Показати скорочену інформацію

Аналіз сучасних рішень для автоматизованої класифікації твердих побутових відходів

dc.contributor.authorМоторний, А. П.uk
dc.contributor.authorКабачій, В. В.uk
dc.contributor.authorMotornyi, A. P.en
dc.contributor.authorKabachii, V. V.en
dc.date.accessioned2026-09-03T10:41:53Z
dc.date.available2026-09-03T10:41:53Z
dc.date.issued2026
dc.identifier.citationМоторний А. П., Кабачій В. В. Аналіз сучасних рішень для автоматизованої класифікації твердих побутових відходів // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27203.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/53441
dc.description.abstractСтаття присвячена аналізу сучасних методів автоматичної класифікації твердих побутових відходів, включаючи візуальні, спектральні та гібридні підходи. Визначено ключові обмеження комп’ютерного зору,uk
dc.description.abstractThe article examines modern methods for automatic classification of municipal solid waste, including visual, spectral, and hybrid approaches. It identifies key limitations of computer vision, NIR/MIR spectroscopy, and existing data-integration techniques. The need for transitioning to multimodal architectures is substantiated. A two-stage accuracy improvement strategy is proposed: optimized visual models based on ResNet-50/EfficientNet and fully integrated multimodal systems with attention modules. The paper outlines future development prospects, including the creation of realistic datasets and lightweight models for real-time operation.en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/27203
dc.subjectавтоматизована класифікація побутових відходівuk
dc.subjectкомп’ютерний зірuk
dc.subjectNIRспектроскопіяuk
dc.subjectбагатомодальні системиuk
dc.subjectглибоке навчанняuk
dc.subjectаугментація данихuk
dc.subjectсортування відходівuk
dc.subjectautomated waste classificationen
dc.subjectcomputer visionen
dc.subjectNIR spectroscopyen
dc.subjectmultimodal systemsen
dc.subjectdeeplearningen
dc.subjectdata augmentationen
dc.subjectwaste sortingen
dc.titleАналіз сучасних рішень для автоматизованої класифікації твердих побутових відходівuk
dc.typeThesis
dc.identifier.udc628.477:004.932
dc.relation.referencesZhang, S., Chen, Y., Yang, Z., & Gong, H. (2021). Computer vision based two-stage waste recognitionretrieval algorithm for waste classification. Resources, Conservation and Recycling, 169, 105543. https://doi.org/10.1016/j.resconrec.2021.105543en
dc.relation.referencesLiu, Y., Yao, W., Qin, F., Zhou, L., & Zheng, Y. (2023). Spectral classification of large-scale blended (micro) plastics using FT-IR raw spectra and image-based machine learning. Environmental Science & Technology, 57(16), 6656–6663. https://doi.org/10.1021/acs.est.2c08952en
dc.relation.referencesMalik, M., Sharma, S., Uddin, M., Chen, C. L., Wu, C. M., Soni, P., & Chaudhary, S. (2022). Waste classification for sustainable development using image recognition with deep learning neural network models. Sustainability, 14(12), 7222. https://doi.org/10.3390/su14127222en
dc.relation.referencesVarga, D. (2024). Understanding how image quality affects transformer neural networks. Signals, 5(3), 562–579. https://doi.org/10.3390/signals5030031en
dc.relation.referencesBrenner, M., Reyes, N. H., Susnjak, T., & Barczak, A. L. (2023). RGB-D and thermal sensor fusion: A systematic literature review. IEEE Access, 11, 82410–82442. https://doi.org/10.1109/ACCESS.2023.3301119en
dc.relation.referencesItam, D. H., Martin, E. C., & Horsfall, I. T. (2024). Enhanced convolutional neural network methodology for solid waste classification utilizing data augmentation techniques. Waste Management Bulletin, 2(4), 184–193. https://doi.org/10.1016/j.wmb.2024.11.002en
dc.relation.referencesChomicki, A., Wоjcik, F., & Dudycz, H. (2025). Assessing the impact of dataset quality on the performance of artificial intelligence models in automatic waste classification. Procedia Computer Science, 270, 1061–1070. https://doi.org/10.1016/j.procs.2025.09.227 8. Saroth, M. A. F., Wijerathne, P. M. A. K., & Kumara, B. T. G. S. (2024, April). Automatic multi-class non-functional software requirements classification using machine learning algorithms. In Proceedings of the International Research Conference on Smart Computing and Systems Engineering (SCSE) (Vol. 7, pp. 1–6). IEEE. https://doi.org/10.1109/SCSE61872.2024.10550526en
dc.relation.referencesKazmi, M., Hafeez, B., Aftab, F., Shahid, J., & Qazi, S. A. (2023). A deep learning-based framework for visual inspection of plastic bottles. IEEE Access, 11, 125529–125542. https://doi.org/10.1109/ACCESS.2023.3329565en
dc.relation.referencesPavithra, K. C., Kumar, P., Geetha, M., & Bhandary, S. V. (2023). Comparative analysis of pre-trained resnet and densenet models for the detection of diabetic macular edema. Journal of Physics: Conference Series, 2571(1), 012006. https://doi.org/10.1088/1742-6596/2571/1/012006en
dc.relation.referencesBoysen, N., Schwerdfeger, S., & Ulmer, M. W. (2023). Robotized sorting systems: Large-scale scheduling under real-time conditions with limited lookahead. European Journal of Operational Research, 310(2), 582–596. https://doi.org/10.1016/j.ejor.2023.03.037en
dc.relation.referencesNakhaei, F., Rahimi, S., & Fathi, M. (2022). Prediction of sulfur removal from iron concentrate using column flotation froth features: Comparison of k-means clustering, regression, backpropagation neural network, and convolutional neural network. Minerals, 12(11), 1434. https://doi.org/10.3390/min12111434en
dc.relation.referencesPicon, A., Bereciartua-Perez, A., Eguskiza, I., Romero-Rodriguez, J., Jimenez-Ruiz, C. J., Eggers, T., & Navarra-Mestre, R. (2022). Deep convolutional neural network for damaged vegetation segmentation from RGB images based on virtual NIR-channel estimation. Artificial Intelligence in Agriculture, 6, 199– 210. https://doi.org/10.1016/j.aiia.2022.09.004en
dc.relation.referencesLi, B., Feng, S., Zhang, J., Chen, G., Huang, S., Li, S., & Zhang, Y. (2025). Mathematics and machine learning for visual computing in medicine: Acquisition, processing, analysis, visualization, and interpretation of visual information. Mathematics, 13(11), 1723. https://doi.org/10.3390/math13111723en
dc.relation.referencesFriedrich, K., Fritz, T., Koinig, G., Pomberger, R., & Vollprecht, D. (2021). Assessment of technological developments in data analytics for sensor-based and robot sorting plants based on maturity levels to improve Austrian waste sorting plants. Sustainability, 13(16), 9472. https://doi.org/10.3390/su13169472en


Файли в цьому документі

Thumbnail
Ім'я:
27203.pdf
Розмір:
462.1Kb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію