🤖 AI

Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

यह शोध पत्र जर्मनी में स्वचालित अपशिष्ट छंटनी के लिए 'वन-वर्सेस-ऑल' और 'वन-वर्सेस-रेस्ट' वर्गीकरण रणनीतियों का मूल्यांकन करता है, जो नगर पालिका-विशिष्ट छंटनी योजनाओं को समायोजित करते हुए, गलत वर्गीकरण में कमी और मानव एनोटेशन प्रयास के बीच संतुलन बनाने के लिए एक कॉन्फिडेंस-गाइडेड ह्यूमन-इन-द-लूप दृष्टिकोण का उपयोग करता है।

मूल लेखक: Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।

बड़ी तस्वीर: एक स्मार्ट असिस्टेंट के साथ कचरा छाँटना

कल्पना कीजिए कि आप एक ऐसे शहर में रहते हैं जहाँ कचरा फेंकने के नियम बहुत पेचीदा हैं। एक पड़ोस में, पिज्जा बॉक्स "कागज" (Paper) वाले डिब्बे में जाता है; अगले शहर में, वह "सामान्य कचरे" (General Waste) के डिब्बे में जाता है। इस भ्रम के कारण बहुत सारा कचरा गलत जगह फेंक दिया जाता है, जिससे हमारी चीजों को रीसायकल करने की क्षमता (जिसे पेपर में "सर्कुलर इकोनॉमी" कहा गया है) को नुकसान पहुँचता है।

इस पेपर के लेखकों ने एक स्मार्ट मोबाइल ऐप बनाने की कोशिश की है जो एक मददगार असिस्टेंट की तरह काम करता है। आप अपने कचरे की एक फोटो खींचते हैं, और ऐप आपको बताता है कि आपको कौन सा डिब्बा इस्तेमाल करना चाहिए। इसे काम करने के लायक बनाने के लिए, उन्हें कंप्यूटर (आर्टिफिशियल इंटेलिजेंस) को अलग-अलग प्रकार के कचरे को पहचानना सिखाना था।

मुख्य प्रश्न: कंप्यूटर को कैसे "सोचना" चाहिए?

मुख्य समस्या जिसका यह पेपर समाधान करता है, वह यह है: कंप्यूटर को कचरा छाँटने के लिए सिखाने का सबसे अच्छा तरीका क्या है?

उन्होंने दो अलग-अलग "पढ़ाने के तरीकों" (वर्गीकरण रणनीतियों) की तुलना की:

"ऑल-इन-वन" कोच (One-vs-All / OvA):
- उदाहरण: कल्पना कीजिए कि एक अकेला शिक्षक छह छात्रों (जो छह प्रकार के कचरे का प्रतिनिधित्व करते हैं: कागज, प्लास्टिक, कांच, आदि) के सामने खड़ा है। शिक्षक कचरे के एक टुकड़े को देखता है और पूछता है, "तुम में से यह किसका है?" शिक्षक उस छात्र को चुनता है जिसे सबसे अधिक आत्मविश्वास (confidence) होता है।
- यह कैसे काम करता है: कंप्यूटर सभी छह प्रकारों के बीच अंतर करने के लिए एक बड़ा नियम सीखता है।
"विशेषज्ञों" की टीम (One-vs-Rest / OvR):
- उदाहरण: कल्पना कीजिए कि छह अलग-अलग विशेषज्ञों की एक टीम है। प्रत्येक विशेषज्ञ केवल एक ही चीज़ को पूरी तरह से जानता है।
  - विशेषज्ञ A केवल जानता है: "क्या यह कागज है या कागज नहीं?"
  - विशेषज्ञ B केवल जानता है: "क्या यह प्लास्टिक है या प्लास्टिक नहीं?"
  - और इसी तरह।
- यह कैसे काम करता है: कंप्यूटर सभी छह विशेषज्ञों से पूछता है। यदि "कागज" विशेषज्ञ कहता है "हाँ!" और बाकी सब कहते हैं "नहीं," तो वह कागज है। यदि दो विशेषज्ञ एक ही समय में "हाँ!" चिल्लाते हैं, तो कंप्यूटर भ्रमित हो जाता है।

