2024. — Т 11. — №2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/04inor224.html

This article metadata is also available in English

DOI: 10.15862/04INOR224 (https://doi.org/10.15862/04INOR224)

Полный текст статьи в формате PDF (объем файла: 837.7 Кбайт)

Ссылка для цитирования этой статьи:

Прокашев, В. А. Возможности улучшения применения компьютерного зрения в сортировке твёрдых коммунальных отходов / В. А. Прокашев // Отходы и ресурсы. — 2024. — Т 11. — №2. — URL: https://resources.today/PDF/04INOR224.pdf. — DOI: 10.15862/04INOR224. (дата обращения: 16.03.2025).

Возможности улучшения применения компьютерного зрения в сортировке твёрдых коммунальных отходов

Прокашев Виталий Андреевич
ФГАОУ ВО «Национальный исследовательский технологический университет «МИСИС», Москва, Россия
Аспирант
E-mail: vitalyaprocashev@gmail.com; vitalya-procashev@yandex.ru
ORCID: https://orcid.org/0009-0005-6793-7257

Аннотация. В представленной статье исследуются возможности улучшения применения оптической сортировки твердых коммунальных отходов на конвейерных лентах с использованием технологий компьютерного зрения и машинного обучения в целях замещения линий ручной сортировки. Подчеркивается актуальность улучшения сортировки отходов. Данная работа расширяет понимание применения компьютерного зрения в области утилизации отходов и предлагает практические рекомендации для их внедрения в промышленные процессы.

В работе рассматриваются текущие подходы в сортировке твердых коммунальных отходов, анализируется их эффективность, исследуется потенциал улучшения процессов управления отходами и повышения эффективности переработки на основе недавних исследований в данной области. Рассмотрено наиболее популярное применяемое в сортировке оборудование и его особенности.

Также проводится обобщение морфологического состава отходов, выделяется минимальная и максимальная возможные доли каждого класса отходов в потоке переработки. На основании этих данных выделены достаточные доли изображений в каждой категории для обучения сверточной нейросети в целях классификации отходов.

Рассматриваются прикладные исследования в части детектирования и классификации объектов отходов на конвейерных лентах с использованием известных архитектур нейросетей. Анализ показал, что большинство решений опираются на архитектуры 2018 года, при этом эталонная точность классификации более современных архитектур, например OmniVec, на 17 % выше, на схожие порядки выше и эффективность детектирования. На результирующую точность классификации значительно влияет аугментация изображений в наборе изображений для обучения нейросети — ее наличие может повысить точность от 10 до 15 %. Определен минимальный набор данных для обучения, который должен составлять порядка 2 000 изображений ввиду того, что после дальнейшего увеличения количества точность начинает выходить на плато.

Ключевые слова: твердые коммунальные отходы; компьютерное зрение; сверточные нейронные сети; детектирование объектов; классификация; сортировка; морфологический состав

Скачать