建筑拆除垢渣的深度特征提取与机器学习混合方法分类
计算机视觉与模式识别
2026-01-27 v1 机器学习
摘要
建筑行业产生大量垢渣，有效的分类和排序对可持续废物管理和资源回收至关重要。本研究提出了一种集成深度特征提取与经典机器学习 (ML) 分类器的混合视觉管线，用于自动化建筑拆除垢渣分类。收集了一个由 1,800 张平衡且高质量的图像组成的新型数据集，代表四个材料类别：陶瓷/瓷砖、混凝土、垃圾/废物和木材，来自阿联酋真实建筑工地，捕获了多样化的真实世界条件。使用预训练的 Xception 网络提取深度特征，系统评估了包括 SVM、kNN、袋装树、线性判别分析和逻辑回归在内的多种 ML 分类器。结果表明，使用 Xception 特征与简单分类器如线性 SVM、kNN 和袋装树的混合管线实现了最佳性能，最高可达 99.5% 准确率和宏平均 F1 分数，超越了更复杂或端到端的深度学习方法。该分析突显了该方法在稳健、现场可部署的垢渣识别方面的操作优势，并为未来集成到机器人和现场自动化系统提供了发展路径。
引用
@article{arxiv.2601.17038,
title = {Hybrid Deep Feature Extraction and ML for Construction and Demolition Debris Classification},
author = {Obai Alashram and Nejad Alagha and Mahmoud AlKakuri and Zeeshan Swaveel and Abigail Copiaco},
journal= {arXiv preprint arXiv:2601.17038},
year = {2026}
}