प्रयोग: गोस्लर का कचरा (Goslar's Trash)

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने जर्मनी के गोस्लर शहर के डेटा का उपयोग करके एक वास्तविक परीक्षण बनाया।

उन्होंने कचरे (जैसे बोतलें, कैन, खाद्य अवशेष और कांच) की 22,000 से अधिक तस्वीरें एकत्र कीं।
उन्होंने सुनिश्चित किया कि तस्वीरें वास्तविक जीवन जैसी दिखें (कुछ गंदी थीं, कुछ छाया में थीं, कुछ सड़क पर थीं) ताकि AI केवल साफ तस्वीरों को याद न कर ले।
उन्होंने दोनों "ऑल-इन-वन" कोच और "विशेषज्ञों" की टीम को उन्हीं तस्वीरों पर प्रशिक्षित किया और फिर उन्हें नई, अनदेखी तस्वीरों पर परखा।

परिणाम: कौन जीता?

1. समग्र सटीकता (सबसे अधिक सही किसने पहचाना?)

विजेता: "ऑल-इन-वन" कोच (OvA) थोड़ा बेहतर था। इसने कुल मिलाकर कम गलतियाँ कीं।
उपविजेता: "विशेषज्ञों" की टीम (OvR) ने कुछ अधिक गलतियाँ कीं (2,000 परीक्षणों में लगभग 5 अधिक त्रुटियाँ)।

2. "आत्मविश्वास" का परीक्षण (किसे पता है कि वह अनिश्चित है?)
यह इस पेपर का सबसे दिलचस्प हिस्सा है। शोधकर्ताओं ने जानना चाहा: यदि कंप्यूटर अनिश्चित है, तो क्या हम उसे मदद के लिए इंसान से पूछने के लिए कह सकते हैं?

"ऑल-इन-वन" कोच: जब यह कोच गलत होता है, तो यह अक्सर गलत होने के बारे में भी बहुत आश्वस्त (confident) होता है। यह उस छात्र की तरह है जो 100% निश्चित है कि वह सही है, लेकिन वास्तव में वह गलत है। क्योंकि यह इतना आश्वस्त है, सिस्टम इसे मानवीय समीक्षा के लिए नहीं भेजता, और गलती निकल जाती है।
"विशेषज्ञों" की टीम: यह टीम यह बताने में बहुत बेहतर है कि वह कब भ्रमित है।
- कभी-कभी, दो विशेषज्ञ एक साथ "हाँ!" चिल्लाते हैं (जैसे, "यह प्लास्टिक है!" और "यह कांच है!")। यह संघर्ष उच्च अनिश्चितता (high uncertainty) का संकेत देता है।
- कभी-कभी, कोई भी विशेषज्ञ निश्चित नहीं होता (सभी कहते हैं "शायद")।
- जादू: शोधकर्ताओं ने पाया कि यदि वे इंसानों से केवल उन तस्वीरों की जाँच करने के लिए कहते थे जहाँ "विशेषज्ञों" की टीम भ्रमित थी (विशेष रूप से जब विशेषज्ञों के बीच असहमति या अनिश्चितता थी), तो वे कुल गलतियों के 50% से अधिक को पकड़ सकते थे, जबकि उन्होंने इंसान को कुल तस्वीरों के 5% से भी कम को देखने के लिए कहा।

यह क्यों मायने रखता है?

