DOI: https://doi.org/10.1038/s41598-026-37473-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41606243
تاريخ النشر: 2026-01-28
المؤلف: Dong Han وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تقدم البحث نموذج YOLO-CEW، وهو إطار عمل محسن للكشف التلقائي وتصنيف نفايات البناء، مما يعالج عدم كفاءة طرق الفرز اليدوي التقليدية. من خلال تعزيز نموذج YOLOv8 الأساسي مع وحدة ConvNeXt V2، وآلية انتباه متعددة المقاييس EMA، ودالة خسارة WIoU v3، تحسن الدراسة بشكل كبير من دقة الكشف والصلابة. تكشف النتائج التجريبية باستخدام مجموعة بيانات كشف كائنات حطام البناء والهدم (CODD) عن مقاييس مثيرة للإعجاب: دقة بنسبة 96.84%، واسترجاع بنسبة 95.95%، ومتوسط دقة متوسط (mAP) بنسبة 98.13%، ودرجة F1 تبلغ 96.39%، جميعها تتجاوز النموذج الأصلي. تؤكد دراسات الإزالة مساهمات كل مكون، بينما تتحقق اختبارات الإحصاء bootstrap من أهمية هذه التحسينات في الأداء.
في الختام، لا يقلل نموذج YOLO-CEW من معدل الكشف الخاطئ فحسب، بل يعزز أيضًا دقة التحديد، محققًا سرعة استدلال تبلغ 127.80 إطارًا في الثانية (FPS) مناسبة للتطبيقات في الوقت الحقيقي. تؤكد الدراسة على إمكانيات النموذج للتطبيق العملي في مبادرات المدن الذكية وإدارة نفايات البناء. ستسعى الأعمال المستقبلية إلى تحسين أداء النموذج بشكل أكبر، خاصة في التعامل مع العينات ذات الجودة المنخفضة، مما يعزز تطبيق تقنيات كشف نفايات البناء في جهود حماية البيئة.
مقدمة
تسلط المقدمة الضوء على المشكلة المتزايدة لنفايات البناء، التي زادت بشكل كبير بسبب الأنشطة المستمرة في البناء والهدم. يمثل هذا الارتفاع في حجم النفايات تحديات كبيرة لإدارة الموارد وحماية البيئة. تشمل أنواع المواد المصنفة كنفايات بناء مجموعة متنوعة، بما في ذلك الخرسانة، والطوب، والبلاط، ولوح الجبس، والخشب، من بين أمور أخرى. يؤكد البحث على الحاجة الملحة لاستراتيجيات فعالة للتخفيف من الأثر البيئي لهذه النفايات وتحسين استخدام الموارد في صناعة البناء.
طرق
في هذه الدراسة، تم إجراء جميع عمليات التدريب والاختبار في بيئة خادم سحاب موحدة، مما يضمن اتساق الظروف التجريبية. يتم تفصيل التكوين المحدد للخادم، بما في ذلك مواصفات الأجهزة والبرامج ذات الصلة، في الجدول 2. يسمح هذا الإعداد المنضبط بإجراء مقارنات موثوقة للنتائج عبر تجارب تجريبية مختلفة، مما يقلل من التباين الذي قد ينشأ من اختلاف الموارد الحاسوبية. تم ضبط إعدادات المعلمات الفائقة بشكل منهجي لتحسين أداء النموذج، على الرغم من عدم توفير القيم والتكوينات المحددة في هذا القسم.
نتائج
تشير نتائج تدريب نموذج YOLO-CEW إلى تحسين كبير مقارنة بنموذج YOLOv8n الأصلي، مع تحسينات في مقاييس الأداء الرئيسية: الدقة (96.84%)، والاسترجاع (95.95%)، ومتوسط دقة متوسط عند 50% (mAP50) (98.13%)، ودرجة F1 (96.39%). تعكس هذه القيم زيادات بنسبة 1.38%، و2.08%، و0.59%، و1.73%، على التوالي. توضح مصفوفة الارتباك بشكل أكبر فعالية النموذج، خاصة في التنبؤ بدقة بالفئات مثل الطوب، والبلاط، ولوح الجبس، والرغوة، مع التحسن الأكثر ملحوظًا في تصنيف البلاط، الذي ارتفع بنسبة 4%. حقق النموذج دقة تقارب 100% في تمييز الخلفية عن الكائنات الفعلية، مما يبرز قدرته في كشف نفايات البناء.
ومع ذلك، تسلط مصفوفة الارتباك الضوء أيضًا على بعض القيود. على الرغم من تحسين الدقة لفئة البلاط، تم تصنيف عدد كبير من العينات بشكل خاطئ كطوب أو خرسانة، وهو ما يُعزى إلى التشابه في اللون والملمس بين هذه المواد في السيناريوهات الواقعية. تتفاقم هذه المشكلة عندما تكون حدود الكائنات غير واضحة أو عندما تكون الحطام متفتتة للغاية، مما يشير إلى مجالات لمزيد من التحسين في قدرات تصنيف النموذج. بشكل عام، يظهر نموذج YOLO-CEW دقة محسنة وصلابة في كشف نفايات البناء، بينما يكشف أيضًا عن تحديات تستدعي الانتباه.
مناقشة
تسلط المناقشة الضوء على القضية الملحة لإدارة نفايات البناء، مع التأكيد على التحديات البيئية التي تطرحها إعادة التدوير غير الكافية ومعدلات توليد النفايات العالية، والتي من المتوقع أن تتصاعد مع التحضر. تفاقم الطرق الحالية، التي تركز بشكل أساسي على دفن النفايات وتخزينها، من استنزاف الموارد والتلوث. يدعو البحث إلى تعزيز التعرف والتصنيف على نفايات البناء من خلال تقنيات متقدمة، وخاصة الذكاء الاصطناعي والتعلم العميق. يُعتبر دمج نمذجة معلومات البناء (BIM) وتقنيات التوأم الرقمي نهجًا واعدًا لتحسين إدارة الموارد والاستدامة في البناء.
