《Journal of Environmental Management》：A smart recycling object identification system in vending machines based on edge computing platform and Petri net model
编辑推荐：
针对自动售货机产生的可回收物分类难题，本研究提出基于YOLOv7-tiny模型与HUB8735开发板的智能分拣系统，通过Petri网建模验证系统流程可靠性，实现98.9%的识别准确率，既创造售货机企业的二次资源利用商业模式，又推动环保与经济效益双赢，为分布式垃圾管理提供低成本AI解决方案。
林毅楠|徐晓洁|吴雅芬|沈维克托·R·L
明志科技大学电子工程系，台湾新北市泰山区贡川路84号，243
摘要
由于全球环境日益恶化，废物回收已成为环境保护的关键问题之一。根据Global Information, Inc.（GII）对自动售货机市场的研究，预计自动售货机市场规模未来将持续扩大，这也意味着由自动售货机产生的可回收物品问题将变得更加紧迫。针对这一趋势，本研究重点关注自动售货机中最常见的产品回收问题，并提出了一种利用物体识别技术帮助人类从自动售货机中分类可回收材料的系统。这不仅为自动售货机公司带来了新的商业机会，也有助于环境保护。该回收物体识别系统采用了YOLOv7-tiny作为训练模型，该模型在所有类别中的平均精度（mAP）达到了98.9%。该系统进一步与HUB8735集成，后者利用基于摄像头的物体识别技术来控制电机进行分类。通过使用Petri网（一种数学和图形建模工具）对操作流程进行了建模和验证，以确保其准确性和完整性。最后，成功开发出了一款可回收自动售货机，并对其运行进行了详细讨论。除了技术实现外，这项研究还为分散式废物管理提供了一种可扩展且成本效益高的解决方案，显示出相较于人工劳动的显著经济优势。通过提高回收资源的纯度并减少不当废物处理带来的碳足迹，该系统为将人工智能驱动的自动化技术融入全球循环经济提供了实用框架。
引言
当前世界正面临多重环境挑战，包括气候变化、海洋污染和生物多样性丧失。其中，废物回收已成为最紧迫的问题之一。无效的废物管理不仅对生态系统构成严重威胁，还阻碍了可再生资源的有效利用（Pasikhani等人，2025年）。低回收效率的主要原因之一是对人工分类的依赖，这限制了废物分类的细致程度和准确性（Vineet和Mehrdad，2024a年）。因此，许多可回收材料与普通废物混合在一起，最终被焚烧。
提高废物分类的效率可以降低回收相关的劳动力成本，并使人力资源重新分配到更高价值的分类任务中（Liu等人，2024年；Vineet和Mehrdad，2024a年）。尽管重新分配劳动力需要一定程度的再培训，但工人可以将从基本分类中节省下来的时间用于更高价值的任务。尽管自动化技术已得到广泛应用，但由于在识别特定材料方面的局限性，人工分类仍无法完全替代。因此，开发一种能够结合自动化效率与实际人工分类的系统对于实现长期经济效益至关重要（Pandey等人，2022年）。
为应对废物管理的实际挑战，本研究重点关注由自动售货机产生的可回收废物，深入研究了三种最常见的物品：聚对苯二甲酸乙二醇酯（PET）瓶、金属罐和Tetra Paks包装。与现有研究相比，本研究的创新之处在于其成本效益和实际应用的结合（Rehsi等人，2024年）。该系统使用低成本且高效的HUB8735开发板进行开发，同时解决了实际部署中的挑战并提出了可行的解决方案。
通过开发这一系统，本研究旨在实现两个主要目标。首先，它为自动售货机行业创造新的商业模式，例如实施收集到的可回收物的二次利用策略。其次，它有助于促进资源的高效回收和减少环境污染，从而在环境保护和经济发展两方面实现双重效益。
本文的其余部分安排如下：第2节介绍了相关文献和技术背景。第3节详细描述了实验设备和系统架构。第4节对实验数据进行了系统验证和深入分析。第5节总结了主要贡献并指出了未来研究方向。
市场趋势和废物特征
根据Global Information, Inc.（GII）的市场研究报告，到2024年底，全球自动售货机市场预计将达到215.7亿美元，并在2030年增长至277.7亿美元，复合年增长率（CAGR）为5.18%（《全球自动售货机市场分析》）。随着自动售货机的普及，与其使用相关的废物回收问题预计将成为一个重要的环境挑战。调查结果表明
技术背景
本小节详细解释了本研究中使用的核心技术及背景，包括深度学习模型（YOLOv7-tiny）、Google Colab、LabelImg、Petri网和WoPeD。
Petri网建模与验证
参考图6所示的系统操作流程图，本研究使用WoPeD（一种Petri网仿真工具）对系统工作流程进行建模和分析。构建的Petri网模型包含24个位置、19个转换（包括5个操作符）和47条弧线，如图7所示。建模过程生成的验证结果确认系统工作流程遵循Petri网的基本原则，证明了其完整性和无错误性
结论
本研究成功开发了一种适用于自动售货机的可回收物体识别系统，该系统基于边缘计算平台并采用了YOLOv7-tiny深度学习模型。该系统能够准确识别可回收材料，并具有以下贡献：
(1)本研究使用Petri网仿真工具WoPeD对自动售货机中的可回收物体识别系统进行了正式建模和验证。结果表明，该系统表现出
CRediT作者贡献声明
林毅楠：撰写——初稿、方法论、正式分析。徐晓洁：撰写——审稿与编辑、可视化、数据整理。吴雅芬：验证、方法论、概念化。沈维克托·R·L：监督、项目管理、概念化。
研究领域
智能回收物体识别系统。
利益冲突声明
作者声明在本文中不存在利益冲突。我们均同意在《环境管理杂志》上发表我们的研究成果。
致谢
作者非常感谢匿名审稿人的建设性意见，这些意见提高了本文的质量。此外，本研究得到了台湾国家科学技术委员会（NSTC）的资助（项目编号：114-2221-E-131-033-）
林毅楠1989年获得台湾国立工业技术学院电气工程学士学位；2000年获得台湾桃园市元泽大学计算机科学与工程硕士学位；2009年获得台湾桃园市长庚大学电气工程博士学位。自1990年起，他一直在台湾新北市泰山区的明志科技大学电气工程系工作，现任教授
