基于迁移学习和零样本基础模型的纺织品回收自动化分析
计算机视觉与模式识别
2025-06-10 v1 人工智能
摘要
自动分选是提高纺织品回收效率和可扩展性的关键，但从传感器数据准确识别材料成分和检测杂质 remains 挑战。本文探讨了使用标准 RGB 图像这一成本效益高的感知方式，用于自动化系统的关键预处理任务。我们提出了为 Conveyor Belt 方案设计的计算机视觉组件，用于（a）对四种常见纺织品类型进行分类，和（b）检测非纺织特征（如按钮和拉链）。对于分类，评估了多个预训练模型，采用迁移学习和交叉验证，EfficientNetB0 在 held-out test 集上取得最佳性能，准确率为 81.25%。对于特征分割，采用将 Grounding DINO 开放词汇检测器与 Segment Anything Model（SAM）结合的零样本方法，生成的掩码相对于 ground truth 的 mIoU 可达 0.90，表现优异。该研究表明，结合现代深度学习技术，包括用于分类的迁移学习和用于零样本分割的基础模型，可用于实现自动纺织品回收管道中必需的分析步骤。
引用
@article{arxiv.2506.06569,
title = {Textile Analysis for Recycling Automation using Transfer Learning and Zero-Shot Foundation Models},
author = {Yannis Spyridis and Vasileios Argyriou},
journal= {arXiv preprint arXiv:2506.06569},
year = {2025}
}