Registration Number
2126U001988, Article
popup.category
Стаття
Title
Modeling and evaluation of deep neural network RESNET-50 for classifica-tion of household solid waste
popup.author
Моторний А. П.
Костішин С. В.
Кабачій В. В.
Motornyi A.
Kostyshyn S.
Kabachii V.
Motornyi A.
Kostyshyn S.
Kabachii V.
popup.publication
01-01-2026
popup.source_user
Вінницький національний технічний університет
popup.source
https://ir.lib.vntu.edu.ua/handle/123456789/50887
popup.publisher
Метінвест Політехніка
Description
У статті представлено результати дослідження ефективності глибокої згорткової нейронної мережі ResNet-50, адаптованої для автоматизованої класифікації твердих побутових відходів. Метою роботи є оці-нювання точності моделі, визначення типових помилок класифікації та обґрунтування можливостей її інтегра-ції в промислові лінії сортування. У дослідженні використано розширений набір даних, що містить зображення п`яти основних категорій відходів: пластик, скло, метал, папір та органічні матеріали. Попередня обробка даних передбачала застосування комплексної аугментації, що забезпечило стійкість моделі до шумів, зміни освітлення, деформацій та забруднення об`єктів. Для оцінювання ефективності використано метрики точ-ності, повноти, F1-міри та матрицю помилок, що дало змогу встановити структурні закономірності хибних передбачень. Отримані результати демонструють високу якість класифікації для більшості класів, зокрема точність понад 0,95, а також стійке узгодження тренувальних і валідаційних кривих без ознак перенавчання. Аналіз матриці помилок виявив низку типових похибок, пов`язаних зі схожістю текстурних та спектральних властивостей окремих класів, що особливо характерно для пластика та органічних відходів, а також папе-ру й картону. Запропоновано підходи до їх усунення, зокрема використання спектральних даних (NIR / MIR), розширення аугментацій та ф`южн-моделей ознак. Практичне значення дослідження полягає в можливості інтеграції побудованої моделі в роботизовані системи сортування відходів, що забезпечує підвищення ефек-тивності переробки, зменшення людського фактору та оптимізацію роботи сучасних сміттєсортувальних комплексів. Представлені результати можуть бути використані для створення промислових класифікаторів нового покоління та розвитку інтелектуальних систем управління відходами.
popup.nrat_date
2026-11-02
