《Waste Management》：AI-driven detection of metal contaminants in construction and demolition wood waste for enhanced valorisation
编辑推荐：
受金属残留物污染的木材废弃物对其价值化（valorisation）构成重大挑战，阻碍了再利用、回收和资源化。常规的金属去除方法，如粉碎后的磁选，在需要保持木材尺寸完整性时效果不佳，需要人工使用工具检查并去除，这是一个劳动密集且耗时的过程。随着计算机视觉（com
受金属残留物污染的木材废弃物对其价值化（valorisation）构成重大挑战，阻碍了再利用、回收和资源化。常规的金属去除方法，如粉碎后的磁选，在需要保持木材尺寸完整性时效果不佳，需要人工使用工具检查并去除，这是一个劳动密集且耗时的过程。随着计算机视觉（computer vision）技术推动自动化发展，探索其检测木材废弃物中金属污染物的能力是有前景的，通过精确定位实现高效去除。因此，研究人员评估了最先进的、可边缘部署的目标检测模型（object-detection models），分为两类：轴对齐检测器（axis-aligned detectors）（基于CNN（卷积神经网络）的YOLOv11、YOLOv12；以及基于Transformer（变换器）的RT-DETR）和定向边界框检测器（oriented bounding-box detectors）（YOLOv8-OBB、YOLOv11-OBB），用于实时定位金属污染物。在轴对齐模型中，RT-DETR在金属污染物检测中记录到更高的性能，而YOLOv11-OBB在定向边界框模型中表现良好。由于两个顶级模型在不同角度上均表现出色，仅选择一个模型效率较低。因此，通过整合两个顶级模型的检测输出，沿着两条路径进行了检测融合（detection fusion）：框置信度（box confidence）和定向边界框优先（oriented bounding box prioritising）。总体而言，检测融合策略将mAP@50提高到约70%，mAP@50:95提高到约53%，通过识别每个模型遗漏的金属污染物，超越了单个模型。因此，“定向边界框优先”配置被确定为检测金属污染物的最佳AI驱动方法，因为它能以正确角度准确定位污染物，从而在去除过程中最小化对周围木材的损伤。这为尺寸保留去除提供了AI驱动的定位前提，实现了无金属木材废弃物的价值化。
**论文解读：AI驱动的建筑拆迁木材废弃物中金属污染物检测方法**
### 研究背景与问题
建筑拆迁活动产生全球最大且增长最快的废物流之一，其中木材废弃物（construction and demolition wood waste, CDWW）因含有金属污染物（如钉子、螺丝、螺栓等）而严重阻碍其价值化（valorisation）。传统金属去除方法（如粉碎后磁选）无法在保持木材尺寸完整性的前提下有效去除嵌入的金属，迫使依赖人工检查与工具剔除，该过程劳动密集、耗时且存在安全隐患。计算机视觉（computer vision）技术为自动化检测提供了可能，但现有研究尚未针对CDWW中金属污染物的精确定位加以应用。因此，本研究旨在开发AI驱动的目标检测模型，实现金属污染物的实时、高精度定位，为后续尺寸保留去除奠定基础，从而提升CDWW的价值化效率。
### 研究内容与意义
研究人员收集真实场域图像，构建专用数据集（MC-CDWW），评估并融合多种先进目标检测模型（包括基于CNN的YOLOv11、YOLOv12，基于Transformer的RT-DETR，以及定向边界框模型YOLOv8-OBB、YOLOv11-OBB），通过检测融合（detection fusion）策略优化性能。研究发现，“定向边界框优先”配置能同时实现高精度定位与最小化对木材的损伤，为CDWW中金属污染物的自动化检测与去除提供了可行方案。该研究发表于《Waste Management》，对推动建筑废物管理中AI技术的应用、促进循环经济具有重要理论与实践意义。
### 关键技术方法
研究人员采用了以下主要技术方法：
- **数据集构建**：从澳大利亚墨尔本多个相关场地（废物收集站、回收站、拆迁现场、临时倾倒点等）采集约1000张真实图像，标注7类金属污染物（Nails-Head Visible、Nails-Tail Visible、Screws-Head Visible、Screws-Tail Visible、Bolts、Staple、Other Metal），形成MC-CDWW数据集，含3144个实例。
