现代机器学习方法用于光学塑料分拣的详细评估
计算机视觉与模式识别
2025-05-23 v1
摘要
据美国环保署统计，仅有25%的垃圾被回收，仅60%的美国市政部门提供街边回收服务。塑料回收率更低，仅为8%，另有16%被焚烧，其余76%最终被埋入填埋场。低塑料回收率源于污染、较差的经济激励以及技术难题，使得高效回收充满挑战。为提高回收率，自动化分拣发挥关键作用。像AMP Robotics和Greyparrot这样的公司利用光学系统进行分拣，而材料恢复设施(MRFs)则使用近红外(NIR)传感器检测塑料类型。现代光学分拣采用计算机视觉技术，如目标识别和实例分割，由机器学习驱动。两阶段检测器如Mask R-CNN使用区域提议和基于ResNet的深度背板进行分类。单阶段检测器如YOLO一次性完成检测，以牺牲部分精度为代价换取速度。在理想条件下拥有大量标注训练数据的环境中，这些方法表现出色，但在现实场景中会遇到挑战，凸显了光学检测在自动化分拣中效用的进一步考察的必要性。本研究汇编了来自多样来源的新型数据集，累计超过20,000张图片。我们使用公开和定制的机器学习管道，评估了光学识别在分拣中的能力与局限性。我们运用Grad-CAM、显著性图和混淆矩阵来解释模型行为。我们对编译数据集上训练的定制模型进行此分析。总之，我们发现，光学识别方法在MRFs中对真实世界塑料的准确分拣效果有限，主要原因是其依赖物理属性，如颜色和形状。
引用
@article{arxiv.2505.16513,
title = {Detailed Evaluation of Modern Machine Learning Approaches for Optic Plastics Sorting},
author = {Vaishali Maheshkar and Aadarsh Anantha Ramakrishnan and Charuvahan Adhivarahan and Karthik Dantu},
journal= {arXiv preprint arXiv:2505.16513},
year = {2025}
}
备注
Accepted at the 2024 REMADE Circular Economy Tech Summit and Conference, https://remadeinstitute.org/2024-conference/