文献

J-GLOBAL ID：202102231321912535   整理番号：21A0628591

機械学習を用いた固形廃棄物の自己選別【JST・京大機械翻訳】

Self-sorting of Solid Waste Using Machine Learning

著者 (5件)： Chan Tyson (The University of New South Wales, Sydney, Australia) ,  Cai Jacky H. (The University of New South Wales, Sydney, Australia) ,  Chen Francis (The University of New South Wales, Sydney, Australia) ,  Chan Ka C. (The University of New South Wales, Sydney, Australia) ,  Chan Ka C. (University of Southern Queensland, Springfield, Australia)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1287  ページ： 49-60  発行年： 2020年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 廃棄物リサイクルにおいて,発生源分離モデルは,彼らが処分するとき,消費者への仕分け責任を分散させ,低い交差汚染をもたらし,リサイクル収率を著しく増加させ,優れた回収材料品質をもたらした。しかし,このリサイクルモデルは,ヒューマンエラーの傾向があり,コミュニティレベルの参加が消費者に置かれる大きな不便さを奨励するのが難しいので,問題がある。本論文では,自己ソーティングスマートビンの形でユニークなメカトロニクスシステムを提案することにより解を概念化することを目指した。廃棄された廃棄物に対する高い変動性を打ち勝つために,IoT統合によってサポートされたロバスト教師つき機械学習分類モデルを,利用する必要があると仮定した。プラスチック,金属およびガラスリサイクルの680試料からなるデータセットを,一連のセンサを備えた特注同定チャンバから手動で集めた。次にデータセットを分割し,画像(CNN),音(MLP)および時系列(KNN-DTW)のための3つの同時個別分類器から成るモジュールニューラルネットワークを訓練するために使用した。次に,出力クラス確率を1つの組合せ分類器(MLP)によって統合し,サンプル当たり0.67秒の予測時間,100%の予測精度,および18%検証分割の10回の実行で平均99.75%の平均信頼度を得た。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ガラス ,  プラスチック ,  消費者 ,  音響 ,  ニューラルネットワーク ,  *廃棄物 ,  *固形廃棄物 ,  ヒューマンエラー ,  ロバスト性 ,  *機械学習
準シソーラス用語： チャンバ ,  予測精度 ,  発生源 ,  モノのインターネット , 【Automatic Indexing@JST】

著者キーワード (3件)： 廃棄物自動化 ,  リサイクリング ,  ニューラルネットワーク

分類 (1件)： 資源回収利用  (SC05060V)

タイトルに関連する用語 (4件)： 機械学習 ,  固形廃棄物 ,  自己 ,  選別