पेपर निष्कर्ष निकालता है कि हालांकि "ऑल-इन-वन" कोच समग्र रूप से अधिक सटीक है, लेकिन "विशेष विशेषज्ञों" की टीम यह जानने में बहुत बेहतर है कि उसकी सीमाएँ क्या हैं।

लचीलापन (Flexibility): यदि कोई शहर अपने नियम बदलता है (जैसे, "अब हम पिज्जा बॉक्स को रीसायकल करते हैं!"), तो पूरे सिस्टम को फिर से प्रशिक्षित किए बिना एक "विशेषज्ञ" को बदलना आसान है।
ह्यूमन-इन-द-लूप (Human-in-the-Loop): "विशेषज्ञों" वाला दृष्टिकोण उस सिस्टम के लिए एकदम सही है जहाँ एक इंसान कठिन मामलों की समीक्षा करता है। यह मानव के समय को बचाता है क्योंकि यह केवल उस कचरे को फ्लैग करता है जो वास्तव में भ्रमित करने वाला है, न कि इंसानों को सब कुछ चेक करने के लिए कहता है।

सारांश

यह पेपर दिखाता है कि एक स्मार्ट कचरा छँटाई ऐप के लिए:

यदि आप केवल उच्चतम स्कोर चाहते हैं, तो सिंगल कोच (OvA) का उपयोग करें।
यदि आप एक ऐसा सिस्टम चाहते है जो लचीला हो और यह जानता हो कि इंसान से मदद कब मांगनी है ताकि अपनी गलतियों को सुधारा जा सके, तो विशेषज्ञों की टीम (OvR) का उपयोग करें।

यह संतुलन "सर्कुलर इकोनॉमी" को सफल बनाने के लिए महत्वपूर्ण है, जहाँ संसाधनों का कुशलतापूर्वक पुन: उपयोग किया जाता है, और मानवीय प्रयास का उपयोग AI की कमियों को ठीक करने के लिए समझदारी से किया जाता है।

तकनीकी सारांश: चक्रीय अर्थव्यवस्था (Circular Economy) के लिए कुशल अपशिष्ट छँटाई

समस्या विवरण
चक्रीय अर्थव्यवस्था (Circular Economy) की ओर संक्रमण जटिल अपशिष्ट निपटान नियमों के कारण बाधित हो रहा है, जो यूरोपीय नगर पालिकाओं में काफी भिन्न होते हैं। उदाहरण के लिए, जर्मनी में, संघीय राज्यों के बीच ही नहीं, बल्कि व्यक्तिगत जिलों के बीच भी छँटाई संबंधी आवश्यकताएं अलग-अलग होती हैं। यह विषमता निवासियों के लिए कचरे का सही ढंग से निपटान करना कठिन बना देती है, जिससे संदूषण (contamination) की उच्च दर (जैसे, जर्मनी में प्लास्टिक कचरे का 30% तक गलत तरीके से निपटाया जाता है) और उपचार लागत में वृद्धि होती है। जबकि AI-आधारित मोबाइल एप्लिकेशन निवासियों का मार्गदर्शन करके एक संभावित समाधान प्रदान करते हैं, मौजूदा प्रणालियों में विशिष्ट स्थानीय छँटाई योजनाओं के अनुकूल होने के लिए आवश्यक कॉन्फ़िगरबिलिटी (configurability) की कमी होती है। इसके अलावा, मानक मल्टी-क्लास क्लासिफिकेशन दृष्टिकोण मॉड्यूलरिटी (modularity) के लिए संघर्ष करते हैं; नए नियमों के अनुकूल मॉडल को अनुकूलित करने के लिए आमतौर पर पूर्ण रिट्रेनिंग (retraining) की आवश्यकता होती है। इसके अतिरिक्त, भविष्यवाणिय प्रदर्शन (predictive performance) और मानव एनोटेशन प्रयास के बीच संतुलन बनाने की आवश्यकता है, विशेष रूप से अत्यधिक मैनुअल श्रम के बिना मानव समीक्षा के लिए अनिश्चित नमूनों की पहचान करना।

