ICWaste: Automatic Extraction of Waste Images through Computer Vision Analysis of Waste Collection Recordings
Authors
Sørensen, Rasmus Sebastian Bo ; Tromborg, Kristian Larsen
Term
4. term
Education
Publication year
2024
Submitted on
2024-05-28
Pages
15
Abstract
Littering poses environmental and financial challenges, and the development of robots to detect and collect waste is limited by insufficient training data. ICWaste addresses this by equipping volunteer litter collectors with small cameras mounted on their litter pickers and using computer vision to automatically extract waste images from recorded collection videos. The system detects when litter is being picked up and saves relevant frames as training data for future detection models (e.g., YOLO-based). A complementary web application enables users to upload recordings for analysis and receive rewards for their contributions. Early evaluation suggests the solution can be integrated into collectors’ routines, though reliably tracking the many different picker designs remains challenging, and not all collected litter is currently captured as training data. This work points to a scalable way to increase the quantity and diversity of waste imagery while supporting proactive efforts to reduce litter in nature.
Affald i naturen er både et miljømæssigt og økonomisk problem, og udviklingen af robotter til at opspore og samle affald er hæmmet af mangel på gode træningsdata. ICWaste adresserer dette ved at udstyre frivillige affaldssamlere med små kameraer monteret på deres affaldsgrabbere og bruge computervision til automatisk at udtrække billeder af affald direkte fra optagede indsamlinger. Systemet registrerer, når affald bliver samlet op, og gemmer relevante billeder som træningsdata til fremtidige detektionsmodeller (fx baseret på YOLO). Derudover udvikles en webapplikation, hvor brugere kan uploade videoer til analyse og modtage belønninger for deres indsats. Indledende evaluering viser, at løsningen kan passes ind i affaldssamleres arbejdsgang, men sporing af de mange forskellige grabberdesigns kræver forbedringer, ligesom ikke alt indsamlet affald endnu bliver udtrukket som træningsdata. Arbejdet peger mod en skalerbar måde at øge mængden og variationen af affaldsbilleder på, samtidig med at det støtter proaktive indsatser mod affald i naturen.
[This apstract has been generated with the help of AI directly from the project full text]