DOI: https://doi.org/10.1038/s41598-026-45814-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41888559
تاريخ النشر: 2026-03-26
المؤلف: Tao Liu وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تتطلب شدة مشاكل النفايات الحضرية المتزايدة طرق تصنيف نفايات أكثر كفاءة ودقة من تلك التي يمكن أن توفرها الأساليب التقليدية. يقدم هذا البحث نموذج تصنيف نفايات خفيف الوزن جديد، ResSeMo، الذي يستفيد من تحسين التعاون متعدد الوحدات لتعزيز دقة التصنيف وكفاءة المعالجة والقدرة على التكيف في السيناريوهات المعقدة. من خلال دمج استخراج الميزات متعددة المقاييس من ResNeXt، وآلية الانتباه للقناة من SENet، والهندسة الخفيفة من MobileNetV3، يحسن ResSeMo الأداء بشكل فعال مع تقليل المتطلبات الحاسوبية.
تظهر التقييمات التجريبية أن ResSeMo يحقق دقة تبلغ 91.3% على مجموعة بيانات TrashNet و86.9% على مجموعة بيانات TACO، مما يدل على استقرار عالٍ تحت مختلف الاضطرابات. على وجه التحديد، يظهر النموذج انخفاضًا بنسبة 4.1% و6.4% في الدقة على TrashNet وTACO، على التوالي، عند تعرضه لضوضاء غاوسية وضباب عشوائي. بالمقارنة مع النماذج التقليدية مثل VGG16، يظهر ResSeMo مزايا كبيرة في أداء مقاومة الاضطرابات، مما يجعله حلاً قويًا لأنظمة تصنيف النفايات الذكية في البيئات المعقدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على القضية الملحة لإدارة النفايات الحضرية، التي تفاقمت بسبب التحضر السريع، والذي ينتج أكثر من 2 مليار طن من النفايات الصلبة سنويًا. تظهر طرق فرز النفايات التقليدية، التي تتميز بالعمليات اليدوية والميكانيكية، دقة تصنيف منخفضة (أقل من 70%)، مما يؤدي إلى هدر كبير في الموارد وارتفاع تكاليف المعالجة. تدعو الورقة إلى دمج الذكاء الاصطناعي (AI)، وبشكل خاص الشبكات العصبية التلافيفية العميقة (DCNNs)، لتعزيز كفاءة ودقة تصنيف النفايات. بينما ركزت الدراسات الحالية على نماذج DCNN المدمجة متعددة الوحدات، فإنها غالبًا ما تفشل في معالجة تعقيدات خصائص النفايات في العالم الحقيقي والحاجة إلى نشر خفيف الوزن في البيئات ذات الموارد المحدودة.
لمعالجة هذه التحديات، يقترح المؤلفون بنية خفيفة الوزن جديدة تُدعى ResSeMo، التي تجمع بشكل متكامل بين ResNeXt وSENet وMobileNetV3. يهدف هذا النموذج إلى تحسين كل من دقة التصنيف وكفاءة المعالجة من خلال نهج تحسين تعاوني منظم. من خلال الاستفادة من استخراج الميزات متعددة المقاييس، والانتباه للقناة، وتصميم خفيف الوزن، يتناول ResSeMo قيود DCNN التقليدية في السيناريوهات المعقدة بينما يلبي متطلبات الوقت الحقيقي والطاقة المنخفضة. تشمل مساهمات الدراسة الابتكار المعماري، وتحسين البيانات من خلال مجموعات بيانات محسنة، وتحليل التطبيقات العملية للنموذج في إدارة النفايات الحضرية، مما يمهد الطريق لاستكشاف شامل لدور التعلم العميق في هذا المجال الحرج.
طرق
في هذه الدراسة، تم تصميم الإعداد التجريبي بعناية لتقييم أداء نموذج ResSeMo في تصنيف النفايات، مع التركيز بشكل خاص على الأهداف الصغيرة أو المحجوبة. لتقييم فعالية النموذج بخلاف دقة التصنيف البسيطة، تم تقديم مقياسين إضافيين: متوسط الدقة (mAP) والتقاطع على الاتحاد (IoU). يقيم مقياس mAP قدرة تمييز الميزات للنموذج عبر فئات النفايات المختلفة من خلال حساب متوسط الدقة عبر هذه الفئات، بينما يقيس IoU دقة تحديد الموقع المكاني من خلال قياس التداخل بين الصناديق المحيطة المتوقعة والحقيقية.
