Abstract
<jats:p>У статті представлено результати дослідження ефективності глибокої згорткової нейронної мережі ResNet-50, адаптованої для автоматизованої класифікації твердих побутових відходів. Метою роботи є оцінювання точності моделі, визначення типових помилок класифікації та обґрунтування можливостей її інтеграції 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 точності, 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 паперу 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 ефективності 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.</jats:p>