《Recycling》：Advancing Real-Time Sensor-Based Quality Monitoring in Construction and Demolition Waste Processing for the Prediction of Weight-Based Particle Size Distributions
编辑推荐：
在本研究中，研究人员描述了一种基于人工智能和传感器的在线质量监测系统的开发与验证，用于分析破碎后建筑与拆除废弃物（CDW）物料流的粒度分布（PSD）。为此，研究人员利用手动筛分分析后的颗粒，开发了一个自定义的多任务卷积神经网络（CDW-MT-CNN）。该模型能
在本研究中，研究人员描述了一种基于人工智能和传感器的在线质量监测系统的开发与验证，用于分析破碎后建筑与拆除废弃物（CDW）物料流的粒度分布（PSD）。为此，研究人员利用手动筛分分析后的颗粒，开发了一个自定义的多任务卷积神经网络（CDW-MT-CNN）。该模型能够快速且同时预测颗粒类别和重量，这对于确定PSD至关重要。随后，单颗粒数据按原始图像进行聚合（在全规模实验中通常包含约1000个颗粒），以获得每幅图像的PSD。在线安装的RGB线扫描传感器以亚秒级频率记录高分辨率图像。单幅图像的推理时间约为54 ms，该模型可在全规模工厂中每分钟提供一次PSD。专家认为，在破碎过程中对CDW物料流进行在线监测时，这样的时间间隔是足够的，并解决了实验室开发系统在放大过程中存在的现有差距。结合模型的高预测性能（尤其在分类方面，准确率达82%），表明该技术在全规模工厂监测中具有潜力，例如为操作人员提供新见解以提高操作效率。进一步研究应侧重于提高重量预测的精度，例如通过增加包含更多独特颗粒的标注数据集，以及开发在试运行或全规模工厂中验证模型实时性能的方法。
《Recycling》论文解读：基于RGB传感器的CDW重量粒度分布在线监测
**研究背景与问题**
在欧洲，建筑与拆除废弃物（CDW）的高质量回收利用是提升建筑材料可持续性的重要议题。然而，当前CDW加工过程中的质量监测仍依赖人工采样，缺乏对物料规格和特性的实时透明度。自动化质量监测技术主要停留于实验室阶段，面临三大障碍：缺乏用于监督学习的标注数据、未在真实环境中测试，以及从二维（2D）传感器数据中提取基于重量的质量指标（如粒度分布PSD）存在困难。三维（3D）传感技术（如激光三角测量）虽可提供体积信息，但因成本高、环境恶劣而难以实际部署。因此，研究人员旨在开发一种结合2D RGB传感器与深度学习的轻量级在线质量监测系统，用于预测破碎CDW物料流的基于重量的粒度分布，以解决现有实验室系统放大至工业应用中的缺失环节。
**研究内容与结论**
研究人员提出并验证了自定义多任务卷积神经网络（CDW-MT-CNN），该模型可同时预测颗粒尺寸类别和重量，进而基于单颗粒数据汇总得到每幅图像的PSD。基于手动筛分和称重的1486个CDW颗粒（主要来自德国北威州MAV Krefeld GmbH回收厂的未粘结破碎混凝土混合物，含混凝土、砖块、瓷砖及少量污染物），通过数据增强（旋转、亮度调整、高斯平滑）扩展训练集。模型在未见过测试集上达到82%的分类准确率和6.15 g的平均绝对误差（MAE），推理时间仅54 ms/图像（GPU）。全规模工厂实验（在移动反击式破碎机上进行，采集84 kg样本及对应11幅高分辨率图像）显示，模型对4–11.2 mm颗粒的PSD预测接近真实值，但大颗粒类别表现较差。该研究首次证明了从2D RGB数据预测颗粒重量的可行性，为提升CDW回收质量提供了低成本在线监测方案。
**主要关键技术方法**
1. **传感器与数据采集**：采用JAI SW-8000T RGB线扫描传感器（丹麦哥本哈根），以亚秒级频率记录4096×4096像素高分辨率图像，安装在移动反击式破碎机的细粒输送带上方。
2. **粒子分割**：基于ParticleSAM模型（改编版）从原始图像中分割单个颗粒，输出225×225像素RGB图像。
3. **多任务卷积神经网络（CDW-MT-CNN）**：自定义轻量级架构，共享骨干包含3个卷积块和Dropout层，分别连接分类头（颗粒尺寸类别）和回归头（颗粒重量），总参数50.54万，激活函数为Hardswish。
