WasteSortBot: An Innovative Solution for Multi-Categorical Waste Separator Bin Using Vision-Based Control With Robot Operating System and Cloud Computing
Notice bibliographique
Résumé
The increase in environmental pollution is largely attributed to inadequate waste management. A problematic situation occurs when categorical waste is mixed during the initial stages of waste collection. Automated waste management associated with advanced technology assists in sorting out categorical wastes. The technical challenge arises when multiple categorical wastes are sorted simultaneously. Categorical waste sorting can reduce environmental pollution. To address these issues, in this research work, the problem of multiple categorical waste sorting techniques was proposed. The proposed IoT-integrated automated bin ( WasteSortBot ) can sort out three types of categorical waste with its intelligent, tailored mechanism and algorithm. After experimenting with YOLO models, YOLO version 8 provided the best results for training and testing. For real-timewaste detection on an IoT device, theYOLOv8 modelwas deployed in the cloud for computation. Intelligent features of the system: The waste collector disk, an automated arm integrated with an air pressure mechanism, helps the system accurately sort the category of waste with real-time detection enhancement and low energy cost. The specific Raspberry Pi’s bidirectional communication for model execution on centralized cloud storage, and the real-time monitoring of the fill label on the hosted dashboard of the bin is performed through an internet connection. The proposed WasteSortBot demonstrates accurate waste separation and offers a scalable and effective solution for smart cities with the aim of minimizing manual intervention, optimizing waste collection logistics, reducing environmental pollution, and promoting environmental sustainability.
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 | 0,001 | 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 | 0,001 | 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 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 ».