Tytuł pozycji:
Classification of e-waste types using machine learning and digital image processing
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.
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.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
