Integration of the Faster R-CNN Algorithm for Waste Detection in an Android Application
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The surge in global population and economic activity has precipitated a significant escalation in waste generation, with projections indicating potential daily global waste levels of 11 million tons by the century's conclusion.This intensification presents a formidable challenge requiring innovative solutions, one of which is the utilization of machine learning algorithms for automated waste categorization.This study explores the integration of the Faster R-CNN algorithm within an Android application, aimed at streamlining waste management through the identification and categorization of recyclables.The proliferation of smartphone usage-specifically Android applicationsprovides an accessible platform for mass education on waste management, thereby contributing to potential waste reduction.This study deployed a visual testing approach to evaluate the application's performance across diverse waste categories, including cardboard, glass, plastic, and paper.During each testing session, images of each waste type were captured and the objects were methodically rotated by approximately 20 degrees, enhancing the robustness of the machine learning model.The implementation of the Faster R-CNN algorithm within an Android environment, as exemplified in this study, has demonstrated noteworthy potential to revolutionize waste management.An impressive accuracy rate of 98.106% was achieved in the detection and classification of various waste types.Such a technological innovation can augment the efficiency of waste categorization and recycling efforts.Thus, the study contributes to the development of a more sustainable and environmentally responsible waste management system.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle