Metal Solid Waste Recycling and Detection Method Based on Convolutional Attention and SCN
Notice bibliographique
Résumé
A metal solid waste recycling and detection method based on convolutional attention and random configuration network is proposed to address the problem of insufficient detection accuracy caused by the diverse shapes, sizes, colors, and surface textures of metal solid waste. This method is based on You Only Look Once version 5 small, and introduces convolutional attention mechanism in its Head section to optimize feature extraction performance through feature recalibration of channels and spatial dimensions; Simultaneously building a classification model that integrates Softmax, random vector function linking, and deep random configuration network to improve the detection and classification accuracy of metal solid waste. The experimental findings denote that the proposed method has the lowest classification accuracy of 98.2%, an average accuracy of 98.7%, the highest false alarm rate of 8.8%, an average false alarm rate of 8.4%, and the lowest average accuracy of 96.3%, all of which are superior to the comparative methods. Meanwhile, the detection speed of this method is the slowest at 29.8 FPS, with an average detection speed of 30.7 FPS, which is faster than other methods. The above findings demonstrate that the proposed method has good effectiveness and superiority in the detection and classification of metal solid waste, which can effectively improve the efficiency of metal solid waste recycling management, optimize resource utilization, reduce industrial manufacturing costs, reduce environmental pollution, and promote sustainable development.
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) | 0,000 | 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 ».