Sustainable and green waste management has become increasingly crucial due to the rising volume of waste driven by urbanization and population growth. Deep learning models based on image recognition offer potential for advanced waste classification and recycling methods. However, traditional image recognition approaches usually rely on single-label images, neglecting the complexity of real-world waste occurrences. Moreover, there is a scarcity of recognition efforts directed at actual municipal waste data, with most studies confined to laboratory settings. Therefore, we introduce an efficient Query2Label (Q2L) framework, powered by the Vision Transformer (ViT-B/16) as its backbone and complemented by an innovative asymmetric loss function, designed to effectively handle the complexity of multi-label waste image classification. Our experiments on the newly developed municipal waste dataset “Garbage In, Garbage Out”, which includes 25,000 street-level images, each potentially containing up to four types of waste, showcase the Q2L framework’s exceptional ability to identify waste types with an accuracy exceeding 92.36%. Comprehensive ablation experiments, comparing different backbones, loss functions, and models substantiate the efficacy of our approach. Our model achieves superior performance compared to traditional models, with a mean average precision increase of up to 2.39% when utilizing the asymmetric loss function, and switching to ViT-B/16 backbone improves accuracy by 4.75% over ResNet-101.

Microscopic traffic flow modeling is crucial for predicting future traffic demand and optimizing the design of transportation systems. At the microscopic level, a well-crafted model is capable of describing the interactions and dynamic variations among vehicles with greater accuracy. The cell scale in the classical cellular automaton (CA) multi-lane traffic flow model is a critical parameter to accurately express the location relationship of vehicles. In this paper, a new method based on Symmetric Two-lane Cellular Automaton (STCA), entitled STCA-X, is proposed for the cell scale selection. Firstly, the position, velocity, acceleration, and interaction of vehicle operation in the urban multi-lane environment are analyzed, and a feature model is built based on CA. One important drawback of the existing models is that they do not match the vehicle movement in the actual lane. To handle this problem, a fine-scale CA multi-lane model is developed. Secondly, a new traffic flow model is created by redefining several key behaviors such as road following, lane changing, and blocking in the STCA model. The experimental results are analyzed and compared with several of the state-of-the-art methods. Analysis of the simulation results proves that STCA-X improves vehicle lane change frequency and lane utilization efficiency. However, the enhancements in the model have resulted in increased computational complexity. Consequently, future research will delve into novel approaches to boost computational efficiency, thereby propelling the progress of traffic flow modeling technology.

Underwater visible light (UVLC) system based on a single transceiver-integrated micro-light-emitting diode (μLED) pixel, especially μLED devices suitable for this multifunctional application, were rarely reported. This study improved the external quantum efficiency and modulation bandwidth of green μLEDs by using an InGaN pre-layer to mitigating lattice mismatch and minimizing quantum confined stark effect. Moreover, pre-layer region increased absorbed optical length and the photogenerated carriers in this region were screened from radiation recombination, which significantly increased the responsivity of the μLED PD when turned on. At 3.9 V bias, remarkable responsivity up to of 0.42 and 0.14 A/W for 405 and 450 nm were obtained, respectively. The increased thickness of the active region also leads to a decrease in the junction capacitance and improves the receiving bandwidth. Based on the transceiver performance improvement, we developed a 1.05 Gbps full-duplex UVLC system with single green μLED simultaneously acting as receiver and transmitter for the uplink and downlink, respectively. The single μLED functioned similar to an underwater transceiver antenna. The device achieved a power-conversion efficiency of 14.7% for blue light when used as a photovoltaic cell. Thus, this multifunctional μLED can facilitate the realization of miniaturized underwater optical antennas with low power consumption and high integration.