تستخدم الدراسة تعريفات قياسية للدقة والدقة والاسترجاع ودرجة F1 لتوفير إطار تقييم شامل. يتم حساب الدقة على أنها \( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \)، حيث تمثل TP وTN وFP وFN الإيجابيات الحقيقية، والسلبيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الكاذبة، على التوالي. يتم تعريف درجة F1 على أنها \( F1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} \). يتم حساب mAP على أنها \( mAP = \frac{1}{C} \sum_{c=1}^{C} AP_c \)، مع كون \( C \) هو العدد الإجمالي للفئات و\( AP_c \) هو متوسط الدقة لفئة \( c \). أخيرًا، يتم تعريف IoU على أنها \( IoU = \frac{|A \cap B|}{|A \cup B|} \)، حيث \( A \) و\( B \) هما الصناديق المحيطة المتوقعة والحقيقية، على التوالي. يضمن هذا النهج الشامل للتقييم تقييمًا قويًا لقدرات النموذج في سيناريوهات تصنيف النفايات المعقدة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في سلوك النظام مع تغير المعلمات، مع إيلاء اهتمام خاص لتأثير المتغير $X$ على النتيجة $Y$. توضح التمثيلات الرسومية، مثل المخططات والرسوم البيانية، هذه العلاقات بشكل أكبر، مما يوفر تأكيدًا بصريًا للبيانات الكمية. بشكل عام، تسهم النتائج في الجسم المعرفي القائم من خلال توضيح الآليات المعنية وتقديم رؤى يمكن أن توجه اتجاهات البحث المستقبلية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور تقنيات التعلم العميق في تصنيف النفايات، مع التركيز على الانتقال من الشبكات العصبية التلافيفية التقليدية (CNNs) إلى الهياكل الأكثر تقدمًا. أظهرت النماذج المبكرة مثل AlexNet وVGG إمكانيات التعلم العميق لكنها كانت تعاني من تعقيدها وأوقات الاستدلال البطيئة، مما جعلها غير عملية للتطبيقات في الوقت الحقيقي. أدت إدخال الشبكات المتبقية، مثل ResNet، إلى تحسين دقة التصنيف لكنها ظلت كثيفة الموارد. ركزت التطورات الحديثة على الهياكل الخفيفة الوزن مثل EfficientNet وMobileNetV3، التي تقلل بشكل كبير من المتطلبات الحاسوبية مع الحفاظ على دقة عالية. ومع ذلك، لا تزال هذه النماذج تواجه صعوبة في التعرف على الأجسام الصغيرة أو المتشابهة في النفايات في السيناريوهات المعقدة. تشير الورقة إلى أن تقنيات الدمج متعددة الوسائط، التي تجمع بين CNNs وTransformers وبيانات المستشعرات الإضافية، قد أظهرت وعدًا لكنها غالبًا ما تؤدي إلى زيادة تعقيد النموذج.
يهدف نموذج ResSeMo المقترح إلى معالجة هذه التحديات من خلال دمج نقاط القوة في ResNeXt وSENet وMobileNetV3. تم تصميم هذه البنية لتعزيز القدرة على التكيف في البيئات المعقدة مع تحسين الأداء الخفيف وكفاءة المعالجة. يستخدم نموذج ResSeMo آلية تعاون تفاعلية عميقة بين الوحدات، مما يسمح بتحسين استخراج الميزات ودقة التصنيف. تظهر النتائج التجريبية أن ResSeMo يتفوق على النماذج الأساسية من حيث دقة التصنيف وسرعة الاستدلال ومقاييس اكتشاف الأجسام عبر مجموعات بيانات مختلفة، بما في ذلك TrashNet وTACO. تشير النتائج إلى أن النموذج لا يعزز فقط قدرات التعرف على الأجسام الصغيرة والمتشابهة في النفايات، بل يوازن أيضًا بشكل فعال بين الدقة والكفاءة، مما يجعله مناسبًا للتطبيقات العملية في أنظمة إدارة النفايات.
DOI: https://doi.org/10.1038/s41598-026-45814-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41888559
Publication Date: 2026-03-26
Author(s): Tao Liu et al.
Primary Topic: Advanced Neural Network Applications
Overview
The increasing severity of urban waste issues necessitates more efficient and accurate waste classification methods than traditional approaches can provide. This paper introduces a novel lightweight waste classification model, ResSeMo, which leverages multi-module collaborative optimization to enhance classification accuracy, processing efficiency, and adaptability in complex scenarios. By integrating ResNeXt’s multi-scale feature extraction, SENet’s channel attention mechanism, and MobileNetV3’s lightweight architecture, ResSeMo effectively improves performance while minimizing computational demands.
