Комплекс имеет большой потенциал для применения. Один из концептов заключается в том, что установки для сортировки мусора могут стоять возле многоквартирных домов, и люди живущие в них, могут высыпать содержимое пакета с мусором на мини-конвейер, и установка распределит мусор по категориям. Предполагается, что этот концепт – это временная опция, переходное решение проблемы. При таком положении дел, культура сортировки мусора "плавнее" приживется среди населения, и, соответственно, переход к более совершенной системе, как например в Германии, где каждое домохозяйство самостоятельно сортирует свой мусор в пакеты разных цветов, которые затем выбрасываются в различные контейнеры, будет менее затрудненным. Концепция хороша тем, что она не позволяет мусору в смешанном виде дойти до свалки. Этот смешанный мусор, который зачастую просто лежит на почве на свалках, отравляет ее. Под концепт можно создать инфраструктуру, такую как установки по автоматической сортировке мусора, располагающиеся в специальных отдельных помещениях на каждом этаже многоквартирного дома. Мусор будет сбрасываться вниз по мусоропроводу.

Система может использоваться на муниципальных свалках для сканирования и сортировки мусора в реальном времени. Результаты компьютерного зрения помогут определить типы материалов, такие как пластик, стекло, металл и бумага, и автоматически направлять их на соответствующие участки для переработки.

2. Практическая часть
2.1 Написание функций для определенных операций
Написание функций производилось в PyCharm IDE на языке программирования Python.
Цикличная последовательность действий манипулятора:
1. Ожидание объекта.
2. Своевременный захват объекта.
3. Сортировка.

2.2 Подготовка нейронной сети
Обучение нейронной сети будет воспроизводиться в Google Colab.

Этапы обучения:
1. Сбор и подготовка данных.
Для начала процесса обучения необходимо создать обширный набор данных, содержащий изображения различных типов мусора. Этот набор будет использоваться для обучения нейронной сети на различение категорий отходов.
2. Аннотирование данных.
Каждое изображение в наборе данных будет аннотировано с указанием типа мусора, который присутствует на изображении. Это обеспечит нейронной сети правильные метки для обучения.
3. Обучение нейронной сети.
Начинается этап обучения, где нейронная сеть пошагово анализирует предоставленные изображения, корректируя свои веса для правильного распознавания различных типов мусора. Этот процесс повторяется множество раз с использованием методов оптимизации
4. Валидация и тестирование.
После завершения обучения проводится валидация на отдельном наборе данных, не использованном в обучении. Затем происходит тестирование на реальных сценариях, где предоставляются изображения мусора, а нейронная сеть определяет их тип.
5. Тюнинг и оптимизация.
В случае необходимости проводится тюнинг параметров и оптимизация нейронной сети для повышения ее точности и эффективности в различных условиях.
Примеры распознавания объектов показаны в Приложении Г.

2.3 Интеграция нейронной сети с манипулятором
Наконец, обученная нейронная сеть интегрируется с управлением манипулятора. Это позволяет манипулятору автоматически распознавать и распределять мусор в соответствии с определенными категориями.
Термины:
CV (Computer Vision) – компьютерное зрение.
Функция – это фрагмент программного кода, к которому можно обратиться из другого места программы. После выполнения функции управление возвращается обратно в адрес возврата – точку программы, где данная функция была вызвана.
IDE (Integrated Development Environment) – интегрированная среда разработки. ТБО – твёрдые бытовые отходы.
Валидация — проверка правильности работы (предсказательной способности) аналитической модели, построенной на основе машинного обучения, а также удостоверение, что она соответствует требованиям решаемой задачи.