论文翻译

Abstract

$~~~~~~$      随着世界范围内城市化和增长的不断增长，我们需要一个稳定而可持续的发展计划。城市发展计划的重要组成部分之一是适当的废物管理，其中废物的收集是一个非常复杂的过程，涉及整个系统的有效管理，从卫生收集废物到开始倾倒。由于如果所有垃圾材料（例如聚乙烯袋，旧家具和电子垃圾）在垃圾填埋场中混合在一起，就必须对收集的垃圾进行隔离，这可能导致有毒物质泄漏而污染土地。湿废物部分转化为堆肥或甲烷气。堆肥可以代替化肥的需求，沼气可以用作能源。金属，塑料和纸屑可以重复使用或回收。自动化废物分类过程是启动管理过程的最基本要求。因此，在本文中，我们比较了使用不同技术实施的各种自动化废物分类过程。

INTRODUCTION

$~~~~~~$      在当今世界，废物收集和倾倒面临的共同问题主要是：溢出的垃圾箱和按其类型分类的废物。 生活在印度城市的3.77亿人每天产生近6,200万吨的废物，其中4,500万的废物未经处理和卫生处理，造成严重的健康问题和环境恶化¹。已经记录到城市固体废物产生大量明显的通货膨胀。 由于人口过剩，工业化和经济增长，全球范围内的垃圾填埋场无法回收，这是因为废物在城市郊区的处置不当，造成了水污染和全球变暖等严重的环境纠缠，导致手动分离器的平均寿命缩短²。在印度，碎布工和水利工作人员在城市固体废物的回收中起着至关重要的作用，并且由于皮肤，呼吸系统，胃肠道和其他过敏性疾病的感染而导致空肠症的发生率更高。 如果在城市废物产生的源头进行隔离，则可以减少这种情况，这也将保留更高质量的材料以供回收利用，从而从废物中获得更多的价值。这不仅减少了拾荒者的职业危害，而且减少了收集后将废物分类的处理时间。产生的废物的经济价值是在将其完全回收后实现的，并且有多种技术可用于回收和再利用城市固体废物。 当将废物分类为湿，干和金属等基本类别时，它具有很强的改进前景，因此可以回收再利用。 因此，在本文中，我们对废物分类自动化的各种现有技术进行了全面的调查³⁴。

1. CATEGORIES OF WASTE

$~~~~~~$      废物可以分为不同的种类。此外，一些类型的废物可以循环利用，而另一些则不能。
$~~~~~~$      2.1.Liquid Waste — 液体废物通常存在于家庭和工业中。它包括脏水、洗涤液、有机液体、甚至雨水和废洗涤剂。
$~~~~~~$      2.2.Solid Waste — 固体废物可以包括在你的家庭以及商业和工业场所发现的物品。通常分为几种类型。

• 废纸包括包装材料、报纸、纸板等。纸可以回收再用，因此应处置在回收箱。
• 金属大多产生工业或家庭废物。它可以循环利用，因此最好单独处理。
• 塑料垃圾包括袋子、罐子、瓶子等，这些都可以在家里找到。它是不可降解的，但大部分可以回收。塑料不应该与普通垃圾混合，它应该被分类并放在一个单独的垃圾箱里。回收塑料可以节省高达90%的能源消耗。下图显示了1950年至2015年期间产生的不同类型的塑料垃圾。结果表明，PP&A、PUR和PVC对塑料废弃物的贡献最大。废物流中最常见的聚合物是聚乙烯和聚丙烯，它们占生产的所有废塑料的一半以下。这主要是由于包装塑料和不可回收塑料的广泛使用。
• 陶瓷和玻璃——陶瓷废料根据原料来源分为两类。一类是由结构性陶瓷工厂产生的烧制陶瓷废料形成的，这些工厂只使用红色浆料制造产品。第二种包括炻器陶瓷中产生的烧制陶瓷废料。它是100%可回收的，因为与用原始材料生产玻璃相比，熔化旧玻璃的过程需要更少的能量。目前，欧洲高达60%的透明玻璃瓶和90%的绿色玻璃瓶已经由回收玻璃制成。
  