कार्यप्रणाली (Methodology)
लेखकों ने दो प्रमुख वर्गीकरण रणनीतियों: वन-वर्सेस-ऑल (One-vs-All - OvA) और वन-वर्सेस-रेस्ट (One-vs-Rest - OvR) का मूल्यांकन और तुलना की, जिसमें गोस्लर, जर्मनी की अपशिष्ट छँटाई योजना के अनुरूप एक डेटासेट का उपयोग किया गया।

डेटासेट निर्माण: अध्ययन ने TACO और TrashNet डेटासेट के चित्रों को एक स्थानीय ढांचे में मर्ज और मैप करके बनाए गए छह-वर्ग वाले अपशिष्ट प्रबंधन डेटासेट का उपयोग किया। अंतिम श्रेणियों में जैविक अपशिष्ट (Organic Waste), कागज अपशिष्ट (Paper Waste), प्लास्टिक और धातु अपशिष्ट (Plastic and Metal Waste), रीसाइक्लिंग सेंटर (Recycling Center), ग्लास (Glass), और अवशिष्ट अपशिष्ट (Residual Waste) शामिल थे। डेटासेट को 18,515 प्रशिक्षण, 2,000 सत्यापन और 2,000 परीक्षण छवियों में विभाजित किया गया था।
OvA रणनीति: एक सिंगल मल्टी-क्लास क्लासिफायर बनाया गया था जिसमें एक प्री-ट्रेंड इनसेप्शनV3 (InceptionV3) बैकबोन (ImageNet) के साथ कस्टम ग्लोबल एवरेज पूलिंग (Global Average Pooling), फुली कनेक्टेड (FC), और ड्रॉपआउट लेयर्स का उपयोग किया गया। आउटपुट लेयर ने छह वर्गों के बीच एक सामान्यीकृत संभाव्यता वितरण (normalized probability distribution) उत्पन्न करने के लिए सॉफ्टमैक्स (Softmax) एक्टिवेशन फंक्शन का उपयोग किया।
OvR रणनीति: छह स्वतंत्र बाइनरी क्लासिफायर प्रशिक्षित किए गए, जिनमें से प्रत्येक एक लक्षित वर्ग के लिए था। प्रत्येक क्लासिफायर ने समान इनसेप्शनV3 बैकबोन और आर्किटेक्चर का उपयोग किया लेकिन अपने एकल आउटपुट न्यूरॉन के लिए सिग्मॉइड (Sigmoid) एक्टिवेशन फंक्शन का उपयोग किया। एक विशिष्ट क्लासिफायर के लिए सकारात्मक नमूने उस लक्षित वर्ग के उदाहरण थे, जबकि नकारात्मक नमूने अन्य सभी वर्गों के शामिल थे।
कॉन्फिडेंस-गाइडेड विश्लेषण (Confidence-Guided Analysis): गलत वर्गीकरण दरों और मानव एनोटेशन प्रयास के बीच के ट्रेड-ऑफ को संबोधित करने के लिए, लेखकों ने विभिन्न कॉन्फिडेंस थ्रेशोल्ड (confidence thresholds) लागू किए। परीक्षण नमूनों को भविष्यवाणी संभावनाओं के आधार पर चार समूहों में वर्गीकृत किया गया:
1. हाई-कॉन्फिडेंस (ग्रुप 1): एक वर्ग जिसके लिए $p \ge 0.95$ है।
2. सिंगल-वोट (ग्रुप 2): एक वर्ग जिसके लिए $0.50 < p < 0.95$ है।
3. मल्टी-वोट (ग्रुप 3): कई वर्ग जिनके लिए $0.50 < p < 0.95$ है (केवल OvR के लिए विशिष्ट)।
4. नो-वोट (ग्रुप 4): सभी वर्ग जिनके लिए $p \le 0.50$ है।

