DOI: https://doi.org/10.1038/s41598-026-41001-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41741626
تاريخ النشر: 2026-02-25
المؤلف: Yogesh Kumar وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تقدم البحث نظامًا قائمًا على التعلم العميق لتصنيف النفايات المتعددة الفئات، مع معالجة التحديات التي تطرحها تدفقات النفايات في العالم الحقيقي التي تحتوي غالبًا على عناصر مختلطة ومشوهة وملوثة. باستخدام مجموعة بيانات RealWaste، يقوم الدراسة بضبط وتقييم عدة شبكات عصبية تلافيفية (CNNs)، بما في ذلك InceptionV3 وResNet101 وDenseNet وVGG وEfficientNet وMobileNet. من بين هذه، حقق ResNet101 أعلى مقاييس الأداء، بدقة تحقق تبلغ 98.86%، وخسارة قدرها 0.0379، ودرجة F1 تبلغ 0.99. أدت إدخال النماذج الهجينة، مثل ResNet101 المدمجة مع InceptionV3، إلى تعزيز دقة التصنيف لفئات النفايات المعقدة مثل الأقمشة والنفايات المتنوعة.
بالإضافة إلى ذلك، يقترح البحث استراتيجية تقييم درجة الثقة لتقييم موثوقية النموذج، مما يشير إلى ثقة عالية (≥0.95) لفئات النفايات المتميزة بصريًا، بما في ذلك النباتات والبلاستيك والمواد العضوية الغذائية. تسهم هذه النتائج في إنشاء معيار قوي وقابل للتوسع لأنظمة تصنيف النفايات الذكية، مما يسهل تحسين جهود إعادة التدوير وممارسات إدارة النفايات المستدامة في البيئات الحقيقية.
مقدمة
تناقش مقدمة البحث القضية الحرجة للنفايات الحقيقية، والتي تُعرف بأنها المواد التي يتم التخلص منها بعد انتهاء فائدتها. يشمل ذلك مجموعة متنوعة من أنواع النفايات، وخاصة النفايات الصلبة، التي تشكل مخاطر بيئية وصحية عامة كبيرة عندما لا تتم إدارتها بشكل صحيح. يؤدي التخلص غير السليم من النفايات الصلبة إلى تلوث الأنظمة المائية من خلال التسربات السامة، وتدهور التربة، وانبعاث غازات الدفيئة (GHGs) مثل الميثان (CH₄) وثاني أكسيد الكربون (CO₂) من التحلل اللاهوائي في مدافن النفايات. يبرز البحث الإحصائية المثيرة للقلق التي تفيد بأن أكثر من 2 مليار طن متري من النفايات تُنتج سنويًا، ومن المتوقع أن ترتفع إلى 3.78 مليار طن متري بحلول عام 2050 إذا استمرت ممارسات الإدارة الحالية.
على الرغم من أن 62% من النفايات العالمية يتم جمعها بواسطة مرافق بلدية منظمة، إلا أن 38% تُلقى بشكل مفتوح أو تُحرق أو تُدار بشكل غير صحيح، مما يؤدي إلى عواقب بيئية وخيمة. يتم إعادة تدوير 19% فقط من النفايات، ويتم التخلص من 30% في مدافن صحية مصممة لتقليل انبعاثات غازات الدفيئة. يؤكد المؤلفون على أهمية تصنيف النفايات بدقة كخطوة أساسية نحو تحسين أنظمة إدارة النفايات. تعتبر طرق التصنيف التقليدية، مثل الفرز اليدوي والتفتيش البصري، كثيفة العمالة وعرضة للأخطاء، مما يجعلها غير كافية للتعامل مع كميات النفايات المتزايدة. يدعو البحث إلى تحسين تقنيات الفرز لتحسين إعادة التدوير، والتسميد، واسترداد الطاقة، والتخلص الآمن، مما يقلل من الأضرار البيئية ويزيد من استرداد الموارد.
