基于尼泊尔废物箱颜色指南的深度学习健康护理废物分类
计算机视觉与模式识别
2025-10-16 v2
摘要
尼泊尔健康护理设施数量的增加增加了管理健康护理废物（HCW）的难度。不当的废物 Segregation 和处理导致污染，传播传染病，以及对废物处理人员的风险。本研究在采用分层5折交叉验证技术对组合HCW数据进行基准测试时，评估了最先进的废物分类模型：ResNeXt-50、EfficientNet-B0、MobileNetV3-S、YOLOv8-n和YOLOv5-s。YOLOv5-s实现了最高的准确率（95.06%），但在推理速度上不足以满足YOLOv8-n模型，仅剩几毫秒。EfficientNet-B0表现出93.22%的准确率，但推理时间最高。在确认统计显著性后，最佳模型（YOLOv5-s）被部署到Web上，并根据尼泊尔HCW管理标准映射箱子颜色。后续工作建议解决数据限制问题并确保本地化背景。
引用
@article{arxiv.2508.07450,
title = {Health Care Waste Classification Using Deep Learning Aligned with Nepal's Bin Color Guidelines},
author = {Suman Kunwar and Prabesh Rai},
journal= {arXiv preprint arXiv:2508.07450},
year = {2025}
}
备注
7 pages, 5 figures