  $~~~~~~$      2.3.Organic Waste — 有机废物包括食品废物，花园废物，肥料和腐烂肉，被归类为有机废物。 1吨可生物降解的废料可产生约300-400 kg的堆肥，可用作农业或园林绿化中的有机肥料。 随着时间的流逝，由于有机废物被微生物转化为肥料，它们在垃圾填埋场中会产生甲烷，因此湿废物必须单独丢弃。
  $~~~~~~$      2.4.Ferrous metal — 它们是100%可回收的，可以回收无数次。在钢铁生产中使用黑色金属废料节省了自然资源和75%以上的钢铁生产所需的能源来自铁矿石。
  $~~~~~~$      2.5.Hazardous Waste — 它包括所有类型的废物，是易燃的，有毒的，腐蚀和反应。这些物品会对你和环境造成伤害，必须正确处理。
  

2. RECYCLING OF WASTE

$~~~~~~$      回收是将废料改良为新材料的方法。 它是“传统”废物处理的替代方法，不仅可以帮助减少温室气体排放，而且可以节省资源。 回收可以减少潜在有用材料的浪费并减少新鲜原料的消耗，从而减少能源使用，空气污染和水污染。如上所述，有些可以回收，有些不能回收，因此下表显示了回收的统计数据。 不同的废物。

$~~~~~~$      上方的柱状图以十年为间隔比较了美国在五十年时间范围内对纸张，玻璃，金属和塑料的回收率。 上面的绿色大条表示1960年至2010年之间的纸张回收率。多年来，美国的回收习惯不断增长，饮料容器的回收解释了1990年玻璃，塑料和金属回收率上升的原因。1990年，未提出院子修剪回收率 在最上面的条形图中，美国平均回收工作也占了很大一部分，到2010年，回收工作已达到其所有院子装饰的57.5％。

3. CURRENT SCENARIO

$~~~~~~$      在当今数字化的世界中，我们周围的所有事物都配备了现代技术和互联网，以简化我们的工作并提高效率。 但是，当今存在的废物管理系统与大多数国家/地区以前相同。 当前，在某些国家/地区，对于废物的收集，我们拥有门到门的收集系统，需要大量的努力和金钱。 废物收集者必须走访每个人的家，敲门，还必须等到每个居民将废物带到他们那里。 而且，居民必须有空以便在特定的时间收集废物，这带来了该系统的主要缺点⁵。
$~~~~~~$      同样在某些国家/地区，确实存在从每个殖民地的垃圾箱收集废物的系统，但是该系统也带来了一个缺点，就是很多时间垃圾箱被过度填充，并且没有从其中收集废物，因为废物被收集在 特定的一天，而不是根据其状态。 这也使垃圾箱成为促进细菌生长的场所，为动物喂食并成为昆虫的繁殖场所。 同样有时，事前会进行垃圾箱收集，这会浪费燃料并增加废物收集的成本。 因此，在每个步骤中，都不必要为该过程投入大量的燃料和金钱⁶。

4. NEED OF WASTE SEGREGATION

$~~~~~~$      废物分类至关重要，因为如果所有废物（例如聚乙烯袋，旧家具和电子废物）混入垃圾填埋场，可能会通过泄漏有害物质到大气中而导致土地和水受到污染。 此外，非隔离也影响气候变化，可能导致干旱。因此，在将垃圾倒入垃圾填埋场之前，有必要对垃圾进行分类。垃圾分类不仅重要，而且对人类有益。废物中可回收的部分经过分离处理后可回收成为有用的资源。这对当前面临资源短缺问题的社会具有重要意义。
$~~~~~~$      如果我们从源头上将废物分类，那么这将解决我们一半以上的任务，并且我们在管理固体废物方面面临的主要问题将大大减少。 只有我们需要采取负责任的行为才能实现废物分类的目标。 为了增加回收利用的活动，基本要求是集中于废物分类，这有助于识别废物中可降解和不可生物降解的部分。 由于可降解废物是有机的，其处置不会造成任何危害。不可生物降解的废物是有益于回收的无机部分。 最大的危险是当无机废物返回地球并提高污染程度时，还会对环境造成其他损害。 无机废料进入到处理废料的市场，进一步的分离将其分解成纸，塑料，金属等元素。这些废料最终通过市场链，到达使用该废料作为原料的制造商。

