Das effektive Management von Feststoffabfall bleibt eines der wichtigsten Probleme, insbesondere in städtischen Gebieten, in denen falsche Trennung Schäden an der Umwelt, höhere Betriebskosten und Risikofaktoren für die öffentliche Gesundheit verursacht. Informelle Recyclingarbeiter, von denen viele auf die Sortierung von Abfall für ihren Lebensunterhalt angewiesen sind, arbeiten oft unter unsicheren Bedingungen und stehen vor düsteren wirtschaftlichen Perspektiven. Vor diesem Hintergrund bringen die neuesten Entwicklungen in der Künstlichen Intelligenz und Bildverarbeitung greifbare Elemente, um die Abfallkategorisierung effizienter zu gestalten. Hier haben wir ein maßgeschneidertes Convolutional Neural Network (CNN) für die automatische Klassifikation von acht recycelbaren Abfallarten unter Verwendung von Graustufenbildern trainiert und evaluiert. Das Modell verwendete den Datensatz, der 12.833 Bilder umfasste, die in Plastik, Metall, Glas und Pappe kategorisiert wurden. Basierend auf den SGDM-Optimierungsmethoden und der Verwendung von Regularisierungstechniken erzielte es eine gültige Genauigkeit von 96,43%, während fast alle Proben im Trainingssatz perfekt klassifiziert wurden. Die Ergebnisse deuten darauf hin, dass der vorgeschlagene Ansatz effektiv ist, um die Abfallklassifikation zu automatisieren. Über die technische Leistung hinaus bietet es vielversprechende mögliche Anwendungen in praktischen Umgebungen, in denen effiziente Recyclingmethoden oder Arbeitsbedingungen und nachhaltige Systeme für die organische Abfallwirtschaft in Städten ermöglicht werden können.
Patiño-Ortiz et al. (Fri,) haben diese Frage untersucht.