The object of research, development or design (in Russian) : Применение алгоритмов машинного обучения при сортировке пластиковых отходов

The object of research, development or design (in Kazakh) : Пластикалық қалдықтарды сұрыптауда машиналық оқыту алгоритмдерін қолдану

Aim of work (in Russian) : Целью данного проекта является создание прототипа системы интеллектуальной сортировки и классификации пластиковых отходов с использованием алгоритмов машинного обучения.

Aim of work (in Kazakh) : Машиналық оқыту алгоритмдерін қолдана отырып, пластикалық қалдықтарды интеллектуалды сұрыптау және жіктеу жүйесінің прототипін жасау болып табылады.

Методы исследования (на русском) : Алгоритмы машинного обучения

Методы исследования (на казахском) : Машиналық оқыту алгоритмдері

Obtained results and novelty (in Russian) : Полученные результаты: Были собраны образцы различных типов пластиковых бутылок, включая PET, PP, HDPE, LDPE и другие. Образцы были взяты из бытовых отходов, таких как ёмкости для молочных продуктов, алкогольных напитков, чистящих средств и мусорных потоков. Для сбора изображений пластиковых отходов использовались фотокамеры, специальные визуальные сенсоры и мобильные устройства с камерами. Для сбора спектральных данных применялся спектрометр DLP NIR Scan Nano EVM. Учитывая, что изображения были получены при различных фонах и условиях освещения, были применены методы аугментации данных (повороты изображений, масштабирование и добавление шума). Для фильтрации сигналов и нормализации спектров использовались методы подавления шумов и помех. В процессе обучения использовались алгоритмы глубокого обучения, и была достигнута точность более 90%. Новизна: В данном исследовании для сортировки пластиковых отходов применены алгоритмы глубокого обучения, обеспечившие высокую точность классификации на основе типа и цвета пластика. Также был предлагается новый метод анализа данных с NIR спектроскопии, позволяющий эффективно различать загрязненные бутылки и пластики, непригодные для переработки, с фокусом на выявление вредных остатков или химических жидкостей.

Obtained results and novelty (in Kazakh) : Алынған нәтижелер: Әртүрлі типтегі пластикалық бөтелкелердің үлгілері жиналды, соның ішінде PET, PP, HDPE, LDPE және басқалары. Үлгілер тұрмыстық қолданыстағы сүт өнімдерінен, ішімдік ыдыстары, тазалағыш құралдарынан, қоқыс ағындарынан алынды. Пластикалық қалдықтардың суреттері мен кескіндерін алу үшін фотокамералар, арнайы визуалды сенсорлар, камералары бар мобильді құрылғылар пайдаланылды. Спектрлік деректерді жинау үшін DLP NIR Scan Nano EVM спектрометрі құрылғысы қолданылды. Суреттердің әртүрлі фондарда және жарықтандыру жағдайларында алынғанын ескеріп, деректерді теңестіру әдістері қолданылды (кескіндерді бұру, масштабтау және шу қосу). Спектрлерді жинау кезінде алынған шуылдар, кедергілерді жою үшін сигналдарды фильтрлеу және нормализация әдістері қолданылды. Оқыту процесінде терең оқыту алгоритмдері қолданылып, 90%-дан жоғары дәлдік көрсетілді. Жаңашылдық: Бұл зерттеуде пластикалық қалдықтарды сұрыптау үшін терең оқыту алгоритмдері қолданылып, пластик түрлері мен түсі негізінде жоғары дәлдікпен классификация жүргізілді. Сонымен қатар, NIR спектрлік деректері арқылы ластанған бөтелкелер мен қайта өңдеуге жарамсыз пластиктерді тиімді ажыратуға мүмкіндік беретін жаңа тәсіл ұсынылады, бұл әдіс зиянды қалдықтар немесе химиялық сұйықтықтар бар пластиктерді анықтауға бағытталады.

The main constructive and technical economic indicators (in Russian) : Основные конструктивные показатели: Прототип системы был разработан на языке Python с использованием библиотек TensorFlow и Scikit-learn. Реализованы функции предварительной обработки данных, обучения моделей и визуализации результатов. Для анализа данных изображений использовались модели MobileNet, ResNet, EfficientNet B0, а также модифицированная версия EfficientNet SED. Технико-экономические показатели: В процессе разработки были эффективно использованы доступные вычислительные ресурсы (GPU серверы), что позволило ускорить обучение моделей. Прототип системы улучшает процесс автоматической сортировки и способствует снижению затрат на переработку за счет точного распознавания пластиковых отходов.

The main constructive and technical economic indicators (in Kazakh) : Негізгі конструктивтік көрсеткіштер: Жүйе прототипі Python тілінде әзірленіп, TensorFlow және Scikit-learn кітапханалары қолданылды. Деректерді алдын ала өңдеу, модельдерді оқыту және нәтижелерді визуализациялау функциялары жүзеге асырылды. Сурет деректерін талдауда MobileNet, ResNet, EfficientNet B0, және модификацияланған EfficientNet SED модельдері пайдаланылды. Технико-экономикалық көрсеткіштер: Жүйені әзірлеу барысында қолжетімді есептеу ресурстары (GPU серверлері) тиімді пайдаланылды, бұл модельдерді жылдам оқытуға мүмкіндік берді. Жүйенің прототипі автоматты сұрыптау процесін жетілдіріп, пластик қалдықтарды дәл ажырату арқылы қайта өңдеуге кететін шығындарды қысқартуға ықпал етеді.

Level of implementation (in Russian) : Высшее

Level of implementation (in Kazakh) : Жоғары

Efficiency (in Russian) : Модель, обученная на данных изображений, показала точность более 90%, успешно классифицируя пластиковые отходы по типу и цвету. В следующих этапах исследования проводится обучение на спектральных данных с использованием различных моделей. Это имеет ключевое значение для выявления загрязненных и непригодных для переработки пластиков, что создаст основу для повышения эффективности автоматизированного процесса сортировки в будущем.

Efficiency (in Kazakh) : Суреттер бойынша оқытылған модель дәлдігі 90%-дан жоғары көрсеткішке ие болды, ол пластикалық қалдықтарды түрі мен түсі бойынша классификациялайды, зерттеудің келесі қадамдарында спектрлік деректерді талдау бойынша әртүрлі модельдерде оқытылады. Бұл ластанған және қайта өңдеуге жарамсыз пластиктерді анықтауда маңызды, бұл болашақта автоматтандырылған сұрыптау процесінің тиімділігін арттыруға негіз болады.

Field of application (in Russian) : Малые и средние предприятия, занимающиеся сбором и сортировкой пластиковых отходов

Field of application (in Kazakh) : Пластикалық қалдықтарды жинау және сұрыптаумен айналысатын шағын және орта кәсіпорындар