5. LITERATURE SURVEY

$~~~~~~$      本节介绍了利用不同技术对垃圾进行分类的各种研究工作。主要用于废物分类的三种技术，即物联网(IoT)、图像处理和深度学习。

$~~~~~~$      IoT based Segregation techniques
$~~~~~~$      在⁷中，作者SharanyaA等将垃圾分为三类，分别是金属类、湿类和干类，并将干类进一步分为纸类和塑料类。这项工作最重要的特点是，它不仅具有成本效益，而且与一个简单的设计紧凑，从而使废物管理系统更有说服力。在本文中，作者使用了Arduino UNO，它使系统的工作变得顺畅而便捷，从而使设计不那么复杂。 这些废物中的每一种均由相应的传感器检测，并放入分配给它们的垃圾箱中，这些废物可直接用于回收或再利用。一旦检测到它，便移至下一个传感器，即湿度传感器，该传感器指示存在的垃圾是湿的还是干的废物。 在被检测为干废物之后，它将移至下一个传感器，该传感器为感应接近传感器，该传感器显示垃圾是否为金属。下一个传感器是激光LDR模块，如果激光落在LDR上，则它不能通过则被识别为塑料，然后将材料确定为纸张。此模型的局限性很少，包括垃圾桶的尺寸应适合插槽尺寸，即100mm X 85mm，垃圾桶的宽度至少应为30mm。该系统一次只能分离一种废物，并为湿，金属和干废物分配优先级。 由于激光强度低，无法隔离不透明的塑料。
$~~~~~~$      在⁸中，作者Gopal KirshnaShyam等人。 提出了一种废物收集管理解决方案，该方案基于使用带传感器的物联网模型为废物箱提供情报。 它可以通过Internet收集，传输和读取大量数据。 当通过智能算法将此类数据置于时空处理和上下文中时，可用于动态管理废物收集机制。 进行了几种情况的仿真，以研究这种系统相对于传统系统的好处。 它负责测量废物箱中的废物水平，并将此数据发送到服务器进行存储和处理。 这些数据有助于为工人计算优化的收集路线。
$~~~~~~$      在⁹中，作者Aksan Surya Wijaya等人提出了可以在智慧城市项目中管理垃圾的智能垃圾桶。该系统由传感器组成，用来测量废物的重量和垃圾箱内废物的水平。该系统还适应了网络环境，实现了对垃圾信息的管理。称重传感器的校准方法，简化了校准过程，使它可以附加到常用的垃圾桶而无需修改。液位传感器也可以安装在普通的垃圾桶上。
$~~~~~~$      在¹⁰中，作者Sudharani Ashok Ghadage等人。 提议的系统“基于IoT的垃圾管理（监视和确认）系统”将提供有关垃圾箱溢出的智能解决方案。该系统使用超声波传感器感应垃圾箱中的垃圾水平，使用火焰传感器检测火和湿气 传感器分离干湿垃圾。 该系统有利于将干垃圾和湿垃圾分开存放，因此对不同种类的垃圾应采用不同的处理过程（包括堆肥，回收，焚化）。 通过提示垃圾填埋通知，应优化垃圾收集车的使用。
$~~~~~~$      在¹¹中，作者Pooja Shelaet等人。 提出了一种用于垃圾余量的智能警报系统，方法是向市政Web服务器发送信号，以即时清理垃圾箱，并根据垃圾填埋量进行适当验证。 该过程由超声波传感器辅助，超声波传感器与Arduino UNO相连，用于检查垃圾箱中垃圾的水平，并在垃圾箱溢出之前将警报发送到市政Web服务器。 清洁垃圾箱后，驱动程序将借助RFID标签验证清除垃圾的任务。 RFID用于验证过程。
$~~~~~~$      在¹²中，作者是M.S. Killedar等。 它是使用微控制器，红外传感器和Wi-Fi模块实现的智能垃圾管理系统。 他们的系统可确保当垃圾水平达到最高点时，便能尽快清洁垃圾箱。 如果垃圾箱在特定时间内未清洗，则将记录发送给上级机构，后者可以对有关承包商采取适当的措施。 该系统还有助于监视虚假报告，因此可以减少整个管理系统中的损坏。 这减少了垃圾收集车的行程总数，因此减少了与垃圾收集相关的总费用。 它最终有助于保持社会清洁。 因此，智能垃圾管理系统使垃圾收集更加高效。 这样的系统以需要采取的不同方式遭受系统中组件的掠夺。
$~~~~~~$      在¹³中，作者Kavya Balakrishnan等人提出了一种系统，该系统用于隔离由Arduino UNO板控制的三大类废塑料，有机废品和金属废品。 超声波传感器，电感式接近传感器，直流电动机，鼓风机和电磁体等所有其他部件均与Arduino传感器接口。 顾名思义，废物分类器将废物分为三大类：塑料，有机，金属。 提出的系统将能够规范固体废物收集过程和整个收集过程的管理。 入口部分设有打开和关闭机构，以调节废物流向输送机的流量。
$~~~~~~$      在¹⁴中，作者Abdul Kadir等人提出了一种系统，该系统通过使用废物类型检测系统根据重量和插入废物中的废物类型计算分数来奖励用户。 该系统消除了废物分类的问题，因为如果插入的废物类型与垃圾箱类型不匹配，则扣除了用户的积分，但是尚未确定废物的类型，并且仍然具有概念性。 而且，没有采取任何措施来消除废物收集的问题。

