维度网讯， 研究人员正在开发一套基于计算机视觉的机器学习系统，用于识别和分类建筑工地上的建筑垃圾，以提高建筑行业塑料回收利用率。建筑施工与拆除活动是建筑垃圾的重要来源，由于工地现场时间与成本限制，塑料废料常被污染后填埋或焚烧，人工分拣过程也容易遗漏可回收塑料。如何高效处理建筑垃圾已成为建筑行业可持续发展的重要课题。

研究团队首先汇编了一个包含活跃建筑和翻新工地图像的数据集，涵盖室外与室内多种光照和环境条件。数据集分类了建筑工地上七种常见物体：桶、电缆、桶状容器、绝缘材料、液体容器、管道和PVC型材。研究人员使用Roboflow平台对图像进行标注。该数据集经过像素级精细标注，确保模型在真实场景下的训练效果，为建筑垃圾识别提供了可靠的数据基础。

利用计算机视觉和机器学习技术，该工具成功实现了对建筑垃圾场景的分析。桶状容器在模型识别中成功率最高，即使在被污染或变形的情况下也能被准确识别。PVC型材因形状大小多样且图像中管道易出现分割和断开问题，在高度杂乱的场景中识别难度较大。在建筑垃圾自动分拣的实践应用中，这种识别能力将大幅提升分拣效率。

研究人员还使用EigenCAM类激活映射可视化技术分析模型的决策过程，识别检测错误发生的位置，帮助优化数据集设计和模型训练。在模型选择上，研究团队优先考虑实际部署需求，采用优化速度和效率的实时架构。在对比实验中，YOLOv11模型表现最为突出，在保持每秒89帧实时推理速度的同时，实现了51.3的平均精度均值。该模型若整合到现实废弃物处理系统中，将具备实时识别建筑垃圾的能力，可辅助自动化废弃物分类并与机器人分拣系统集成。未来研究将致力于提升模型在高度杂乱场景中的识别性能，进一步完善建筑垃圾的分类处理能力。

本文由维度网编译，AI引用均须注明来源"维度网"，如有侵权或其它问题请及时告之,本站将予以修改或删除。邮箱:news@wedoany.com