Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 9

Classification of E-Waste Types Using Machine Learning and Digital Image Processing

Klasyfikacja typów odpadów elektronicznych z wykorzystaniem uczenia maszynowego i przetwarzania obrazu cyfrowego

10.15199/48.2024.09.55

nr katalogowy: 150394
10.15199/48.2024.09.55

Streszczenie

This paper explores the application of deep learning and computer vision techniques for automated classification and detection of electronic waste (e-waste). A system based on convolutional neural networks (CNN) and faster R-CNN is developed for analyzing e-waste images and extracting information about equipment type and dimensions. The experiment is conducted on a dataset of 500 real-world images of three key e-waste categories – refrigerators, kitchen stoves and TVs. Results demonstrate high classification accuracy of 92% using CNN and 91% detection accuracy with R-CNN. The obtained data enables more precise waste collection planning. The main conclusion is that deep learning holds great potential for improving e-waste management systems.

Abstract

Artykuł ten bada zastosowanie technik głębokiego uczenia i widzenia komputerowego do automatycznej klasyfikacji i detekcji elektronicznych odpadów (e-odpadów). Opracowany zostaje system oparty na splotowych sieciach neuronowych (CNN) i szybszym R-CNN do analizy obrazów e-odpadów oraz wydobycia informacji o typie i wymiarach sprzętu. Eksperyment przeprowadzony jest na zbiorze danych 500 realnych obrazów trzech kluczowych kategorii e-odpadów – lodówek, kuchenek kuchennych i telewizorów. Wyniki wykazują wysoką dokładność klasyfikacji na poziomie 92% przy użyciu CNN oraz dokładność detekcji na poziomie 91% przy użyciu R-CNN. Uzyskane dane umożliwiają bardziej precyzyjne planowanie zbierania odpadów. Głównym wnioskiem jest, że głębokie uczenie ma duży potencjał do poprawy systemów zarządzania e odpadami.

Słowa kluczowe

Keywords

Bibliografia

[1] Krizhevsky, A., Sutskever, I., Hinton, G.E., ImageNet classification with deep convolutional neural networks, Communications of the ACM, 60 (2017), nr 6, 84-90
[2] LeCun, Y., Bengio, Y., Hinton, G., Deep learning, Nature, 521 (2015), nr 7553, 436-444
[3] Ren, S., He, K., Girshick, R., Sun, J., Faster R-CNN: Towards real-time object detection with region proposal networks, Advances in Neural Information Processing Systems, 28 (2015), nr 1, 1-9
[4] Gundupalli, S.P., Hait, S., Thakur, A., A review on automated sorting of source-separated municipal solid waste for recycling, Waste Management, 60 (2017), 56-74
[5] Wang, Z., Li, H., Zhang, X., Construction waste recycling robot for nails and screws: Computer vision technology and neural network approach, Automation in Construction, 97 (2019), 220 228
[6] Nowakowski, P., Pamuła, T., Application of deep learning object classifier to improve e-waste collection planning, Waste Management, 109 (2020), 1-9
[7] Porter, M.E., Kramer, M.R., Strategy and society: the link between competitive advantage and corporate social responsibility, Harvard business review, 84 (2007), nr 12, 78-92
[8] Rusev S. J., Salonitis K., Operational excellence assessment framework for manufacturing companies, Procedia CIRP, 55 (2016), 272-277
[9] Barney, J., Firm resources and sustained competitive advantage, Journal of management, 17 (1991), 1, 99-120
[10] Besanko, D., Dranove, D., Shanley, M., Schaefer, S., Economics of strategy, 7th Edition, Wiley John Wiley & Sons, (2013)
[11] Pinto, J.K., Project management, governance, and the normalization of deviance, International Journal of Project Management, 31 (2014), nr 3, 376-387
[12] Lindgreen, A., Swaen, V., Corporate social responsibility, International journal of management reviews, 12 (2010), nr 1, 1-7
[13] Manikas, A.S., Kroes, J.R., Operational excellence assessment framework for manufacturing companies, International Journal of Production Economics, 168 (2015), 243-259
[14] Duranton, G., Puga, D., The economics of urban density, Journal of economic perspectives, 34 (2020), nr 3, 3-26
[15] Nordell, E., Moestedt, J., Österman, J., Yekta, S.S., Björn, A., Sun, L., Schnürer, A., Post-treatment of dewatered digested sewage sludge by thermophilic high-solid digestion for pasteurization with positive energy output, Waste Management, 119 (2021), 11-21

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-9 , nr katalogowy 150394 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-9 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma