基于集成学习的杂乱环境废物分割方法
计算机视觉与模式识别
2026-02-17 v1 人工智能
摘要
环境污染是全球面临的严重问题，回收利用正是其中最具可行性的解决方案之一。本研究聚焦于废物分级，这是回收过程中至关重要的步骤，用于获取原材料。近期计算机视觉技术的快速发展为废物分类和识别作出了重要贡献。在废物分级过程中，分割掩码对于机器人准确定位和从传送带上抓取物体至关重要。真实世界废物环境的复杂性，表现为无特定模式的变形物品以及重叠物体，进一步 complicating 废物分割任务。本文提出一种集成学习方法，通过结合 U-Net 和 FPN 两种高性能分割模型并采用加权平均方法来提高分割准确率。U-Net 在捕获分割任务中细节和边界方面表现出色，而 FPN 则有效处理复杂环境中的尺度变化和上下文信息，两者组合后的掩码结果能够提供更精确的预测。所使用的数据集紧密模拟真实生活场景，并应用了预处理技术以增强深度学习分割模型的特征学习能力。本研究提出的集成模型（称为 EL-4）实现了 IoU 值为 0.8306，显著优于 U-Net 的 0.8065，并将 Dice 损失降低至 0.09019，相较于 FPN 的 0.1183 亦有所改进。该研究有望提高 Material Recovery Facility 中废物分类的效率，促进回收过程中最小化人工干预即可实现更好的原材料获取，从而提升整体处理效率。
引用
@article{arxiv.2602.13681,
title = {An Ensemble Learning Approach towards Waste Segmentation in Cluttered Environment},
author = {Maimoona Jafar and Syed Imran Ali and Ahsan Saadat and Muhammad Bilal and Shah Khalid},
journal= {arXiv preprint arXiv:2602.13681},
year = {2026}
}