Drone Clean-Zilla
Notice bibliographique
Résumé
The main reason for waste production is littering which also results in pollution. Knowingly or unknowingly, littering affects the climate and environment. And, it additionally costs the municipalities a huge amount of money every year to clean up the cities. Normally, garbage searching, collection and waste management is in the hands of the executives and authorities, for example, the municipality trucks work for urban communities, janitors for industries, etc. But, none of these systems are perfect. Because of the weaknesses of existing waste management system and less transparency in the garbage disposal system by the authorities, this paper aims to propose a solution for garbage checking in a wide manner. This paper presents an efficient solution for solid waste detection which will be made possible with the use of UAV i.e. Unmanned Aerial Vehicle (for example, drone) which will assist the society by distinguishing places polluted with waste materials and will send the area details as a warning in the “Drone Cleanzilla” website.This system will utilize the ideas of image stitching, deep learning, and convolutional neural networks to detect garbage from the pictures captured by the drone. These images will be sent to Firebase using Raspberry Pi which is going to be installed in the drone. From Firebase cloud, “Drone Cleanzilla” website will fetch the images with time and location. This project will bring more transparency to the wastage cleaning system as all the details of waste along with pictures and location will be uploaded in our website which will be accessible to everyone with internet. This will alert the municipality and officials and they will have to responsibly take actions to clean the garbage. In future, we will also examine the future uses of this project which will handle both trash identification and collection by the government authorities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».