[论文解读] Waste detection in Pomerania: non-profit project for detecting waste in environment

Sylwia Majchrowska, Agnieszka Mikołajczyk+5 more|arXiv (Cornell University)|May 12, 2021

Municipal Solid Waste Management参考文献 56被引用 4

一句话总结

本文提出了一种开源的两阶段深度学习框架，用于在多样化环境中检测和分类垃圾，采用检测网络进行定位，分类网络对七类废物进行分类。该框架在检测任务中实现了70%的平均精确率，在分类任务中达到75%的准确率，为利用公开数据集和模型实现自动化废物管理和环境监测提供了可扩展的解决方案。

ABSTRACT

Waste pollution is one of the most significant environmental issues in the modern world. The importance of recycling is well known, either for economic or ecological reasons, and the industry demands high efficiency. Our team conducted comprehensive research on Artificial Intelligence usage in waste detection and classification to fight the world's waste pollution problem. As a result an open-source framework that enables the detection and classification of litter was developed. The final pipeline consists of two neural networks: one that detects litter and a second responsible for litter classification. Waste is classified into seven categories: bio, glass, metal and plastic, non-recyclable, other, paper and unknown. Our approach achieves up to 70% of average precision in waste detection and around 75% of classification accuracy on the test dataset. The code used in the studies is publicly available online.

研究动机与目标

• 解决使用深度学习在非结构化、真实世界环境中检测和分类垃圾的挑战。
• 开发一个统一的开源系统，能够在各种环境条件下检测和分类废物。
• 通过基于真实世界数据和波兰格但斯克本地分拣规则的自动化废物分类，提高回收效率。
• 为环境人工智能领域的研究人员和实践者创建一个全面、公开可用的数据集和模型框架。
• 通过鲁棒的目标检测和分类技术，支持如无人机非法倾倒检测和智能垃圾桶自动化等应用。

提出的方法

• 采用两阶段深度学习流程：首先，使用基于锚点的目标检测方法（EfficientDet-D2）在图像中定位垃圾。
• 其次，使用分类器（EfficientNet-B2）将垃圾划分为七种类别：生物可降解物、玻璃、金属与塑料、不可回收物、纸张、其他或未知。
• 数据集结合了多个公开来源，包括城市、自然和水下垃圾图像，经过仔细标注和数据增强处理。
• 对半标注数据（OpenLitterMap）应用了伪标签技术以提升分类性能，但增益有限。
• 通过迁移学习和超参数调优，在真实世界、非受控场景下优化检测与分类性能。
• 该系统完全开源，代码和训练好的模型已公开发布于GitHub。

实验结果

研究问题

• RQ1 基于深度学习的系统是否能在非受控的真实世界环境中实现高精度的垃圾检测与分类？
• RQ2 两阶段检测器-分类器流程在城市、自然和水下环境中对多样化垃圾类型的分类效果如何？
• RQ3 数据增强和伪标签技术在类别不平衡及部分标注的垃圾数据集上对分类准确率的提升程度如何？
• RQ4 与现有方法相比，该框架在公开基准测试中的检测mAP和分类准确率表现如何？
• RQ5 该系统是否具备泛化能力，可支持如无人机非法倾倒检测或智能垃圾桶中的自动废物分拣等应用？

主要发现

• 使用EfficientDet-D2模型进行垃圾检测，平均精确率达到66.4%（AP@0.5），在可比数据集上优于先前方法。
• 分类模型在测试集上达到75%的准确率，尽管存在类别不平衡和标注数据有限的问题，仍表现出较强性能。
• 伪标签技术仅带来微小改进，表明在生物可降解物或其它类垃圾等稀有类别上，数据质量和类别不平衡问题仍具限制性。
• 系统在中型和大型垃圾物体的定位上表现出高精度，但对小型碎片检测效果较差，表明需改进小物体检测能力。
• 开源框架和数据集已公开，可供环境监测、智能废物管理及后续研究复用。
• 结果表明，将深度学习应用于真实世界垃圾检测具有可行性，且具备与无人机或机器人分拣系统集成的潜力。