Владимир Кириленко
г. Москва
ГБОУ города Москвы "Школа № 1561", 11 класс
РАЗРАБОТКА АППАРАТНО-ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ АДАПТИВНОЙ СОРТИРОВКИ ТВЕРДЫХ БЫТОВЫХ ОТХОДОВ
41
Научный руководитель: Сухоцкий Владимир Андреевич, г. Москва, ГБПОУ города Москвы «Воробьевы горы», старший педагог доп. образования
Акутальность
Загрязнение окружающей среды бытовыми отходами ведет к нарушению экологического баланса на всей планете. Однако, почти любой мусор пригоден для переработки и повторного использования. Одна из главных проблем цикла переработки мусора заключается в том, как его рассортировать на фракции, которые можно использовать для вторичной переработки. Роботизация этого процесса позволит как сократить затраты на весь цикл переработки отходов, так и уменьшить процент ошибки при сортировке.
Цели и задачи
На данный момент разработкой подобных решений занимается всего несколько компаний, например Sadoko и Max AI. Эти компании используют в своих разработках глубинные нейронные сети. Такой подход позволяет добиться достаточной точности, однако, для обработки необходимы большие вычислительные мощности, а процесс переобучения может занимать от нескольких часов, что исключает возможность процесса адаптивного обучения.
Цель проекта состоит в разработке аппаратно-программного комплекса, позволяющего в автономном режиме сортировать различные объекты в зависимости от их класса. Разработанное решение должно иметь низкие (относительно аналогов) требования к вычислительным мощностям, а также иметь возможность использования адаптивного обучения. Для корректной работы необходимо достичь точности не менее 90% и время переобучения не должно превышать 1-ой минуты.
Цель проекта состоит в разработке программного комплекса для автоматизации сортировки твёрдых бытовых отходов с возможностью адаптивного переобучения.

В проекте представлена автономная система, позволяющая автоматизировать процесс классификации твёрдых бытовые отходов, а также управлять манипулятором-сортировщиком мусора. Сортировка выполняется на основе материала, формы, либо конкретного класса объекта. Сортировка реализована на основе алгоритмов компьютерного зрения и машинного обучения. Разработка сосредоточилась на адаптивности и ускорении обучения, что позволяет системе приспосабливаться к изменениям в отходах.

В ходе работы была разработана архитектура композитной системы классификации. Система состоит из частично замороженной переобученной кодирующей части глубокого свёрточного авто-энкодера, данные латентного пространства которого классифицируются параметрическим классификатором. В роли конечного классификатора был выбран метод опорных векторов. Сбор обучающей выборки производился как с помощью виртуальной среды, так и с помощью ручного сканирования реальных бытовых отходов. В конечном итоге, было отсканировано около 70 кг отходов. Помимо этого, была сформирована отличная от обучающей тестовая выборка около 20 кг. Тестирование проводилось с моделированием условий реальной работы: подача объектов конвейером, сортировка разработанным манипулятором кинематической системы SCARA. Согласно метрике F2, конечная точность равна 93.9%.
Результаты
В результате выполненной работы была разработана автоматическая система для сортировки, способная управлять роботом-сортировщиком и распознавать множество классов объектов, основным различием между которыми является не форма или цвет, а текстура. Все поставленные ограничения на время переобучения и точность распознавания были соблюдены. Последующие улучшения позволили минимизировать влияние линейного сдвига и поворота на скрытую карту признаков. Использование адаптивного обучения позволяет без длительной остановки работы подстроить систему под изменения в поступающих данных, что позволяет перенастроить всю систему в соответствие с конкретными требованиями.
Развитие
Было принято решение продолжать развивать проект в следующих направлениях:
· Уменьшение процента ошибки при классификации объектов, путём сотрудничества с мусоросортировочным комплексом с целью сбора достаточной обучающей выборки;
· Повышение точности локализации объектов;
· Реализация взаимодействия разработанной системы компьютерного зрения с набором внешних датчиков для увеличения точности работы комплекса.
Видео о проекте
Расписание работы автора проекта
29 марта, пн
Диалог с экспертами
Ответы на вопросы
14:00
14:20

15:35 - 15:45

Чирский С.П.
Берчун Ю.В.
29 марта, пн
14:40
15:00
15:20
Белоножко П.П.
Кузьмина И.А.
Князева С.Ю.

Задайте вопрос автору проекта
Обязанность отвечать на заданные вопросы остается полностью на участнике. Организаторы форума не несут ответственности за сроки получения ответа.
Заполняя данную форму Вы соглашаетесь с политикой конфиденциальности сайта.
Пообщайтесь с автором в режиме реального времени
Вы можете посмотреть диалог с экспертом и задать вопросы автору в форме вебинара.
Расписание сессий приведено выше
Made on
Tilda