ResSeMo: djup konvolutionellt neuralt nätverksintegrerat system för högprecision i avfallsklassificering och effektiv bearbetning

Varför det spelar roll att sortera med intelligens

Varje dag kämpar städer runt om i världen med berg av blandat skräp. När flaskor, burkar, matrester och batterier hamnar i samma kärl blir det svårare och dyrare att återvinna dem säkert. Denna artikel presenterar ResSeMo, ett nytt datorvisionssystem som lär maskiner att känna igen olika typer av avfall snabbt och pålitligt, även i verkliga gatubilder, vilket hjälper oss att närma oss renare kvarter och mer effektiv återvinning.

Den växande högen av stadssopor

Urbaniseringen har kraftigt ökat mängden avfall som människor genererar. Traditionella sorteringsmetoder är beroende av arbetare och enkla maskiner som ofta felklassificerar mer än en fjärdedel av det avfall de möter. Det innebär att värdefulla material hamnar begravda eller bränns i stället för att återanvändas, och farliga föremål som batterier slinker igenom. Forskare har vänt sig till modern bildigenkänning, där kameror och algoritmer granskar foton av skräp och avgör om ett föremål är glas, plast, papper, metall eller något annat. Många befintliga system är dock antingen långsamma och tunga, eller fungerar bra endast i rena, kontrollerade laboratorieförhållanden – inte på röriga trottoarer eller i fulla sopkärl.

En ny trefaldig hjärna för sopor

ResSeMo tar sig an detta problem genom att kombinera tre typer av neurala nätverksmoduler i en samordnad ”hjärna”. Den första delen specialiserar sig på att fånga rika visuella detaljer i flera skalor, såsom textur, konturer och glans, så att den kan skilja en glasflaska från en plastflaska. Den andra delen fungerar som en strålkastare och förstärker de viktigaste visuella ledtrådarna, som korrosionsmärken på metall eller mönster typiska för batterier, samtidigt som distraherande bakgrunder tonas ner. Den sista delen fokuserar på att göra allt detta med långt färre beräkningar, vilket gör att systemet kan köras på små enheter som smarta sopkärl eller låg-effektsensorer utan att ta mycket minne eller energi. Tillsammans bildar de en stegvis pipeline som förvandlar stökiga bilder till säkra kategoribeslut.

Träning på verkliga sopor

För att testa ResSeMo använde författarna två stora bildsamlingar. Den första, TrashNet, innehåller ett par tusen foton tagna i enkla miljöer där varje objekt är tydligt och centrerat. Den andra, TACO, är mycket större och närmare verkligheten, fylld med skräp utspritt på gator, parker och inomhushörn, ofta litet, delvis dolt eller dåligt belyst. Teamet förberedde dessa data noggrant: de enade kategorietiketter mellan de två källorna, ökade antalet exempel med standardmetoder som rotation och ljushetsvariationer, och förstorade bildregioner runt mycket små objekt som kapsyler för att göra dem lättare för modellen att se. De lade också till extra etiketter som beskriver hur smutsigt och hur skrymmande varje föremål ser ut, för att stödja senare analyser av hur sorteringsval kan påverka hela avfallshanteringskedjan.

Att sätta modellen på prov

ResSeMo jämfördes med tio välkända nätverk, inklusive tunga aktörer som ofta används i forskning och lättare som är designade för telefoner. På de enklare TrashNet-bilderna klassificerade det nya systemet rätt för strax över nio av tio objekt samtidigt som det använde långt färre beräkningssteg än de kraftfullaste konkurrenterna. På de mer krävande TACO-bilderna kände det fortfarande igen nästan 87 procent av objekten korrekt och höll bearbetningstiderna korta. Modellen klarade sig också väl under tuffa förhållanden: när forskarna lade till brus, oskärpa, mörker, bländning eller simulerat dåligt väder sjönk ResSeMo:s noggrannhet endast måttligt och höll sig högre än rivalernas. Vidare tester på små plattformar som NVIDIA Jetson Nano och Raspberry Pi visade att en komprimerad version kunde köras med låg effekt och litet minne, vilket gör den lämplig för fältinbäddade enheter.

Vad detta betyder för vardagen

Enkelt uttryckt visar ResSeMo att det är möjligt att bygga ett sop-sorteringssystem som både är skarpsynt och praktiskt. Genom att blanda kraftfull mönsterigenkänning med en design som passar på små, lågeffektshårdvaror hjälper angreppssättet till att överbrygga klyftan mellan forskning och verkliga avfallskärl på riktiga gator. Medan mer arbete krävs för att hantera sällsynta avfallstyper eller extrema förhållanden, demonstrerar denna studie en lovande väg för städer som vill automatisera frontlinjesortering, återvinna fler material och hålla farliga föremål borta från deponier och förbränningsanläggningar.

Citering: Liu, T., Li, B. & Wang, Z. ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing. Sci Rep 16, 15167 (2026). https://doi.org/10.1038/s41598-026-45814-5

Nyckelord: avfallsklassificering, djupinlärning, smart återvinning, edge-AI, stadshygien