$~~~~~~$      Deep Learning and Image Processing Based Waste Segregation Techniques
$~~~~~~$      在¹⁵中，作者M.Vidhyalakshmi等。 提出了针对印度废物管理和废物分类问题的深度学习解决方案。 该系统使用人工智能和深度学习算法来检测垃圾，印度目前的隔离系统是人工和劳力，效率低下且速度慢，这种手动隔离还给隔离过程中的劳动者带来了各种健康危害 。 拟议的系统使用8051微控制器对废物进行分类，主要分为三类：金属废物，干废物和湿废物。系统的工作过程如下： 首先，摄像机捕获要分离的对象的图片，并使用训练后的数据对图片进行分析，然后使用边界算法识别对象。 该项目使用Caffe开源深度学习工具，因为它具有高速，可与所有OS兼容的操作能力以及可靠的结果。 但是，该系统的主要缺点是分离过程很费时，废物的大小也必须根据所使用的漏斗的大小加以限制，电子废物，医疗废物和废物的分离也受到限制。 卫生巾应由政府强制执行的规则和法律。
$~~~~~~$      在¹⁶中，作者阿里·坎·卡拉卡等人。 提出使用短波红外高光谱成像系统进行废物自动分类。 高光谱图像提供有关材料化学成分的重要信息，并且它们包含大量的光谱信息。 因此，已发现其可用于回收等应用领域。 由固有的化学特性产生的材料光谱提供了比其他诸如重量，形状，颜色等更强大的解决方案。 在该系统中，废料通过短波红外（SWIR）高光谱成像系统进行扫描。 并将其成功分类为六种塑料废物类型，分别是聚对苯二甲酸乙二酯（PET），高密度聚乙烯（HDPE），聚氯乙烯（PVC），低密度聚乙烯（LDPE），聚丙烯（PP）和聚苯乙烯（PS）和纸张 ，硬纸板，金属和玻璃样品使用合适的算法。 因此，总而言之，本文说高光谱成像可以提供更有效的废物分类。

$~~~~~~$      Comparative Analysis
$~~~~~~$      后详细研究各种技术用于分离过程的自动化,我们可以说,基于物联网的技术使用超过深度学习技术和图像处理技术和基于物联网的系统的优势是,它收集准确的实时数据和负载单元标定方法简化了标定过程。物联网系统的缺点是硬件昂贵。对于高速的深度学习，可以使用该技术，而对于低成本的图像处理技术可以使用。深度学习技术的缺点是需要大量的数据进行训练，另一方面，图像处理的缺点是不能将陶瓷废料分离成干废料，一次只能分离一种废料。
$~~~~~~$      
$~~~~~~$      
$~~~~~~$      

---

1. M. K. Pushpa, AayushiGupta, Shariq Mohammed Shaikh, Stuti Jha, Suchitra.V, “Microcontroller Based Automatic Waste Segregator”, International journal of innovative research in Electrical, Electronics,Instrumentation and Control Engineering Vol. 3, issue 5, May 2015. ↩︎