मुख्य परिणाम

कुल सटीकता (Overall Accuracy): OvA रणनीति ने मामूली रूप से उच्च समग्र सटीकता प्राप्त की, जिसमें OvR रणनीति के 54 गलत वर्गीकरणों की तुलना में 49 चित्र गलत वर्गीकृत हुए।
त्रुटि पैटर्न (Error Patterns): केवल 29 चित्र दोनों रणनीतियों द्वारा सामान्य रूप से गलत वर्गीकृत किए गए थे, जो प्रत्येक दृष्टिकोण के लिए विशिष्ट त्रुटि पैटर्न को दर्शाता है।
अनिश्चितता की पहचान:
- OvA: यह रणनीति अनिश्चित नमूनों की पहचान करने में संघर्ष करती है। ग्रुप 3 में कोई नमूना नहीं था (क्योंकि संभावनाओं का योग 1 होता है), और ग्रुप 4 में केवल 2 नमूने थे (दोनों गलत वर्गीकृत)। परिणामस्वरूप, ग्रुप 3 और 4 को लक्षित करने से केवल ~4% गलत वर्गीकरण पकड़े गए। हाई-कॉन्फिडेंस त्रुटियां (ग्रुप 1) पकड़ना कठिन था, क्योंकि 27 गलत वर्गीकृत नमूने उच्च अनुमानित संभावनाओं के कारण "खो" गए थे।
- OvR: इस रणनीति ने अनिश्चित नमनों को फ्लैग करने में बेहतर क्षमता प्रदर्शित की। ग्रुप 3 (मल्टी-वोट) और ग्रुप 4 (नो-वोट) में त्रुटियों का एक महत्वपूर्ण संकेंद्रण था। विशेष रूप से, ग्रुप 3 और 4 पर ध्यान केंद्रित करने से 50% से अधिक गलत वर्गीकरणों की पहचान की जा सकी, जबकि कुल डेटा के 5% से कम का मानव एनोटेशन आवश्यक था। केवल ग्रुप 4 पर ध्यान केंद्रित करने से 2.5% से कम एनोटेशन प्रयास के साथ 35% से अधिक गलत वर्गीकरणों की पहचान की गई।

महत्व और दावे
पेपर का दावा है कि जबकि OvA रणनीति मल्टी-क्लास अपशिष्ट छँटाई के लिए थोड़ी बेहतर कच्ची सटीकता (raw accuracy) प्रदान करती है, OvR रणनीति पुनरावृत्त मॉडल शोधन (iterative model refinement) और अनुकूलन क्षमता के लिए बेहतर है। इस कार्य का महत्व यह प्रदर्शित करने में है कि OvR:

मॉड्यूलरिटी बढ़ाता है: यह पूरे सिस्टम को फिर से प्रशिक्षित किए बिना अपशिष्ट श्रेणियों (जैसे, नई नगर पालिका विनियमों के अनुपालन के लिए) को चुनिगत रूप से जोड़ने या हटाने की अनुमति देता है।
ह्यूमन-इन-द-लूप प्रयासों को अनुकूलित करता है: यह अनिश्चित नमूनों की पहचान करने के लिए एक अधिक प्रभावी तंत्र प्रदान करता है, जिससे त्रुटियों के एक बड़े हिस्से को ठीक करने के लिए आवश्यक एनोटेशन प्रयास काफी कम हो जाता है।
चक्रीय अर्थव्यवस्था के लक्ष्यों का समर्थन करता है: विकेंद्रीकृत स्थानीय नियमों के अनुकूल होने वाला एक कॉन्फ़िगर करने योग्य ढांचा प्रदान करके, OvR दृष्टिकोण अपशिष्ट छँटाई के लिए स्केलेबल, उपयोगकर्ता के अनुकूल उपकरणों की तैनाती का समर्थन करता है।

लेखक निष्कर्ष निकालते हैं कि भविष्य के कार्यों को दोनों रणनीतियों की पूरक शक्तियों का लाभ उठाने के लिए एंसेम्बल फ्रेमवर्क (ensemble frameworks) का अन्वेषण करना चाहिए और एडेप्टिव थ्रेशोल्ड को हाइपरपैरामीटर के रूप में जांचना चाहिए।