面向非规则零件分割的大型与轻量级视觉模型评估：电子废弃物拆解场景
计算机视觉与模式识别
2026-03-31 v1 人工智能
摘要
精确分割非规则且密集排列的组件是机器人拆解和材料回收电子废弃物（e-waste）回收的关键。本研究通过比较基于变换器的视觉模型 SAM2 与轻量级 YOLOv8 网络，评估了模型架构和规模对分割性能的影响。两种模型在新收集的 1,456 张标注的 RGB 图像上进行训练和测试，图像包含逻辑板、散热器和风扇等笔记本组件，照片在不同照明和姿态条件下拍摄。应用数据增强技术（如随机旋转、翻转和裁剪）以提高模型鲁棒性。YOLOv8 实现更高的分割准确率（mAP50 = 98.8%，mAP50-95 = 85%），并在边界精度方面优于 SAM2（mAP50 = 8.4%）。SAM2 在表示多样对象结构方面具有灵活性，但常产生重叠掩码和不一致的轮廓。这些发现表明，大型预训练模型需要针对工业应用进行任务特定的优化。所得数据集和基准框架为开发面向机器人电子废弃物拆解和循环制造系统的可扩展视觉算法提供了基础。
引用
@article{arxiv.2603.27441,
title = {Evaluating Large and Lightweight Vision Models for Irregular Component Segmentation in E-Waste Disassembly},
author = {Xinyao Zhang and Chang Liu and Xiao Liang and Minghui Zheng and Sara Behdad},
journal= {arXiv preprint arXiv:2603.27441},
year = {2026}
}
备注
Accepted at ASME MSEC2026