انتشارات شهرداری تهران سیاست گذاری پیشرفت شهری 3092-653X مقالات آماده انتشار 2026 05 25 Intelligent Detection and Separation of Recyclable Urban Waste Using a Deep Learning-Based Computer Vision Model تشخیص و جداسازی هوشمند پسماندهای شهری قابل بازیافت با استفاده از مدل بینایی ماشین مبتنی بر یادگیری عمیق 244307 10.22034/judpm.2026.582800.1106 FA علی جلوخانی دانشکده کامپیوتر، دانشکده فنی دانشگاه تهران 0009-0005-6369-6265 Journal Article 2026 05 23 Urban waste management is one of the major environmental and economic challenges in modern cities. A considerable part of municipal solid waste consists of recyclable materials such as cardboard, glass, metal, paper, and plastic. Accurate detection and separation of these materials can improve recycling quality and reduce the environmental burden of urban waste. This study proposes a deep learning-based computer vision framework for intelligent detection and separation of recyclable urban waste. Unlike single-label image classification methods, the proposed framework performs multi-instance object detection and generates a bounding box, class label, and confidence score for each detected item. The architecture includes preprocessing and augmentation, lightweight feature extraction, a combined attention module, multi-level feature fusion, and a final detection stage. The dataset contains 4250 images and 6815 annotated waste instances. The proposed method achieved Precision, Recall, F1-score, mAP@0.5, and mAP@0.5:0.95 values of 0.934, 0.919, 0.926, 0.947, and 0.742, respectively. The results indicate that the proposed framework can support automated waste sorting systems, smart bins, robotic separators, and recycling facilities. با افزایش حجم پسماندهای شهری و اهمیت بازیافت در کاهش آلودگی محیط‌زیست، جداسازی دقیق مواد قابل بازیافت به یکی از مراحل مهم مدیریت هوشمند پسماند تبدیل شده است. روش‌های سنتی تفکیک پسماند معمولاً وابسته به نیروی انسانی بوده و در مقیاس‌های بزرگ با محدودیت‌هایی مانند سرعت پایین، خطای انسانی، هزینه عملیاتی بالا و خطرات بهداشتی همراه هستند. در این پژوهش، یک چارچوب مبتنی بر بینایی ماشین و یادگیری عمیق برای تشخیص و جداسازی هوشمند پسماندهای شهری قابل بازیافت ارائه می‌شود. هدف روش پیشنهادی، تشخیص و مکان‌یابی پسماندها در پنج گروه اصلی شامل مقوا، شیشه، فلز، کاغذ و پلاستیک است. برخلاف روش‌های طبقه‌بندی ساده که تنها یک برچسب برای کل تصویر تولید می‌کنند، چارچوب پیشنهادی قادر است در تصاویر تک‌شیء و چندشیء، چند نوع پسماند را به‌صورت هم‌زمان شناسایی کرده و برای هر نمونه، جعبه محدودکننده، کلاس و امتیاز اطمینان تولید کند. در معماری پیشنهادی، از استخراج ویژگی سبک، ماژول توجه ترکیبی و تلفیق ویژگی‌های چندسطحی استفاده شده است تا سامانه بتواند ویژگی‌های ظاهری، بافتی و ساختاری مواد مختلف را بهتر تشخیص دهد. مجموعه‌داده مورد استفاده شامل 4250 تصویر و 6815 نمونه برچسب‌خورده در قالب جعبه محدودکننده است. نتایج آزمایش‌ها نشان داد روش پیشنهادی با دستیابی به Precision برابر با 0.934، Recall برابر با 0.919، F1-score برابر با 0.926، مقدار mAP@0.5 برابر با 0.947 و مقدار mAP@0.5:0.95 برابر با 0.742 عملکرد مناسبی در تشخیص و مکان‌یابی پسماندهای قابل بازیافت دارد. بر اساس نتایج، روش پیشنهادی می‌تواند در سامانه‌هایی مانند خطوط تفکیک خودکار، سطل‌های هوشمند و ربات‌های جداساز مورد استفاده قرار گیرد.