4. **数据增强**：对训练集应用旋转（20°–160°和200°–340°）、亮度调整（系数1.2–1.5）和高斯平滑（系数0.7–1.01），将训练图像扩展至11860幅。
5. **模型训练与评估**：采用5折交叉验证，优化器Adam，结合交叉熵损失（CEL，分类）和Huber损失（回归）的组合损失函数，根据准确率、马修斯相关系数（MCC）和均方根误差（RMSE）优选模型。
**研究结果**
**3.1 模型训练**
通过12种超参数配置（学习率0.0001、0.0005、0.001；回归损失权重0.1、0.2；原始/增强数据）训练，基于5折平均性能确定最佳配置。模型2（学习率0.0005，回归损失权重0.1，原始数据）和模型11（学习率0.0001，回归损失权重0.2，增强数据）被选为最终模型，GPU推理时间分别为52.8 ms和54.6 ms/图像。
**3.2 未见数据性能**
**3.2.1 分类**：模型2在300个未见过测试颗粒上达到82%准确率（MCC 0.80），模型11为79%（MCC 0.77）。混淆矩阵显示多数误分类仅偏移一个类别（模型2仅1.3%偏移超过一个类别）。显著图显示模型对小颗粒激活集中在颗粒区域，大颗粒则更关注背景。
**3.2.2 回归**：模型2的RMSE为14.30 g，MAE为6.15 g；模型11分别为16.69 g和6.99 g。多数类别误差在一个标准差内。增强数据对中间尺寸（5.6–22.4 mm）的重量预测有利。汇总至PSD时，模型2对4–5.6 mm类别的重量百分比误差仅0.4%，模型11对8–22.4 mm三个类别的误差均低于2.0%。
**3.3 全规模工厂数据性能**
与筛分真实PSD对比，模型2能较好捕捉4–11.2 mm颗粒的累积趋势，但高估11.2–22.4 mm类；模型11低估小颗粒但接近真实趋势。图像分割揭示小颗粒被分割模型遗漏，引入额外不确定性。室外光照变化未显著影响预测鲁棒性。
**总结讨论与结论**
**讨论**：研究存在数据集规模较小、颗粒重量变异大等局限。增强技术部分缓解了标注限制，但进一步优化需收集更大规模数据（包括不同目标级配）并开展批次校正研究。全规模工厂验证的核心困难在于无法获得与图像一一对应的真实PSD。未来可扩展模型以预测颗粒形状等更多质量指标。
**结论**（翻译原文）：
实现加工后CDW物料规格的更高透明度对于促进其在高品质应用中的利用至关重要。一个关键规格是粒度分布（PSD），它包含颗粒尺寸分类及这些类别中颗粒的累积重量百分比。然而，从2D（或3D）数据到准确重量逼近因而到准确PSD的转化存在重大难题。因此，在本工作中，研究人员提出了一种新型基于卷积神经网络的深度学习模型——CDW-MT-CNN，它能在54 ms/图像内基于RGB图像同时分类颗粒并预测其重量。为开发此模型，研究人员手动拍摄并称重了1486个CDW颗粒以构建真实数据集，并利用多种增强技术扩大训练集。基于该数据集，对12种CDW-MT-CNN架构配置在2个不同随机种子上进行了测试。在原始数据集上训练的最佳模型（模型2）在分类上达到82%准确率（MCC 0.80），整体MAE为6.15 g。在增强数据上训练的模型性能略低：79%分类准确率和6.99 g重量预测误差。然而，增强对中间级分（5.6–22.4 mm）的重量预测有利，表明增强可缓解CDW数据集创建的标注限制。全规模工厂实验结果进一步显示对大颗粒尺寸类别的性能较低，这在标注数据集上的误分类中也有所体现。但模型2特别证明了在4–11.2 mm颗粒范围内预测PSD接近真实分布的可行性。此外，这些实验显示了在工厂中验证质量监测系统的困难，因为难以获取每幅图像的精确真实分布，且工厂中存在振动和流量波动等额外不确定性。尽管如此，本工作表明CDW-MT-CNN架构能高正确率预测颗粒尺寸，并对多数类别的颗粒重量预测落在均值一个标准差内，为后续架构优化提供了坚实基础。此外，采用面向实践的方法，重点创建了轻量且快速的模型，平均推理时间54 ms/图像，奠定了合适的基础[RQ1]。该架构在全规模工厂实验中也表现出一定程度的效果，但需进一步在实际层面验证。同时，该模型可作为质量监测系统的一部分，但在全规模工厂在线监测中，理想情况下组合质量监测系统应以每秒一幅图像的频率处理以覆盖整个物料流，当前推理时间尚不能达到。尽管如此，预计在推理速度和预测性能上的进一步优化将提供能够支持手动质量评估的模型，从而改善CDW回收骨料在高品质应用中的回收利用[RQ2]。
