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) : Во втором году исследования разработан и экспериментально подтверждён новый подход к классификации пластиков на основе спектральных данных, использующий полносвязную нейронную сеть с механизмом внимания (FFNN-Attention). В отличие от ранее применявшихся моделей, данный метод обеспечивает улучшенный отбор информативных признаков и устойчивость к шуму, характерному для реальных потоков отходов. Система продемонстрировала высокую точность на трёх ключевых задачах: определение чистых и загрязнённых PET-образцов, разделение PET и других полимеров, а также классификация прозрачных и окрашенных бутылок, достигнув максимальной точности 99,33%. Таким образом, подтверждена научная новизна метода и его эффективность для создания интеллектуальных систем сортировки пластиков.

Obtained results and novelty (in Kazakh) : Зерттеудің екінші жылында спектрлік деректерге негізделген пластик түрлерін анықтауға арналған жаңа тәсіл әзірленді, ол назар аудару механизмі бар толықбайланысқан нейрондық желіге (FFNN-Attention) сүйенеді. Бұл әдіс дерек ішіндегі маңызды спектрлік белгілерді тиімді бөліп, шуылға төзімді болуымен ерекшеленеді. Әдіс үш негізгі жіктеу міндеттерінде жоғары нәтижеге қол жеткізді: таза және ластанған PET-ті ажырату, PET және басқа полимерлерді анықтау, мөлдір және түсті пластикті бөлу. Максималды дәлдік 99,33% құрады. Алынған нәтижелер ұсынылған модельдің ғылыми жаңашылдығын және интеллектуалды пластик сұрыптау жүйелерін құрудағы тиімділігін дәлелдейді.

The main constructive and technical economic indicators (in Russian) : Модель реализована на Python с использованием TensorFlow, включая полный цикл предварительной обработки спектральных данных, обучение и оценку качества. Для экспериментов применялись доступные GPU-ресурсы, обеспечившие высокую скорость обучения при работе с расширенным датасетом в 295 327 спектров. Предложенная архитектура продемонстрировала соотношение высокой точности и оптимальной вычислительной нагрузки, превосходя альтернативные глубокие модели (ResNet, LSTM, GRU, VGG, 1D-CNN). Благодаря компактной структуре и механизму внимания, модель потенциально может быть интегрирована в промышленные системы сортировки без значительного увеличения затрат на оборудование.

The main constructive and technical economic indicators (in Kazakh) : Жүйе Python тілінде TensorFlow кітапханасы арқылы іске асырылды, спектрлік деректерді алдын ала өңдеу (нормализация, сүзгілеу, кодтау), модельдерді оқыту және нәтижелерді бағалау кезеңдері толық орындалды. Эксперименттер үлкен көлемдегі деректермен (295 327 спектр) жұмыс істеуге мүмкіндік берген GPU есептеу ресурстарын пайдалану арқылы жүргізілді. Ұсынылған архитектура ResNet, LSTM, GRU, VGG және 1D-CNN сияқты заманауи нейрондық желілермен салыстырғанда дәлдік пен есептеу тиімділігі бойынша артықшылық көрсетті. Желінің құрылымы жинақы, сондықтан оны өндірістік сұрыптау жүйелеріне қымбат жабдықсыз енгізу мүмкіндігі жоғары.

Level of implementation (in Russian) : Высшее

Level of implementation (in Kazakh) : Жоғары

Efficiency (in Russian) : Разработанный алгоритм показал устойчивые результаты на разных подзадачах классификации, корректно различая тип полимера, степень прозрачности и наличие загрязнений, что критически важно для автоматизированной сортировки вторичного сырья. Достигнутая точность свыше 99% позволяет значительно снизить риск ошибочного разделения пластика и уменьшить долю неперерабатываемых отходов. Это обеспечивает потенциальное повышение эффективности перерабатывающих линий, сокращение экономических потерь и снижение экологической нагрузки, что подтверждает практическую ценность предложенного подхода и его перспективность для внедрения в интеллектуальные системы переработки.

Efficiency (in Kazakh) : Ұсынылған модель әртүрлі пластик санаттарын, олардың тазалық деңгейін және оптикалық қасиеттерін жоғары дәлдікпен айқындап, сұрыптау қателіктерін айтарлықтай төмендетуге мүмкіндік береді. Жалпы дәлдіктің 99%-дан жоғары болуы қайта өңдеу желілеріндегі материалды дұрыс бөлу ықтималдығын арттырып, қайта өңдеуге жарамсыз қалдықтардың көлемін азайтады. Бұл өз кезегінде өндірістік шығындарды төмендетіп, қайта өңдеу процесінің тиімділігін жоғарылатады және экологиялық әсерді азайтады. Жасалған тәсіл автоматтандырылған қоқыс сұрыптау технологияларын жетілдіруге және практикалық индустрияға енгізуге әлеуетті шешім болып табылады.

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