基于深度学习的卫生保健废物分类，符合尼泊尔的垃圾桶颜色指南.pdfVIP

基于深度学习的卫生保健废物分类，符合尼泊尔的垃

圾桶颜色指南

SumanKunwarPrabeshRai

DWaste,USALambtonCollege,Canada

sumn2u@raiprabesh775@

Abstract

本尼泊尔医疗设施数量的增加也给管理医疗卫生废物（HCW）带来了更多挑

译战。不适当的分类和处置HCW会导致污染、传播传染病，并对废物处理人员

中构成风险。本研究使用分层K折技术对最先进的废物分类模型进行了基准

测试：ResNeXt-50、EfficientNet-B0、MobileNetV3-S、YOLOv8-n和YOLOv5-

1s，其中我们在合并的HCW数据上使用了5个折叠，并发现YOLOv5-s实

v

0现了95.06%的高准确率，但在推理速度方面比YOLOv8-n模型慢了几毫秒。

5EfficientNet-B0显示出了93.22%的较高准确率但需要最长的推理时间。进行

4了重复ANOVA以查看统计显著性，并将最佳性能模型（YOLOv5-s）部署

7

0到网络中，使用尼泊尔HCW管理标准映射了颜色供公众使用。建议进一步

.

8对数据进行研究并考虑本地化背景。

0

5

2Keywords:医疗卫生废物，深度学习，废物分类，计算机视觉，尼泊尔医疗卫生废物标准

:

v

i

x1介绍

r

a

管理医疗废物是一项迫在眉睫的挑战，由医疗机构不断增加的废弃物产生所驱动。不当的分

类和处置医疗废物会导致传染病的传播、污染并对废料处理人员构成风险。传统上，医疗废

物处理通常是手动进行的，这往往劳动密集、容易出错并威胁到废料处理人员的安全。许多

研究人员已经证明了人工智能驱动的解决方案在自动废料分拣及其管理方面的可行性。

研究应用了深度学习（DL）ResNeXt-50[1]和EfficientNet_B7[2]模型，并采用迁移学习在医

疗废物分类中获得了更高的准确性结果，即使数据集较小也是如此。物联网与YOLOv5[3]、

YOLOv8[4]和MobileNetV3[5]等模型的结合，在自动分拣医疗垃圾方面展示了实际应用中

的良好效果。

在该研究中，周等人使用了ResNeXt-50并在一个八类私有数据集上达到了97.2%的准确率，

而其他微调迁移学习则使用EfficientNet-B7模型并在六类数据集上实现了99%的准确率。借

助传感器、机械臂和边缘设备进行自动化分类也显示出了有希望的结果。这些方法报告了

97.93%的准确率，突显了在医疗环境中的实际部署[6]。在该研究中，莫克塔尔等人使用YOLO

结合IoT来检测HCW，并使用6,7860张图像实现了98%的mAP。

随着有前景的结果，小数据集规模、图像质量差和受控环境测试等挑战依然存在，引发了人

们对可扩展性、基础设施可行性以及与现有废物管理系统采用的担忧[7]。这提出了扩大数

据集以泛化检测的需求，实现实时部署的真实世界设置需求，以及将AI与IoT集成以实现

自动化的需求。

在尼泊尔，有16,611个卫生保健设施[8]