2. Amrutha Chandramohan, Joyal Mendonca, Nikhil Ravi Shankar, Nikhil U Baheti, Nitin Kumar Krishnan, Suma M S, Rashtreeya Vidyalaya College of Engineering (R.V.C.E.) “Automated Waste Segregator. ↩︎

3. L. S. Kumar, Nair, S. M., and Chandran.S, S., “Recovery Of Energy From Organic Fraction Of Municipal Solid Waste By High Solid Anaerobic Digestion”, The National Seminar on Contemporary Techniques in Environmental Research and Conservation (CTERC-2014). All Saints’ College, Thiruvananthapuram, 2014. ↩︎

4. P. Ash, Bist, A., and Chandran.S, S., “Moving towards Zero-Waste: A Case-Study from Kerala, India”, IEEE Global Humanitarian Technology Conference, South Asia Satellite Conference, Trivandrum, India, 2013. ↩︎

5. S. Mirchandani, S. Wadhwa, P. Wadhwa, and R. Joseph, “IoT enabled dustbins,” 2017 International Conference on Big Data, IoT and Data Science (BID), Pune, 2017, pp. 73-76. ↩︎

6. Saurabh Dugdhel, Pooja Shelar, SajuliJire, AnujaApte et al., “Efficient Waste Collection System”, 2016 International Conference on Internet of Things and Applications (IOTA), 22-24 Jan, 2016. ↩︎

7. Sharanya.A, U. Harika, N. Sriya, Sreeja Kochuvila “AUTOMATIC WASTE SEGREGATOR”.Department of Electronics and Communication Engineering Amrita School of Engineering, Bengaluru Amrita Vishwa Vidyapeetham Amrita University, India. ↩︎

8. G. K. Shyam, S. S. Manvi and P. Bharti, “Smart waste management using Internet-of-Things (IoT),” 2017 2nd International Conference on Computing and Communications Technologies (ICCCT), Chennai, 2017, pp. 199-203 ↩︎

9. Smart Waste Bin for Smart Waste Management.2017 5th International Conference on Instrumentation, Control, and Automation (ICA) Yogyakarta, Indonesia, August 9-11, 2017. Aksan Surya Wijaya, Zahir Zainuddin, Muhammad Niswar. ↩︎

10. S. A. Ghadage and M. N. A. Doshi, “IoT based garbage management (Monitor and acknowledgment) system: A review,” 2017 International Conference on Intelligent Sustainable Systems (ICISS), Palladam, 2017, pp. 642-644. ↩︎

11. “Efficient Waste Collection System” Saurabh Dugdhe1, Pooja Shelar, SajuliJire, and AnujaApte.Department of Computer Engineering K. K. Wagh Institute of Engineering Education and Research Savitribai Phule Pune University. ↩︎

12. IoT Based Smart Garbage and Waste Collection BinInternational Journal of Advanced Research in Electronics and Communication Engineering (IJARECE) Volume 5, Issue 5, May 2016 .S.S.Navghane1, M.S.Killedar, Dr.V.M.Rohokale3. ↩︎

13. Kavya Balakrishnan, Rosmi T B Swathy “Eco-Friendly Waste Segregator”.Department of Electronics and Communication Engineering, Holy Grace Academy of Engineering, Thrissur, Kerala, India. ↩︎

14. M. H. A. Wahab, A. A. Kadir, M. R. Tomari and M. H. Jabbar, “Smart Recycle Bin: A Conceptual Approach of Smart Waste Management with Integrated System,” 2014 International Conference on IT Convergence and Security (ICITCS), Beijing, 2014, pp. 1-4 ↩︎

15. S. Sudha, M. Vidhyalakshmi, K. Pavithra, K. Sangeetha and V. Swaathi, “An automatic classification method for environment: Friendly waste segregation using deep learning,” 2016 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR), Chennai, 2016, pp. 65-70. ↩︎

16. A. C. Karaca, A. Ertürk, M. K. Güllü, M. Elmas, and S. Ertürk, “Automatic waste sorting using shortwave infrared hyperspectral imaging system,” 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Gainesville, FL, 2013, pp. 1-4. ↩︎