- **模型训练与评估**：采用轴对齐边界框（axis-aligned bounding box, AABB）模型（YOLOv11、YOLOv12、RT-DETR）和定向边界框（oriented bounding box, OBB）模型（YOLOv8-OBB、YOLOv11-OBB），使用全微调和两阶段解冻策略进行训练，以余弦学习率调度、批量大小16、输入图像分辨率640×640像素。
- **检测融合策略**：提出两种融合路径——“框置信度优先”（box confidence-based）和“定向边界框优先”（OBB-prioritising），结合两个最优模型（RT-DETR与YOLOv11-OBB）的输出，以IoU>0.1关联同一实例。
### 研究结果
**3.1 Performance of detection models for metal contaminants localisation in CDWW**
通过对比AABB与OBB模型的性能指标（mAP@50、mAP@50:95、Precision、Recall、F1-score及损失曲线），发现RT-DETR在AABB模型中表现最优（mAP@50:95达0.511，mAP@50达0.639），YOLOv11-OBB在OBB模型中表现最佳（mAP@50:95达0.478，mAP@50达0.666）。混淆矩阵显示，两模型对“Bolts”和“Screws-Head Visible”识别较好，但对“Staple”和“Other Metal”表现不佳；YOLOv11-OBB在召回率上更具优势，而RT-DETR的误报率更低。尺度分析表明，RT-DETR在小目标检测上更强，YOLOv11-OBB则保持多尺度均衡性能并更快。
**3.2 Detection fusion for improved localisation of metal contaminants in CDWW**
采用“框置信度优先”融合时，系统动态选择每实例置信度更高的检测；采用“OBB优先”融合时，优先保留提供角度信息的OBB检测。定量结果表明，融合策略使mAP@50提升至约70%，mAP@50:95提升至约53%，均超过任何单一模型。为最小化对木材的损伤，“OBB优先”融合被确定为最佳方案，因其能准确定位并匹配污染物角度。
**3.3 Theoretical implications**
本研究从理论上证明：AI检测可高精度识别表面及嵌入金属，为选择性去除替代批量处置提供基础，契合循环经济原则；Transformer架构（RT-DETR）在小目标检测中表现突出，CNN架构（YOLOv11-OBB）则在多尺度上保持一致；AABB与OBB检测的融合策略通过互补几何表征显著提升定位鲁棒性。
**3.4 Practical implications**
RT-DETR与YOLOv11-OBB的集成融合可在实时处理速度（YOLOv11-OBB平均FPS为43）下提高污染物检测能力，减少人工检查并提升废物分选吞吐量。“OBB优先”策略通过最小化木材表面损伤，支持回收尺寸完整的无金属木材，适用于高价值再利用路径（如地板、家具）。融合框架通过减少漏检降低运营成本，推动工业废物管理的自动化。
### 讨论总结
研究人员指出，当前缺乏针对CDWW金属污染物定位的专用数据集，本研究通过多次现场拍摄弥补了此局限。未来方向包括：在真实工业环境中测试提出的模型配置，以及应用精确分割技术进一步优化管理。
### 研究结论翻译
受金属污染物污染的木材废弃物对价值化构成挑战。对无金属CDWW的妥善管理支持资源回收，减少环境影响并促进可持续性。传统金属去除涉及粉碎后磁选，但人工方法耗时、易错且危险，尤其在需保持木材尺寸时。计算机视觉进展表明可开发基于深度学习的自动化系统以精确定位金属污染物。本研究评估了YOLOv11、YOLOv12（基于CNN）、RT-DETR（基于Transformer）以及YOLOv8-OBB、YOLOv11-OBB（OBB检测器）在木材废弃物中实时检测金属的性能。使用真实场域图像、标注数据集及性能指标（Precision、Recall、F1-score、mAP），结果表明RT-DETR与YOLOv11-OBB作为独立模型均表现优异。进一步，通过“框置信度”和“OBB优先”融合策略将顶级模型结合，其中“OBB优先”为最优配置。在仔细去除金属污染物后，木材废弃物被净化，适合价值化，可再用于建筑、装饰、物流以及覆盖料、堆肥、刨花板和纸张生产等回收过程。回收的无金属木材适用于地板、墙面和家具，减少设备磨损与安全风险，符合行业标准。经过适当训练的检测模型可改进实际应用，促进自动化并延长木材废弃物的效用，同时支持循环经济。本研究推进了AI在建筑废物管理与价值化路径中的应用，促进可持续资源利用。
