Optimization of automated garbage recognition model based on ResNet-50 and weakly supervised CNN for sustainable urban development
Notice bibliographique
Résumé
In the context of sustainable urban development, effective garbage management plays a crucial role. However, traditional methods encounter limitations in terms of data quality and quantity. The research on automatic garbage image recognition and classification methods based on deep learning has been gaining attention. This study proposes an integrated garbage image recognition and classification method that combines ResNet-50, YOLOv5, and weakly supervised CNN algorithms. The aim is to enhance both the accuracy and efficiency of image recognition, optimize intelligent garbage management, and promote urban sustainable development planning. The ResNet-50 model is employed to extract meaningful features from images and train weakly supervised CNN models for subsequent training and prediction. This enables the analysis of urban environmental development trends and the formulation of planning measures. Through evaluation on four representative public datasets, the proposed method outperforms several traditional algorithms in terms of accuracy, efficiency, and stability in garbage image recognition systems. Notably, on the HGI-30 dataset, the algorithm achieves significant improvements by reducing inference time by over 48.6%, FLOPs by over 46.5%, and MAPE by over 41%. These enhancements greatly enhance the accuracy and robustness of garbage image classification, highlighting the substantial significance of this method in the realms of garbage management and environmental protection. • We integrate different deep learning algorithms to enhance the accuracy and efficiency. • Integration of IoT and communication technologies optimizes the intelligent garbage management. • The method holds significance for waste management and sustainable urban development planning.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».