The Trashbox

The Trashbox数据集由蒂尔堡大学创建，包含约500张医疗废物图片，如注射器、手术手套、手术口罩和药品等。数据集还包含了大量塑料、纸张、金属和玻璃的图片，以增强模型的泛化能力。通过整合多个数据源，数据集在多样性方面得到了增强，但同时也存在类别不平衡的问题，通过数据增强技术对此进行了处理。该数据集用于评估结合胶囊网络的预训练DenseNet模型在医疗废物分类任务中的性能。The Trashbox Dataset was developed by Tilburg University. It contains approximately 500 images of medical waste, such as syringes, surgical gloves, surgical masks, pharmaceuticals and other similar items. Furthermore, the dataset includes a large volume of images featuring plastic, paper, metal and glass materials to enhance the generalization capability of the model. The diversity of the dataset is enhanced by integrating multiple data sources, yet it suffers from class imbalance issues which are addressed via data augmentation techniques. This dataset is used to evaluate the performance of a pre-trained DenseNet model combined with a capsule network in the medical waste classification task.

搜集汇总

数据集介绍

构建方式

The Trashbox 数据集的构建基于多个公开来源的医疗废物图像，涵盖了注射器、手术手套、手术口罩和药品等类别。为了增强数据集的多样性和泛化能力，研究者整合了来自不同数据源的图像，包括 The Trashbox 数据集、Images.cv 数据集以及 Kaggle 上的相关数据集。通过数据增强技术，如旋转和缩放，解决了类别不平衡问题，确保每个类别的图像数量相对均衡。所有图像经过预处理，统一调整为 224×224 像素，并进行了归一化处理，最终数据集被划分为训练集、验证集和测试集。

特点

The Trashbox 数据集的特点在于其多样性和复杂性。数据集涵盖了多种医疗废物类别，包括注射器、手术手套、手术口罩和药品等，且每个类别的图像数量经过数据增强后达到了相对均衡。此外，数据集中还包含了塑料、纸张、金属和玻璃等非医疗废物类别的图像，进一步增加了分类任务的挑战性。数据集的多样性使得模型在训练过程中能够更好地泛化，但也增加了分类的难度，尤其是在区分具有相似纹理和形状的废物类别时。

使用方法

The Trashbox 数据集的使用方法主要围绕医疗废物分类任务展开。研究者采用了三种模型配置进行评估：预训练的 DenseNet 模型作为基线、冻结层的 DenseNet 结合胶囊网络，以及解冻层的 DenseNet 结合胶囊网络。数据集通过 PyTorch 的 DataLoader 进行加载，支持批量处理和随机打乱，确保模型训练的高效性。实验结果表明，结合胶囊网络的混合模型在分类性能上优于基线模型，尤其是在处理具有复杂空间关系的医疗废物图像时表现出色。该数据集的使用不仅限于医疗废物分类，还可用于其他复杂图像分类任务的研究。

背景与挑战

背景概述

The Trashbox数据集由荷兰蒂尔堡大学的研究人员Bennet van den Broek和Javad Pourmostafa Roshan Sharami于2025年创建，旨在解决医疗废物分类中的关键问题。随着全球老龄化人口的增加，医疗废物的产生量显著上升，其不当处理不仅对环境造成严重威胁，还增加了公共卫生风险。医疗废物的准确分类对于优化回收流程和确保安全处置至关重要。该数据集通过整合多个公开来源的医疗废物图像，涵盖了注射器、手术手套、口罩等多种医疗废物类别，为深度学习模型提供了丰富的训练数据。研究团队首次将胶囊网络（Capsule Networks）与预训练的DenseNet模型结合，探索其在医疗废物分类中的有效性。实验结果表明，胶囊网络的引入显著提升了分类性能，F1分数从0.89提升至0.92，展示了其在处理复杂图像变换和空间关系方面的潜力。

当前挑战

The Trashbox数据集在构建和应用过程中面临多重挑战。首先，医疗废物图像的复杂性较高，包含不规则形状、尺寸变化和多种变换形式，这对传统卷积神经网络（CNN）的分类能力提出了严峻考验。胶囊网络虽然能够更好地捕捉空间关系，但其计算复杂度较高，训练时间较长。其次，数据集的构建过程中存在类别不平衡问题，某些类别的图像数量较少，需要通过数据增强技术来缓解这一问题。此外，由于医疗废物分类涉及的环境和公共卫生风险较高，模型的鲁棒性和泛化能力至关重要。尽管胶囊网络在实验中表现出色，但其在更大规模、更复杂数据集上的表现仍需进一步验证。未来的研究需要探索更精细的模型架构优化、数据增强技术的扩展，以及在实际医疗废物管理系统中的应用效果，以进一步提升分类性能并推动其在现实场景中的广泛应用。

常用场景

经典使用场景

The Trashbox数据集在医疗废物分类领域具有广泛的应用，尤其是在结合胶囊网络（Capsule Networks）和预训练的DenseNet模型时，展现了其在复杂图像分类任务中的潜力。该数据集通过整合多个公开来源的医疗废物图像，涵盖了诸如注射器、手术手套、口罩等多样化的医疗废物类别，为模型训练提供了丰富的样本。其经典使用场景包括医疗废物自动分类系统的开发与优化，特别是在处理具有不规则形状、尺寸和角度的医疗废物图像时，胶囊网络的引入显著提升了分类的鲁棒性和准确性。

衍生相关工作

The Trashbox数据集的发布推动了多个相关研究工作的开展，尤其是在医疗废物分类领域。基于该数据集的研究工作探索了胶囊网络与其他深度学习模型的结合，如DenseNet、ResNet等，进一步优化了分类性能。此外，该数据集还激发了更多关于数据增强、模型微调和多类别分类的研究。例如，一些研究通过扩展数据集的多样性，探索了胶囊网络在更复杂场景下的应用潜力。这些衍生工作不仅丰富了医疗废物分类的研究成果，还为其他领域的图像分类任务提供了新的思路和方法。

数据集最近研究

最新研究方向

近年来，医疗废物分类领域的研究逐渐聚焦于深度学习模型的创新应用，尤其是胶囊网络（Capsule Networks）与传统卷积神经网络（CNN）的结合。胶囊网络通过保留特征之间的空间关系，能够有效应对医疗废物图像中复杂物体的旋转、缩放和变形问题。研究表明，将胶囊网络与预训练的DenseNet模型结合，能够显著提升分类性能，F1分数从0.89提升至0.92。这一进展不仅解决了传统CNN在空间特征捕捉上的局限性，还为医疗废物管理的自动化和精准化提供了新的技术路径。未来研究将进一步探索胶囊网络架构的优化、数据增强技术的扩展以及模型在标准化数据集上的评估，以推动其在医疗废物分类中的实际应用。

相关研究论文

• Improving Medical Waste Classification with Hybrid Capsule Networks

  蒂尔堡大学 · 2025年