لمعالجة تحديات الكشف الدقيق وتصنيف مواد نفايات البناء المتنوعة، يقترح المؤلفون نموذج YOLO-CEW، الذي يعزز قدرات المعالجة في الوقت الحقيقي مع تحسين الدقة وتقليل معدلات الكشف الخاطئ. تشمل الابتكارات الرئيسية تعديلات معمارية على شبكة العمود الفقري، ودمج آلية انتباه متعددة المقاييس فعالة (EMA) للتركيز على الميزات الحرجة، وتقديم دالة خسارة WIoU v3 لتحسين توقعات صناديق الحدود. تشير النتائج التجريبية إلى أن YOLO-CEW يتفوق بشكل كبير على النماذج الأساسية عبر مقاييس مختلفة، مما يبرز إمكانيته كأداة فعالة للتعرف الذكي على النفايات وإدارة الموارد في بيئات البناء المعقدة.
DOI: https://doi.org/10.1038/s41598-026-37473-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41606243
Publication Date: 2026-01-28
Author(s): Dong Han et al.
Primary Topic: Advanced Neural Network Applications
Overview
The research presents the YOLO-CEW model, an optimized framework for the automatic detection and classification of construction waste, addressing the inefficiencies of traditional manual sorting methods. By enhancing the baseline YOLOv8 model with the ConvNeXt V2 module, an EMA multi-scale attention mechanism, and the WIoU v3 loss function, the study significantly improves detection accuracy and robustness. Experimental results using the Construction and Demolition Debris Object Detection (CODD) dataset reveal impressive metrics: precision at 96.84%, recall at 95.95%, mean Average Precision (mAP) at 98.13%, and an F1-score of 96.39%, all surpassing the original model. Ablation studies confirm the contributions of each component, while bootstrap statistical testing validates the significance of these performance enhancements.
In conclusion, the YOLO-CEW model not only reduces the false detection rate but also enhances localization accuracy, achieving an inference speed of 127.80 frames per second (FPS) suitable for real-time applications. The study emphasizes the model’s potential for practical implementation in smart city initiatives and construction waste management. Future work will aim to further refine the model’s performance, particularly in handling low-quality samples, thereby advancing the application of construction waste detection technologies in environmental protection efforts.
Introduction
The introduction highlights the escalating issue of construction waste, which has significantly increased due to ongoing construction and demolition activities. This rise in waste volume presents substantial challenges for resource management and environmental protection. The types of materials classified as construction waste are diverse, encompassing concrete, bricks, tiles, gypsum board, and wood, among others. The paper underscores the urgent need for effective strategies to mitigate the environmental impact of this waste and improve resource utilization in the construction industry.
Methods
In this study, all training and testing were performed on a uniform cloud server environment, ensuring consistency in experimental conditions. The specific configuration of the server, including relevant hardware and software specifications, is detailed in Table 2. This controlled setup allows for reliable comparisons of results across different experimental trials, minimizing variability that could arise from differing computational resources. Hyperparameter settings were systematically adjusted to optimize model performance, although specific values and configurations are not provided in this section.
Results
The results of the YOLO-CEW model training indicate a significant enhancement over the original YOLOv8n model, with improvements in key performance metrics: precision (96.84%), recall (95.95%), mean Average Precision at 50% (mAP50) (98.13%), and F1-score (96.39%). These values reflect increases of 1.38%, 2.08%, 0.59%, and 1.73%, respectively. The confusion matrix further illustrates the model’s effectiveness, particularly in accurately predicting categories such as brick, tile, gypsum board, and foam, with the most notable improvement in tile classification, which rose by 4%. The model achieved nearly 100% accuracy in distinguishing background from actual objects, underscoring its capability in construction waste detection.
However, the confusion matrix also highlights certain limitations. Despite the improved accuracy for the tile class, a significant number of samples were still misclassified as brick or concrete, attributed to the similarities in color and texture among these materials in real-world scenarios. This issue is exacerbated when object boundaries are unclear or when debris is highly fragmented, indicating areas for further refinement in the model’s classification capabilities. Overall, the YOLO-CEW model demonstrates enhanced precision and robustness in construction waste detection, while also revealing challenges that warrant attention.
Discussion
The discussion highlights the pressing issue of construction waste management, emphasizing the environmental challenges posed by inadequate recycling and high waste generation rates, which are projected to escalate with urbanization. Current methods, primarily landfilling and stockpiling, exacerbate resource depletion and pollution. The paper advocates for enhanced recognition and classification of construction waste through advanced technologies, particularly artificial intelligence and deep learning. The integration of Building Information Modeling (BIM) and digital twin technologies is noted as a promising approach to improve resource management and sustainability in construction.
To address the challenges of accurately detecting and classifying diverse construction waste materials, the authors propose the YOLO-CEW model, which enhances real-time processing capabilities while improving accuracy and reducing false detection rates. Key innovations include architectural modifications to the backbone network, the incorporation of an Efficient Multi-scale Attention (EMA) mechanism to focus on critical features, and the introduction of the WIoU v3 loss function to refine bounding box predictions. Experimental results indicate that YOLO-CEW significantly outperforms baseline models across various metrics, demonstrating its potential as an effective tool for intelligent waste recognition and resource-oriented management in complex construction environments.