الطرق
في هذا القسم، يناقش المؤلفون منهجية التقييم المستخدمة لتقييم أداء مختلف الشبكات العصبية التلافيفية (CNN) والهياكل الهجينة في سياق فرز النفايات. يبرز البحث أهمية التدريب والتقييم المدفوع بالثقة، مما يوفر رؤى حول ثقة النموذج لكل فئة. تكشف التحليلات عن اختلافات كبيرة في التعقيد الحسابي، وسعة النموذج، ووقت الاستدلال بين الهياكل التي تم تقييمها.
تظهر الشبكات عالية العمق، مثل ResNet101 وDenseNet201، أداءً تصنيفيًا متفوقًا؛ ومع ذلك، تتطلب ذاكرة كبيرة وتظهر زمن استدلال أعلى، مما يجعلها أقل ملاءمة للنشر على الأنظمة المدمجة ذات الموارد المحدودة. في المقابل، تم تحديد النماذج الخفيفة مثل MobileNetV2 وEfficientNet-B0، التي تمتلك عددًا أقل من المعلمات وقدرات تشغيل أسرع، على أنها أكثر فائدة لتطبيقات الحوسبة الطرفية. تؤكد هذه النتيجة على التوازن بين أداء النموذج واعتبارات النشر العملية في السيناريوهات الواقعية.
المناقشة
في هذا القسم، يناقش البحث دمج الذكاء الاصطناعي (AI) في أنظمة تصنيف النفايات، مع تسليط الضوء على فعاليتها في التغلب على القيود التقليدية. يؤكد المؤلفون على استخدام رؤية الكمبيوتر وتقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، التي أظهرت دقة عالية في التمييز بين المواد القابلة لإعادة التدوير، والمواد العضوية، وغير القابلة لإعادة التدوير في سيناريوهات الوقت الحقيقي. يهدف الإطار المقترح إلى تعزيز كفاءة فرز النفايات ودعم ممارسات إدارة النفايات المستدامة من خلال استخدام مجموعة بيانات فريدة، RealWaste، التي تتكون من صور نفايات مختلطة ومعقدة تم التقاطها في ظروف العالم الحقيقي. تتيح هذه المجموعة تصنيف النفايات ليس فقط حسب نوع المادة ولكن أيضًا حسب مصادر النفايات المحتملة، مما يحسن من قابلية تطبيق النتائج في سياقات إدارة النفايات العملية.
يستعرض البحث المنهجية المستخدمة، بما في ذلك تقنيات التقسيم المتقدمة مثل العتبة العالمية، وطريقة أوتسو، وتقسيم المياه، التي تعزز بشكل جماعي استخراج الميزات من خلال عزل عناصر النفايات عن الخلفيات المزدحمة. يقدم المؤلفون نماذج CNN هجينة تجمع بين نقاط القوة لمختلف الهياكل (مثل ResNet101 وInceptionV3 وDenseNet201 وVGG19) لتحسين أداء التصنيف، خاصةً للعناصر النفايات المتشابهة بصريًا. بالإضافة إلى ذلك، يتضمن الإطار تقييم الثقة لتوقعات النموذج، مما يوفر رؤى حول موثوقية التصنيفات بما يتجاوز مقاييس الدقة التقليدية. تتناول هذه المقاربة الشاملة تحديات تصنيف النفايات في العالم الحقيقي، مما يمهد الطريق للتقدم المستقبلي في أنظمة إدارة النفايات الآلية.
DOI: https://doi.org/10.1038/s41598-026-41001-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41741626
Publication Date: 2026-02-25
Author(s): Yogesh Kumar et al.
Primary Topic: Advanced Neural Network Applications
Overview
The research presents a deep learning-based system for the multi-class classification of heterogeneous waste, addressing the challenges posed by real-world waste streams that often contain mixed, deformed, and contaminated items. Utilizing the RealWaste dataset, the study fine-tunes and evaluates several convolutional neural networks (CNNs), including InceptionV3, ResNet101, DenseNet, VGG, EfficientNet, and MobileNet. Among these, ResNet101 achieved the highest performance metrics, with a validation accuracy of 98.86%, a loss of 0.0379, and an F1 score of 0.99. The introduction of hybrid models, such as ResNet101 combined with InceptionV3, further enhanced classification precision for complex waste categories like textiles and miscellaneous trash.