Experimental evaluations reveal that ResSeMo achieves an accuracy of 91.3% on the TrashNet dataset and 86.9% on the TACO dataset, demonstrating high stability under various disturbances. Specifically, the model exhibits only a 4.1% and 6.4% drop in accuracy on TrashNet and TACO, respectively, when subjected to Gaussian noise and random blur. In comparison to traditional models such as VGG16, ResSeMo shows significant advantages in anti-disturbance performance, making it a robust solution for smart waste classification systems in complex environments.
Introduction
The introduction of this research paper highlights the pressing issue of urban waste management, exacerbated by rapid urbanization, which generates over 2 billion tons of solid waste annually. Traditional waste sorting methods, characterized by manual and mechanical processes, exhibit low classification accuracy (below 70%), resulting in significant resource wastage and high processing costs. The paper advocates for the integration of artificial intelligence (AI), specifically Deep Convolutional Neural Networks (DCNNs), to enhance waste classification efficiency and accuracy. While existing studies have focused on multi-module fusion DCNN models, they often fail to address the complexities of real-world waste characteristics and the need for lightweight deployment in resource-constrained environments.
To tackle these challenges, the authors propose a novel lightweight architecture named ResSeMo, which synergistically combines ResNeXt, SENet, and MobileNetV3. This model aims to improve both classification accuracy and processing efficiency through a structured collaborative optimization approach. By leveraging multi-scale feature extraction, channel attention, and a lightweight design, ResSeMo addresses the limitations of traditional DCNNs in complex scenarios while fulfilling real-time and low-power requirements. The study’s contributions include architectural innovation, data optimization through enhanced datasets, and an analysis of the model’s practical applications in urban waste management, setting the stage for a comprehensive exploration of deep learning’s role in this critical area.
Methods
In this study, the experimental setup was meticulously designed to evaluate the performance of the ResSeMo model in waste classification, particularly focusing on small or occluded targets. To assess the model’s effectiveness beyond mere classification accuracy, two additional metrics were introduced: mean Average Precision (mAP) and Intersection over Union (IoU). The mAP metric evaluates the model’s feature discrimination ability across various waste categories by averaging the precision across these categories, while IoU measures the spatial localization accuracy by quantifying the overlap between predicted and ground-truth bounding boxes.
The study employs standard definitions for accuracy, precision, recall, and F1 score to provide a comprehensive evaluation framework. Accuracy is calculated as \( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \), where TP, TN, FP, and FN represent true positives, true negatives, false positives, and false negatives, respectively. The F1 score is defined as \( F1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} \). The mAP is computed as \( mAP = \frac{1}{C} \sum_{c=1}^{C} AP_c \), with \( C \) being the total number of categories and \( AP_c \) the average precision for category \( c \). Lastly, IoU is defined as \( IoU = \frac{|A \cap B|}{|A \cup B|} \), where \( A \) and \( B \) are the predicted and ground-truth bounding boxes, respectively. This comprehensive evaluation approach ensures a robust assessment of the model’s capabilities in complex waste classification scenarios.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing p-values less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate a clear trend in the behavior of the system as parameters are varied, with specific attention given to the impact of variable $X$ on outcome $Y$. Graphical representations, such as plots and charts, further illustrate these relationships, providing visual confirmation of the quantitative data. Overall, the findings contribute to the existing body of knowledge by elucidating the mechanisms at play and offering insights that could inform future research directions.
Discussion
The discussion section of the research paper highlights the evolution of deep learning techniques in waste classification, emphasizing the transition from traditional convolutional neural networks (CNNs) to more advanced architectures. Early models like AlexNet and VGG demonstrated the potential of deep learning but were hindered by their complexity and slow inference times, making them impractical for real-time applications. The introduction of residual networks, such as ResNet, improved classification accuracy but remained resource-intensive. Recent advancements have focused on lightweight architectures like EfficientNet and MobileNetV3, which significantly reduce computational demands while maintaining high accuracy. However, these models still struggle with recognizing small or similar waste objects in complex scenarios. The paper notes that multi-modal fusion techniques, combining CNNs with Transformers and additional sensor data, have shown promise but often lead to increased model complexity.
The proposed ResSeMo model aims to address these challenges by integrating the strengths of ResNeXt, SENet, and MobileNetV3. This architecture is designed to enhance adaptability in complex environments while optimizing for lightweight performance and processing efficiency. The ResSeMo model employs a deeply interactive module collaboration mechanism, allowing for improved feature extraction and classification accuracy. Experimental results demonstrate that ResSeMo outperforms baseline models in terms of classification accuracy, inference speed, and object detection metrics across various datasets, including TrashNet and TACO. The findings indicate that the model not only enhances recognition capabilities for small and similar waste objects but also effectively balances the trade-off between precision and efficiency, making it suitable for practical applications in waste management systems.