Аналіз сучасних рішень для автоматизованої класифікації твердих побутових відходів
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
Стаття присвячена аналізу сучасних методів автоматичної класифікації твердих побутових відходів, включаючи візуальні, спектральні та гібридні підходи. Визначено ключові обмеження комп’ютерного зору,
The 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.
The 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.
Опис
Ключові слова
автоматизована класифікація побутових відходів , комп’ютерний зір , NIRспектроскопія , багатомодальні системи , глибоке навчання , аугментація даних , сортування відходів , automated waste classification , computer vision , NIR spectroscopy , multimodal systems , deeplearning , data augmentation , waste sorting
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Моторний 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.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (14)
- 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
- Brenner, 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.2023.3301119
- 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
- Chomicki, 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/SCSE61872.2024.10550526
- 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