Перегляд за Автор "Derzhak, Vladyslav"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Документ
    Алгоритми для підвищення точності нейромережевої класифікації побутового сміття з використанням хмарних керованих обчислювальних вузлів
    (Хмельницький національний університет, 2026) Молчанова, Марина; Собко, Олена; Мазурець, Олександр; Держак, Владислав; Molchanova, Maryna; Sobko, Olena; Mazurets, Oleksandr; Derzhak, Vladyslav
    Актуальність роботи зумовлена зростанням потоків побутових відходів і потребою у точному розпізнаванні матеріальних категорій у реалістичних сценах з нерівномірним освітленням, фоновими завадами та дисбалансом класів. Практична ефективність таких систем визначається не лише вибором архітектури, а насамперед керованою якістю даних і відтворюваністю експериментів у стандартизованому середовищі. У статті запропоновано якісно орієнтований конвеєр, у якому модуль контролю якості інтегровано безпосередньо в цикл навчання. Фільтрація за різкістю, контрастом, експозиційною збалансованістю та фоновою засміченістю формує очищену підвибірку для подальшого донавчання попередньо натренованої моделі. Використано керовані хмарні обчислювальні вузли на базі сеансів Google Colab з доступом до графічних прискорювачів, фіксованими версіями бібліотек і журналюванням артефактів, що забезпечує сталість програмного оточення та порівнюваність серій. Методологія спирається на архітектуру MobileNetV3 Small з перенесенням ознак ImageNet та заміною класифікаційної голови на тридцятикласову постановку задачі. Для експериментів використано набір Recyclable and Household Waste Classification Dataset з тридцятьма категоріями, включно з паперовими, пластиковими, скляними та металевими підкласами, а також органічними фракціями. Базове оцінювання на сирій вибірці дало узгоджені результати за сукупністю метрик з точністю 0.7703 і високими площами під ROC кривими, що засвідчує добру роздільність імовірнісних виходів і наявність резерву для стабілізації рішень у багатокласовому режимі. Включення фільтрації в цикл навчання забезпечило предметні покращення у класах, схильних до перехресних помилок унаслідок блиску та слабкої фактури. Для paper_cups зафіксовано зростання точності на 13.13 відсотка, повноти на 10.69 відсотка, інтегрально F1 на 11.85 відсотка. Позитивні зрушення отримано також для steel_food_cans, clothing і magazines, де зменшено плутанину із візуально подібними категоріями. Отримані результати підтверджують доцільність перенесення акценту з ускладнення архітектур на керовану якість даних і дисципліну експерименту у хмарному середовищі. Запропонована інтеграція підвищує стійкість класифікації та створює підґрунтя для надійного впровадження комп’ютерного зору в інфраструктуру перероблення і підтримує практики циркулярної економіки
  • Ескіз
    Документ
    Програмна архітектура інтелектуальної об’єктно-орієнтованої системи фільтрації даних для нейромережевої класифікації побутових відходів з використанням хмарних технологій
    (Хмельницький національний університет, 2026) Держак, Владислав; Кліменко, Валерія; Молчанова, Марина; Собко, Олена; Мазурець, Олександр; Derzhak, Vladyslav; Klimenko, Valeriia; Molchanova, Maryna; Sobko, Olena; Mazurets, Oleksandr
    У роботі запропоновано програмну архітектуру інтелектуальної об’єктно-орієнтованої системи фільтрації даних для нейромережевої класифікації побутових відходів із використанням керованих хмарних обчислювальних вузлів. Актуальність зумовлена необхідністю стабільної роботи комп’ютерного зору в реалістичних сценах, де якість зображень, фонові завади, блиск і класовий дисбаланс істотно знижують надійність прийняття рішень. На відміну від підходів, у яких підготовка даних є разовим кроком перед навчанням, запропонована система інтегрує контроль якості безпосередньо в цикл навчання і інференсу. Модуль фільтрації відсіює малoінформативні зображення за показниками різкості, контрастності та експозиційної збалансованості з контролем збереження представлення класів; очищена вибірка використовується для донавчання базової архітектури. Реалізацію побудовано на MobileNetV3-Small з перенесенням ознак і заміною класифікаційної голови на 30 класів; виконання, журналювання артефактів і зберігання даних забезпечено на сесіях Google Colab із GPU та сховищем Google Drive/Kaggle, що гарантує відтворюваність і переносимість експериментів. Для користувацької взаємодії створено вебінтерфейс інференсу на Gradio, який надає завантаження зображення, вибір конфігурації моделі та перегляд метрик. Експериментальну оцінку проведено на наборі Recyclable and Household Waste Classification Dataset, який містить 15 тис. зображень розміру 256×256 у 30 категоріях з контрольованими та реальними сценами. Базова конфігурація на «сирій» вибірці демонструє узгоджені інтегральні показники, однак включення якісно орієнтованої фільтрації дало предметні покращення для чутливих класів: зокрема, для paper_cups істотно зросли точність і повнота, позитивні зрушення зафіксовано для steel_food_cans, clothing та magazines, тоді як для блискучих і малофактурних категорій переважно зменшено помилкові спрацьовування. Отримані результати підтверджують, що підвищення точності класифікації досягається передусім через оптимізацію вхідних даних і дисципліну експерименту в хмарному середовищі, без ускладнення архітектури моделі. Практична цінність полягає у створенні відтворюваного методичного ланцюга від керованої фільтрації до продуктивного застосування, придатного для впровадження на сортувальних лініях і в інфраструктурі циркулярної економіки