A manifold intelligent decision system for fusion and benchmarking of deep waste-sorting models
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
Increases in population and prosperity are linked to a worldwide rise in garbage. The “classification” and “recycling” of solid waste is a crucial tactic for dealing with the waste problem. This paper presents a new two-layer intelligent decision system for waste sorting based on fused features of Deep Learning (DL) models as well as a selection of an optimal deep Waste-Sorting Model (WSM) based on Multi-Criteria Decision Making (MCDM). A dataset comprising 1451 samples of images of waste, distributed across four classes – cardboard (403), glass (501), metal (410), and general trash (137), was used for sorting. This study proposes a Multi-Fused Decision Matrix (MFDM) based on identified fusion score level rules, evaluation criteria, and deep fused waste-sorting models. Five fusion rules used in the sorting process and the evaluation perspectives into the MFDM are sum, weighted sum, product, maximum, and minimum rules. Additionally, each of entropy and Visekriterijumska Optimizacija i Kompromisno Resenje in Serbian (VIKOR) methods was used for weighting selected criteria as well as ranking deep WSMs. The highest accuracy rate of 98% was scored by ResNet50-GoogleNet- Inception based on the minimum rule. However, under the same rule, an insufficient accuracy rate of sorting was presented by ResNet50-GoogleNet-Xception. Since Qi = 0 for Inception-Xception, the final output based on MCDM methods indicates that the fused Inception-Xception model outperforms the other fused deep WSMs, which achieved the lowest values of Qi. Thus, Inception-Xception was chosen as the best deep waste-sorting model based on images of waste, multiple evaluation criteria, and different fusion perspectives. The mean and standard deviation metrics were both used to validate the selection findings objectively. The suggested approach can aid urban decision-makers in prioritizing and choosing an Artificial Intelligence (AI)-optimized optimal sorting model.
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 | 0,000 | 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) | 0,000 | 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