一种针对废冰箱非磁性破碎物料实时分拣的轻量化视觉感知方法

《Waste Management》：A lightweight visual perception method for real-time sorting of non-magnetic crushed materials from waste refrigerators

　　

•实现废冰箱非磁性破碎片段的实时分拣
•提高混合金属-塑料回收流中的分离精度
•为自动分拣执行提供像素级材料定位
•增强遮挡、噪声和不规则碎片情况下的回收效率

引言

近年来，家用电器的快速更换导致废弃电器电子设备数量持续增长。根据《2024年全球电子废物监测报告》，2022年全球电子废物产生量达到6200万吨（Baldé等，2024）。制冷设备（如冰箱、空调和冷冻柜）含有大量可回收金属、塑料和隔热材料，对资源回收系统提出了更高要求。废冰箱经过机械破碎和磁选后，产生的非磁性破碎混合物主要由铜、铝、塑料、泡沫、橡胶及其他杂质组成。这些材料包括铜和铝等高价值可回收金属，以及塑料、泡沫和橡胶等低密度、易混杂物。其准确识别和稳定分拣直接影响后续资源回收效率。

在实际回收生产线中，非磁性破碎材料的自动分拣仍面临挑战。首先，破碎片段的粒径差异较大，小颗粒和大碎片经常同时出现在同一视野中，要求模型能够处理多尺度目标。其次，不同材料的碎片通常表现为边缘破损、形状不规则、局部弯曲和轮廓不连续，使得传统固定特征提取方法难以可靠地捕获其真实边界。第三，传送带上的碎片之间常出现堆积、遮挡和边缘粘连现象。此外，金属表面的反光、灰尘污染和低对比度背景进一步增加了视觉识别的难度。此外，实际生产场景中材料类别的分布往往不平衡。泡沫和塑料碎片占比较大，而铜、橡胶等低频类别的样本较少，这可能导致少数材料类别的漏检或误分类。

传统机械分拣、静电分选和重力分离方法在家用废旧电器回收中仍被广泛使用。然而，在处理复杂混合材料时，这些方法往往难以同时满足高效率、高精度和连续处理的要求。人工分拣提供了一定的灵活性，但劳动强度大且不稳定。工人还长期暴露于金属粉尘、泡沫碎屑和复杂污染物中，可能对健康构成风险。随着深度学习和机器视觉的发展，基于图像的物体检测和实例分割方法已逐渐被引入固体废物和电子废物识别任务中，为自动分拣提供了新的技术途径。现有研究表明，卷积神经网络和基于YOLO的模型在多类别废物识别、小目标检测和实时推理方面具有强大潜力。

然而，现有的视觉识别方法在应用于废冰箱非磁性破碎材料时仍存在局限性。先前的研究已证明了卷积神经网络、光谱成像和深度学习在废材料识别中的可行性（Wu等，2023；Wu等，2020；Li等，2024）。然而，许多现有方法主要关注图像级分类或基于边界框的检测。图像分类可以确定材料类别，但无法提供每个碎片的空间位置和轮廓；而矩形边界框包含冗余背景区域，无法准确描述不规则、破碎和相互重叠的碎片边界。虽然标准YOLO实例分割模型可以同时输出分类、定位和掩码结果，但固定卷积采样对曲线轮廓、破损边缘、大尺度变化、小碎片、堆积、遮挡、反光污染和低对比度背景的适应性有限。此外，材料类别的不平衡分布可能导致泡沫和塑料等高频类别主导梯度更新，从而削弱对铜、橡胶等低频类别的识别。许多现有的YOLO改进方法也主要关注计算机视觉指标，很少在统一框架内考虑不规则边界分割、少数材料识别、轻量化部署和下游分拣需求。

因此，本研究解决的问题定义为废冰箱混合非磁性破碎材料的实时实例级视觉感知。给定传送带上混合碎片的RGB图像，模型需要识别每个可见碎片为铜、铝、塑料、泡沫、橡胶或其他材料，并同时提供其空间位置和像素级实例掩码。因此，本研究的目的是在不规则形态、遮挡、尺度变化和类别不平衡条件下，提高材料识别、空间定位和实例边界分割能力，同时保持轻量化模型和实时推理能力。