Additionally, the paper proposes a confidence score evaluation strategy to assess model reliability, indicating high confidence (≥0.95) for visually distinct waste classes, including vegetation, plastic, and food organics. These findings contribute to establishing a robust and scalable benchmark for intelligent waste classification systems, facilitating improved recycling efforts and sustainable waste management practices in real-world environments.
Introduction
The introduction of the research paper discusses the critical issue of real waste, defined as materials discarded after their usefulness has ended. This encompasses a variety of waste types, primarily solid waste, which poses significant environmental and public health risks when not managed properly. The improper disposal of solid waste leads to pollution of aquatic systems through toxic leachates, soil degradation, and the emission of greenhouse gases (GHGs) such as methane (CH₄) and carbon dioxide (CO₂) from anaerobic decomposition in landfills. The paper highlights the alarming statistic that over 2 billion metric tons of waste are generated annually, projected to rise to 3.78 billion metric tons by 2050 if current management practices persist.
Despite 62% of global waste being collected by regulated municipal facilities, 38% is either openly dumped, burned, or mismanaged, resulting in severe environmental consequences. Only 19% of waste is recycled, and 30% is disposed of in sanitary landfills designed to mitigate GHG emissions. The authors emphasize the importance of accurate waste characterization as a fundamental step toward improving waste management systems. Traditional classification methods, such as manual sorting and visual inspection, are labor-intensive and prone to errors, making them inadequate for handling increasing waste volumes. The paper advocates for enhanced sorting techniques to optimize recycling, composting, energy recovery, and safe disposal, thereby minimizing environmental harm and maximizing resource recovery.
Methods
In this section, the authors discuss the evaluation methodology employed to assess the performance of various convolutional neural network (CNN) and hybrid architectures in the context of waste sorting. The study highlights the importance of confidence-driven training and evaluation, which provides insights into the model’s confidence for each class. The analysis reveals significant differences in computational complexity, model capacity, and inference time among the architectures evaluated.
High-depth networks, such as ResNet101 and DenseNet201, demonstrate superior classification performance; however, they require considerable memory and exhibit higher inference latency, making them less suitable for deployment on resource-constrained embedded systems. In contrast, lightweight models like MobileNetV2 and EfficientNet-B0, which possess fewer parameters and faster operational capabilities, are identified as more advantageous for edge computing applications. This finding underscores the trade-off between model performance and practical deployment considerations in real-world scenarios.
Discussion
In this section, the paper discusses the integration of artificial intelligence (AI) in waste classification systems, highlighting its effectiveness in overcoming traditional limitations. The authors emphasize the use of computer vision and deep learning techniques, particularly Convolutional Neural Networks (CNNs), which have demonstrated high accuracy in distinguishing between recyclables, organics, and non-recyclables in real-time scenarios. The proposed framework aims to enhance waste sorting efficiency and support sustainable waste management practices by utilizing a unique dataset, RealWaste, which comprises complex, mixed waste images captured in real-world conditions. This dataset allows for classification not only by material type but also by potential waste sources, thereby improving the applicability of the results in practical waste management contexts.
The paper outlines the methodology employed, including advanced segmentation techniques such as global thresholding, Otsu’s method, and watershed segmentation, which collectively enhance feature extraction by isolating waste items from cluttered backgrounds. The authors introduce hybrid CNN models that combine the strengths of various architectures (e.g., ResNet101, InceptionV3, DenseNet201, and VGG19) to improve classification performance, particularly for visually similar waste items. Additionally, the framework incorporates confidence scoring for model predictions, providing insights into the reliability of classifications beyond traditional accuracy metrics. This comprehensive approach addresses the challenges of real-world waste classification, paving the way for future advancements in automated waste management systems.