Показати скорочену інформацію

Можливості використання нейронної мережі ResNet-50 для автоматичної класифікації типів твердих побутових відходів та оцінки ступеня їх забрудненості

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.accessioned2026-09-18T07:41:13Z
dc.date.available2026-09-18T07:41:13Z
dc.date.issued2026
dc.identifier.citationМоторний А. П., Кабачій В. В. Можливості використання нейронної мережі ResNet-50 для автоматичної класифікації типів твердих побутових відходів та оцінки ступеня їх забрудненості // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28228.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/54634
dc.description.abstractСтаття присвячена дослідженню можливостей архітектури ResNet-50 для автоматичної класифікації типів твердих побутових відходів (ТПВ) та одночасної оцінки ступеня їх забрудненості на основі RGBзображень. Розглянуто ключові особливості ResNet-50 – механізм залишкових блоків, transfer learning з ImageNet та аугментацію даних, що забезпечують високу стійкість до варіацій ракурсу, освітлення та забруднень.uk
dc.description.abstractThe paper explores the capabilities of the ResNet-50 architecture for automatic classification of municipal solid waste (MSW) types and simultaneous assessment of their contamination level based on RGB images. The key features ofen
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28228
dc.subjectResNet-50en
dc.subjectглибоке навчанняuk
dc.subjectкласифікація побутових відходівuk
dc.subjecttransfer learningen
dc.subjectаугментація данихuk
dc.subjectзалишкові блокиuk
dc.subjectоцінка забрудненостіuk
dc.subjectсортування ТПВuk
dc.subjectdeep learningen
dc.subjectwaste classificationen
dc.subjectdata augmentationen
dc.subjectresidual blocksen
dc.subjectcontamination assessmenten
dc.subjectMSW sortingen
dc.titleМожливості використання нейронної мережі ResNet-50 для автоматичної класифікації типів твердих побутових відходів та оцінки ступеня їх забрудненостіuk
dc.typeThesis
dc.identifier.udc004.932:628.477
dc.relation.referencesHe K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 770–778. https://doi.org/10.1109/CVPR.2016.90 Lin K., Zhao Y., Wang L. et al. MSWNet: A visual deep machine learning method adopting transfer learning based upon ResNet-50 for municipal solid waste sorting // Frontiers of Environmental Science & Engineering. – 2023. – Vol. 17. – Art. 1677. https://doi.org/10.1007/s11783-023-1677-1 Malik M. et al. Waste classification for sustainable development using image recognition with deep learning neural network models // Sustainability. – 2022. – Vol. 14(12). – 7222. https://doi.org/10.3390/su14127222 Li, L., Wang, R., Zou, M., Guo, F., & Ren, Y. (2025). Enhanced ResNet-50 for garbage classification: Feature fusion and depth-separable convolutions. PLOS ONE, 20(1), Article e0317999. https://doi.org/10.1371/journal.pone.0317999 Castro-Bello M. et al. Convolutional Neural Network Models in Municipal Solid Waste Classification // Sustainability. – 2025. – Vol. 17(8). – 3523. https://doi.org/10.3390/su17083523 Zhang, 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.2021.105543 Liu, 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.2c08952 Malik, 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/su14127222 Varga, D. (2024). Understanding how image quality affects transformer neural networks. Signals, 5(3), 562–579. https://doi.org/10.3390/signals5030031 Itam, 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.2024.11.002 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/SCSE61872.2024.10550526 Kazmi, 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.2023.3329565 Pavithra, 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/10.1088/1742-6596/2571/1/012006 Boysen, 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.2023.03.037 Picon, 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.2022.09.004 Li, 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/math13111723 Friedrich, 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:
28228.pdf
Розмір:
628.5Kb
Формат:
PDF
Відкрити

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

Показати скорочену інформацію