erkennung von Plastikabfällen durch Computer Vision

Eine unglaublich breite Palette von Kunststoffprodukten und enorme Mengen an erzeugten Kunststoffabfällen machen Sortiertechnologien äußerst wichtig. Um die Effizienz und Genauigkeit des Sortierprozesses zu erhöhen, schlägt dieser Artikel eine Lösung des Internet of Video Things vor, die auf Deep-Learning-Algorithmen zur Bilderkennung von Plastikabfällen auf einem bewegten Förderband und eingebetteter Intelligenz basiert. Insbesondere werden modernste Objekterkennungsmodelle, einschließlich Faster R-CNN, RetinaNet und YOLOv8 verwendet. Die Zielkategorien von Kunststoff sind Polyethylenterephthalat (PET) und Polypropylen (PP). Darüber hinaus haben wir Quantisierungstechniken für die trainierten Modelle auf einem handelsüblichen eingebetteten System für schnelle Verarbeitung implementiert. Wir erreichten eine hohe mittlere Durchschnittliche Präzision (mAP) von 77,74% und eine Genauigkeit von 95,67% auf einem Testdatensatz und sind für den Einsatz auf einem Nano-eingebetteten System mit 20 Bildern pro Sekunde feingetunt und optimiert. Diese Forschung trägt zum Anwendungsbereich des Internet of Things bei, indem sie die Wirksamkeit von Deep-Learning-Algorithmen demonstriert, die auf dem eingebetteten System im industriellen Kunststoffabfallsortierprozess ausgeführt werden. Die Ergebnisse heben die praktische Anwendbarkeit dieser Algorithmen hervor und bieten Einblicke in das Ressourcenmanagement und Recyclingpraktiken.