ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ НЕМАРКИРОВАННЫХ ЭЛЕМЕНТОВ ПИТАНИЯ

Авторы: 
А. А. Коротышева*, С.Н. Жуков*, В.Р. Милов**, К. С. Егоров**, А. К. Чекушева**, М.С. Дубов***
УДК: 
004.93
DOI: 
10.24412/2073-0667-2023-2-34-44
Аннотация: 

 

EDN: ACWWCK

Актуальность исследования предопределяется необходимостью сортировки опасных и ценных объектов в составе твердых коммунальных отходов (ТКО), в частности немаркированных элементов питания, с целью их дальнейшей утилизации или переработки, что приобретает особую важность в условиях изменения мировой экологической политики. Предложен подход к идентификации немаркированных цилиндрических элементов питания стандартных типоразмеров на основе компьютерного зрения. Источником анализируемых изображений являются видеокамера и рентгеновская установка. Идентификация выполняется на основе последовательно применяемых процедур, позволяющих обнаруживать и распознавать элементы питания в потоке ТКО на конвейерной ленте. При наличии неповрежденной маркировки на корпусе элементов питания обработка изображений, распознавание надписей и анализ идентификаторов обеспечивают достаточно достоверную классификацию. При существенном повреждении маркировки распознавание затруднено, поэтому предложен дополнительный этап обработки изображений в рентгеновском диапазоне. Нейронные сети, составляющие основу системы идентификации элементов питания, обучаются на подготовленных наборах данных, содержащих множество рентгеновских снимков элементов питания разных типов, которым сопоставлены искомые классы. Обученная модель позволяет классифицировать тип элементов питания для последующей сортировки. Предложенный способ нейросетевой классификации элементов питания на основе обработки оптических изображений и рентгеновских снимков составляет основу программно-аппаратного комплекса, предназначенного для автоматизированных линий сортировки ТКО.

 

Список литературы

1. Блохин М. А. Рентгеновское излучение // Физическая энциклопедия: [в 5 т.] / Гл. ред. А. М. Прохоров. М.: Большая российская энциклопедия, 1994. Т. 4: Пойнтинга-Робертсона-Стримеры. С. 375-377. 2. Принципы построения досмотровой рентгеновской техники. [Электрон, pec.]: http://tstk. narod.ru/tsiotk/ppdrt.html (дата обращения: 14.01.2023). 3. Лещенко В. Г., Ильич Г. К. Медицинская и биологическая физика / М.: ИНФРА-М, 2012. 4. Kaggle: Your Home for Data Science. [Электрон, pec.]: https://www.kaggle.com/ (дата обра-щения: 16.01.2023). 5. Махсотова Ц. В. Исследование методов классификации при несбалансированности классов // Научный журнал. 2017. № 5(18). С. 35-36. 6. Sandler М., Howard A. G., Zhu М., Zhmoginov A., Chen L.-C. MobileNetV2: Inverted Residuals and Linear Bottlenecks // Computer Vision and Pattern Recognition. 2018. P. 4510-4520. 7. Блатов P. И., Вострякова E.A., Москвин А. С., Чупров Д. А., Егоров Ю.С., Коротышева А. А., Милов В.Р., Дубов М.С., Кербенева А.Ю. Свидетельство о регистрации программы для ЭВМ RUS 2022663863. Заявка № 2022662975 от 11.07.2022.

 

Ключевые слова: 
 машинное обучение, рентгеновские снимки, нейронная сеть, элементы питания, классификация изображений.
Номер журнала: 
2(59) 2023 г.
Год: 
2023
Адрес: 
* Нижегородский государственный университет им. Н. И. Лобачевского, 603022, Нижний Новгород, Россия **Нижегородский государственный технический университет им. Р. Е. Алексеева, 603950, Нижний Новгород, Россия ***ООО «Мабекс», 603122, Нижний Новгород, Россия
Библиографическая ссылка: 
Коротышева А. А., Жуков С. Н., Милов В. Р., Егоров Ю. С, Чекушева А. Ю., Дубов М. С. Применение методов машинного обучения для классификации немаркированных элементов питания // Проблемы информатики. 2023.  № 2. С. 34-44. DOI: 10.24412/2073-0667-2023-2-34-44