Sign in Subscribe
Review

Review:基於深度學習的垃圾分類方法：採用新型垃圾圖像數據集的研究

cy.lu

• 5 min read
Review:基於深度學習的垃圾分類方法：採用新型垃圾圖像數據集的研究
Photo by Evan Demicoli / Unsplash

Md. Nahiduzzaman, Md. Faysal Ahamed, Mansura Naznine, Md. Jawadul Karim,
Hafsa Binte Kibria, Mohamed Arselene Ayari, Amith Khandakar, Azad Ashraf,
Mominul Ahsan, Julfikar Haider
發表資訊：Knowledge-Based Systems, 2025年1月

基於深度學習的垃圾分類方法：採用新型垃圾圖像數據集的研究

Md. Nahiduzzaman, Md. Faysal Ahamed, Mansura Naznine, Md. Jawadul Karim,
Hafsa Binte Kibria, Mohamed Arselene Ayari, Amith Khandakar, Azad Ashraf,
Mominul Ahsan, Julfikar Haider
發表資訊：Knowledge-Based Systems, 2025年1月

摘要

本研究針對垃圾分類的挑戰，提出了一種三階段垃圾分類系統，結合深度學習與極限學習機 (Extreme Learning Machine, ELM) 技術，以提高垃圾分類的準確率與自動化程度。研究構建了一種並行輕量級深度可分離卷積神經網絡 (DP-CNN)，並結合融合式極限學習機 (Ensemble-ELM, En-ELM)，對垃圾進行多層級分類。研究同時開發了一個新的垃圾影像數據集 TriCascade WasteImage，涵蓋35,264張圖片，支援從可生物降解與不可生物降解 (第一層分類)，到9大類 (第二層分類)，再到36類細分類 (第三層分類) 的全流程垃圾分類架構。結果顯示，該方法在各階段的準確率均優於傳統模型，並透過可解釋AI (XAI) 方法提升模型決策透明度。

主要貢獻

提出新型的垃圾分類框架

  • 建立三階段分類架構，逐步將垃圾細分，提升分類準確率：
    • 第一階段 (二分類)：區分可生物降解 (biodegradable) 與不可生物降解 (non-biodegradable)。
    • 第二階段 (九分類)：將垃圾進一步細分為玻璃、金屬、塑料、醫療廢棄物等9類。
    • 第三階段 (三十六分類)：細分類別包括報紙、紙杯、寶特瓶、電池、手機等。
  • 準確率表現：
    • 二分類：準確率 96%，AUC 98.77%。
    • 九分類：準確率 91%，AUC 98.57%。
    • 三十六分類：準確率 85.25%，AUC 98.68%。
  • 圖像示例：
    • [[ Figure 1: TriCascade WasteImage dataset, including 36 classes and 3 classification stages ]]。

開發新型數據集 TriCascade WasteImage

  • 研究團隊建立了目前最完整的垃圾圖像數據集之一，涵蓋 35,264 張垃圾影像，整合了四個現有的公開數據集，並細分為三個層級分類結構，以支援模型的準確分類。

提升模型效能並適用於資源受限環境

  • En-ELM 分類器：結合 Pseudo-inverse ELM (PI-ELM) 與 L1-正則化 ELM (L1-RELM)，在高效能與低計算資源需求之間取得平衡。
  • 輕量級 DP-CNN 架構：
    • 僅九層卷積層，1.09M 參數，相比傳統 CNN 模型顯著減少計算需求。
    • 適用於低算力設備，如嵌入式系統或邊緣運算裝置。

導入可解釋AI (XAI) 技術

  • 研究引入 Grad-CAM、SHAP、Guided Grad-CAM 等方法，提高模型決策透明度，幫助分析垃圾分類的影像特徵，增強工業應用的可行性。
  • 可視化結果：

研究結果與比較

與現有深度學習模型的比較

  • 本研究的 DP-CNN + En-ELM 方法，在垃圾分類任務中表現優於 DenseNet201、ResNet152V2、VGG16、Xception 等傳統轉移學習模型

與傳統分類技術的比較

  • 本研究的三階段分類方法，對比 YOLO、ResNet、MobileNet 等技術，在精確度、計算效率、適用性方面均有優勢。

未來展望

  • 數據集擴展：未來計畫進一步擴展 TriCascade WasteImage，增加不同環境的垃圾圖像，以提升模型的泛化能力。
  • 強化硬體部署：開發更高效能的 嵌入式AI系統，使其適用於回收廠、自動垃圾分類站、智慧城市垃圾管理。
  • 增強 XAI 解釋性：未來將採用 LIME、DeepLIFT 等技術，進一步提高模型的解釋能力，以增強商業應用價值。

結論

本研究通過輕量化深度學習框架、三階段分類、可解釋AI、工業級應用設計，提供了一種高效且可擴展的智慧垃圾分類解決方案，適用於智慧城市、回收廠與自動垃圾分揀設備。該方法具有高準確率、低計算成本與高可解釋性，未來可進一步拓展至其他類型廢棄物 (如電子垃圾、醫療廢棄物)，以推動循環經濟發展與環境永續。

DOI: 10.1016/j.knosys.2025.113028
發表日期：2025年1月12日
發表機構：

  • 孟加拉國 Rajshahi University of Engineering & Technology
  • 卡達 Qatar University、University of Doha for Science and Technology
  • 英國 University of York、Manchester Metropolitan University