Classification of construction and demolition waste fragments using computer vision

Abstract

Nesprávné třídění stavebního a demoličního odpadu (CDW) vede k významným environmentálním a ekonomickým důsledkům, včetně neefektivního využívání zdrojů a nevyužití možností recyklace. Tato práce řeší tento problém vývojem postupu pro rozpoznávání fragmentů CDW pomocí RGB kamery za použití strojového učení. Náš přístup jedinečným způsobem využívá extrakci vybraných vlastností, čímž zvyšuje rychlost a přesnost klasifikace. Použili jsme tři klasifikátory: konvoluční neuronovou síť (CNN), rozhodovací stromy s gradientním posilováním (GB) a vícevrstvý perceptron (MLP). Je pozoruhodné, že extrakce vybraných vlastností naší metodou pro GB a MLP překonala tradiční CNN z hlediska rychlosti a přesnosti, zejména u náročných vzorků s podobnými texturami. Konkrétně, zatímco konvoluce vedla k celkové přesnosti 85,9%, náš inovativní přístup k extrakci vlastností přinesl přesnost až 92,3%. Výsledky této studie mají významný dopad na budoucnost nakládání s CDW, protože nabízejí cestu k efektivnímu a přesnému třídění odpadu, podporují udržitelné využívání zdrojů a snižují dopad likvidace CDW na životní prostředí. K dispozici jsou doplňkové materiály, včetně souborů dat, kódů a modelů, které podporují transparentnost a reprodukovatelnost.

Improper sorting of construction and demolition waste (CDW) leads to significant environmental and economic implications, including inefficient resource use and missed recycling opportunities. This thesis adrress this by developing a machine-learning-assisted procedure for recognizing CDW fragments using an RGB camera. Our approach uniquely leverages selected feature extraction, enhancing classification speed and accuracy. We employed three classifiers: convolutional neural network (CNN), gradient boosting (GB) decision trees, and multi-layer perception (MLP). Notably, our method's extraction of selected features for GB and MLP outperformed the traditional CNN in terms of speed and accuracy, especially for challenging samples with similar textures. Specifically, while convolution resulted in an overall accuracy of 85.9%, our innovative feature extraction approach yielded accuracies up to 92.3%. This study's findings have significant implications for the future of CDW management, offering a pathway for efficient and accurate waste sorting, fostering sustainable resource use, and reducing the environmental impact of CDW disposal. Supplementary materials, including datasets, codes, and models, are provided, promoting transparency and reproducibility.