Classification of e-waste types using machine learning and digital image processing

• Autorzy: Ivković Ratko , Petrović Mile , Spalević Petar , Milivojević Zoran

Identyfikatory

DOI

10.15199/48.2024.09.55

Warianty tytułu

PL

Klasyfikacja typów odpadów elektronicznych z wykorzystaniem uczenia maszynowego i przetwarzania obrazu cyfrowego

• Języki publikacji: EN

Abstrakty

EN

This paper explores the application of deep learning and computer vision techniques for automated classification and detection of electronic waste (e-waste). A system based on convolutional neural networks (CNN) and faster R-CNN is developed for analyzing e-waste images and extracting information about equipment type and dimensions. The experiment is conducted on a dataset of 500 real-world images of three key e-waste categories – refrigerators, kitchen stoves and TVs. Results demonstrate high classification accuracy of 92% using CNN and 91% detection accuracy with R-CNN. The obtained data enables more precise waste collection planning. The main conclusion is that deep learning holds great potential for improving e-waste management systems.

PL

Artykuł ten bada zastosowanie technik głębokiego uczenia i widzenia komputerowego do automatycznej klasyfikacji i detekcji elektronicznych odpadów (e-odpadów). Opracowany zostaje system oparty na splotowych sieciach neuronowych (CNN) i szybszym R-CNN do analizy obrazów e-odpadów oraz wydobycia informacji o typie i wymiarach sprzętu. Eksperyment przeprowadzony jest na zbiorze danych 500 realnych obrazów trzech kluczowych kategorii e-odpadów – lodówek, kuchenek kuchennych i telewizorów. Wyniki wykazują wysoką dokładność klasyfikacji na poziomie 92% przy użyciu CNN oraz dokładność detekcji na poziomie 91% przy użyciu R-CNN. Uzyskane dane umożliwiają bardziej precyzyjne planowanie zbierania odpadów. Głównym wnioskiem jest, że głębokie uczenie ma duży potencjał do poprawy systemów zarządzania e odpadami.

Słowa kluczowe

EN

electronic waste; convolutional neural network; computer vision; waste classification

PL

elektroniczny odpad; splotowa sieć neuronowa; widzenie komputerowe; klasyfikacja odpadów

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 9
• Strony: 282--286
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Ivković Ratko

• Faculty of Technical Sciences, University of Pristina in Kosovska Mitrovica, Knjaza Miloša 7, 38220 Kosovska Mitrovica, Serbia
• MB University, Department of Information Technology, Prote Mateje br. 21, 11111 Beograd, Serbia

• https://orcid.org/0000-0002-6557-4553

autor

Petrović Mile

• Faculty of Technical Sciences, University of Pristina in Kosovska Mitrovica, Knjaza Miloša 7, 38220 Kosovska Mitrovica, Serbia

• https://orcid.org/0000-0002-1492-7638

autor

Spalević Petar

• Faculty of Technical Sciences, University of Pristina in Kosovska Mitrovica, Knjaza Miloša 7, 38220 Kosovska Mitrovica, Serbia

• https://orcid.org/0000-0002-6867-7259

autor

Milivojević Zoran

• MB University, Department of Information Technology, Prote Mateje br. 21, 11111 Beograd, Serbia

• https://orcid.org/0000-0002-2240-3420

Bibliografia

• [1] Krizhevsky, A., Sutskever, I., Hinton, G.E., ImageNet classification with deep convolutional neural networks, Communications of the ACM, 60 (2017), nr 6, 84-90
• [2] LeCun, Y., Bengio, Y., Hinton, G., Deep learning, Nature, 521 (2015), nr 7553, 436-444
• [3] Ren, S., He, K., Girshick, R., Sun, J., Faster R-CNN: Towards real-time object detection with region proposal networks, Advances in Neural Information Processing Systems, 28 (2015), nr 1, 1-9
• [4] Gundupalli, S.P., Hait, S., Thakur, A., A review on automated sorting of source-separated municipal solid waste for recycling, Waste Management, 60 (2017), 56-74
• [5] Wang, Z., Li, H., Zhang, X., Construction waste recycling robot for nails and screws: Computer vision technology and neural network approach, Automation in Construction, 97 (2019), 220 228
• [6] Nowakowski, P., Pamuła, T., Application of deep learning object classifier to improve e-waste collection planning, Waste Management, 109 (2020), 1-9
• [7] Porter, M.E., Kramer, M.R., Strategy and society: the link between competitive advantage and corporate social responsibility, Harvard business review, 84 (2007), nr 12, 78-92
• [8] Rusev S. J., Salonitis K., Operational excellence assessment framework for manufacturing companies, Procedia CIRP, 55 (2016), 272-277
• [9] Barney, J., Firm resources and sustained competitive advantage, Journal of management, 17 (1991), 1, 99-120
• [10] Besanko, D., Dranove, D., Shanley, M., Schaefer, S., Economics of strategy, 7th Edition, Wiley John Wiley & Sons, (2013)
• [11] Pinto, J.K., Project management, governance, and the normalization of deviance, International Journal of Project Management, 31 (2014), nr 3, 376-387
• [12] Lindgreen, A., Swaen, V., Corporate social responsibility, International journal of management reviews, 12 (2010), nr 1, 1-7
• [13] Manikas, A.S., Kroes, J.R., Operational excellence assessment framework for manufacturing companies, International Journal of Production Economics, 168 (2015), 243-259
• [14] Duranton, G., Puga, D., The economics of urban density, Journal of economic perspectives, 34 (2020), nr 3, 3-26
• [15] Nordell, E., Moestedt, J., Österman, J., Yekta, S.S., Björn, A., Sun, L., Schnürer, A., Post-treatment of dewatered digested sewage sludge by thermophilic high-solid digestion for pasteurization with positive energy output, Waste Management, 119 (2021), 11-21

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).