为解决上述问题，本研究基于YOLOv11n-seg提出了YOLOv11-MEDSeg。C3k2-MDConv2模块在关键特征提取路径中引入自适应可变形采样，以改善对曲线轮廓、破损边缘和局部变形区域的表示。C2PSA-EMA模块增强了对小碎片、材料边界和判别性区域的响应，同时减少了复杂背景和视觉相似类别的干扰。DPLRS在训练过程中动态协调边界框回归、掩码分割、分类和分布焦点损失项，以改善类别不平衡下的多任务优化。通过上述改进，YOLOv11-MEDSeg输出每个碎片的材料类别、空间位置和实例掩码，为下游气旋分离、机械分流或多通道分拣设备的通道选择和触发控制提供视觉信息。本研究专注于前端视觉感知模型的开发与验证，机械执行机构和闭环物理分拣性能不在当前实验范围内。

本研究的主要贡献总结如下：

1. 制定了废冰箱非磁性破碎材料实时分拣的视觉感知任务，从传送带图像中同时提取材料类别、空间位置和实例掩码信息。此外，使用从废冰箱破碎生产线收集的样本构建了包含800张图像和11,009个标注实例的CMFR数据集，涵盖六种材料类别。

2. 基于YOLOv11n-seg开发了轻量级实例分割模型YOLOv11-MEDSeg。所提出的C3k2-MDConv2模块改善了对不规则和破损碎片边界的自适应表示，而C2PSA-EMA增强了对小目标、材料边界和视觉相似类别的特征表示。

3. DPLRS将渐进式任务损失乘数与批量级分类加权相结合。完整模型在五个随机种子下实现了79.80 ± 0.07%的掩码mAP50–95，比基线平均值提高了3.46个百分点。所选检查点达到了79.8%的掩码mAP50–95、97.7%的精确率和97.6%的召回率。更新后的基准报告了282万参数，在批大小为1时平均推理延迟为8.002毫秒，在RTX 5070上批大小为8时吞吐量为525.48图像/秒。

本文其余部分组织如下。第2节回顾了废材料识别、基于深度学习的分拣和改进YOLO模型的相关研究。第3节描述了整体视觉感知框架、CMFR数据集、YOLOv11-MEDSeg架构及其主要模块和训练策略。第4节展示了实验设置、评估指标、消融研究、比较结果、实时分拣适用性以及本研究的局限性。第5节总结了主要发现、实际优势和未来工作方向。

片段

相关方法

在家用电器回收领域，家电回收方法通常分为人工分拣和机器分拣，需要大量人力和昂贵设备。近年来，卷积神经网络（CNN）及其衍生深度学习模型已成为固体废物识别和资源回收领域的核心技术之一。Wu等人系统性地回顾了CNN在废物识别中的应用和

方法概述

本研究提出的YOLOv11-MEDSeg模型定位为废冰箱非磁性破碎材料实时分拣系统中的视觉感知模块。整体流程包括五个阶段：图像采集、实例分割、材料识别、空间定位和分拣执行支持。

如图1所示，工业相机首先拍摄传送带上混合碎片的图像。然后，YOLOv11-MEDSeg执行实例级

实验与分析

为验证所提出YOLOv11-MEDSeg算法的有效性，在自建的废冰箱非磁性破碎材料CMFR数据集上进行了实验。进行了消融实验以评估每项改进的贡献，并与几种基于YOLO的模型进行了比较实验，以进一步证明所提方法的性能。

结论

本研究开发了YOLOv11-MEDSeg，用于废冰箱非磁性破碎材料的轻量级实例分割。主要贡献包括：构建包含800张图像和11,009个标注实例的CMFR数据集，涵盖六种材料类别；引入C3k2-MDConv2以表示不规则和破损的碎片边界；集成C2PSA-EMA以增强小目标和判别性区域特征；以及开发

CRediT作者贡献声明

Xu Chenyang：撰写—审阅与编辑，撰写—原稿，方法论，调查研究，概念化。Wu Qunbiao：撰写—审阅与编辑，撰写—原稿，方法论，资金获取。Jiang Yao：监督。Gao Jinke：资源。Fang Haifeng：监督，方法论。Fan Jihua：概念化。Hu Wei：撰写—审阅与编辑，方法论。Gu Chengyang：撰写—审阅与编辑，撰写—原稿，方法论，调查研究，概念化。Tao Lijia

利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争财务利益或个人关系。

致谢

感谢江苏贝尔机械有限公司提供设备和样本。本研究得到了江苏省高校蓝项目和江苏省研究生科研与实践创新计划（26CXJH7423）的支持。

Xu Chenyang | Wu Qunbiao | Jiang Yao | Gao Jinke | Fang Haifeng | Fan Jihua | Hu Wei | Gu Chengyang | Tao Lijia