A.R.I.S.: 深層学習を用いた電子廃棄物分類のための自動リサイクル識別システム
本文の状態
日本語全文を表示中
詳細モードで約2分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
従来の電子廃棄物リサイクルは材料分離・識別能力が不十分で資源損失が大きい。A.R.I.S.は低コスト・携帯型のシュレッダー電子廃棄物選別機で、深層学習により材料回収率を向上させる。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
A.R.I.S.: 深層学習を用いた電子廃棄物分類のための自動リサイクル識別システム
著者: Dhruv Talwar, Harsh Desai, Wendong Yin, Goutam Mohanty, Rafael Reveles
出版物を見る
従来の電子機器リサイクルプロセスは、不適切な材料分離と識別能力により、材料回収が制限され、多大な資源損失が生じている。我々は、この効率性のギャップを埋める、粉砕された電子廃棄物用の低コストで携帯可能な選別機、A.R.I.S.（自動リサイクル識別システム）を提案する。本システムはYOLOxモデルを用いて金属、プラスチック、回路基板をリアルタイムで分類し、高い検出精度で低い推論遅延を実現している。実験的評価では、全体の適合率90%、平均適合率(mAP)82.2%、選別純度84%という結果が得られた。深層学習を確立された選別方法と統合することで、A.R.I.S.は材料回収効率を向上させ、先進的リサイクル技術導入の障壁を低減する。この研究は、製品ライフサイクルの延長、下取り・リサイクルプログラムの支援、サプライチェーン全体での環境影響低減といった、より広範な取り組みを補完するものである。
関連する研究と最新情報。
電子機器選別のためのRGB-X分類
2022年9月14日 研究分野: コンピュータビジョン
廃電気電子機器（WEEE）から効果的に部品を分解し材料を回収することは、地球規模のサプライチェーンを、炭素集約的で採掘された材料から、リサイクルおよび再生可能な材料へ移行させる上で重要なステップである。従来のリサイクルプロセスは、廃棄物の粉砕と選別に依存しているが、多数の異種材料で構成されるWEEEについては、材料回収を改善するための多数の対象物への的を絞った分解を探求する…
NeILF: 材料と照明推定のためのニューラル入射光フィールド
2022年8月29日 研究分野: コンピュータビジョン 学会: ECCV
我々は、多視点画像と再構築された形状からの材料および照明推定のための微分可能レンダリングフレームワークを提案する。このフレームワークでは、シーン照明をニューラル入射光フィールド（NeILF）として、材料特性を多層パーセプトロンによってモデル化された表面BRDFとして表現する。シーン照明を2D環境マップとして近似する最近のアプローチと比較して、NeILFは完全な5D光フィールドであり、次のことが可能である…
機械学習における機会を発見する。
私たちの機械学習研究は、日々新たな領域を切り拓いています。
原文を表示
A.R.I.S.: Automated Recycling Identification System for E-Waste Classification Using Deep Learning
AuthorsDhruv Talwar, Harsh Desai, Wendong Yin, Goutam Mohanty, Rafael Reveles
View publication
Traditional electronic recycling processes suffer from significant resource loss due to inadequate material separation and identification capabilities, limiting material recovery. We present A.R.I.S. (Automated Recycling Identification System), a low-cost, portable sorter for shredded e-waste that addresses this efficiency gap. The system employs a YOLOx model to classify metals, plastics, and circuit boards in real time, achieving low inference latency with high detection accuracy. Experimental evaluation yielded 90% overall precision, 82.2% mean average precision (mAP), and 84% sortation purity. By integrating deep learning with established sorting methods, A.R.I.S. enhances material recovery efficiency and lowers barriers to advanced recycling adoption. This work complements broader initiatives in extending product life cycles, supporting trade-in and recycling programs, and reducing environmental impact across the supply chain.
Related readings and updates.
RGB-X Classification for Electronics Sorting
September 14, 2022research area Computer Vision
Effectively disassembling and recovering materials from waste electrical and electronic equipment (WEEE) is a critical step in moving global supply chains from carbon-intensive, mined materials to recycled and renewable ones. Conventional recycling processes rely on shredding and sorting waste streams, but for WEEE, which is comprised of numerous dissimilar materials, we explore targeted disassembly of numerous objects for improved material…
NeILF: Neural Incident Light Field for Material and Lighting Estimation
August 29, 2022research area Computer Visionconference ECCV
We present a differentiable rendering framework for material and lighting estimation from multi-view images and a reconstructed geometry. In the framework, we represent scene lightings as the Neural Incident Light Field (NeILF) and material properties as the surface BRDF modelled by multi-layer perceptrons. Compared with recent approaches that approximate scene lightings as the 2D environment map, NeILF is a fully 5D light field that is capable…
Discover opportunities in Machine Learning.
Our research in machine learning breaks new ground every day.
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み