Алгоритми для підвищення точності нейромережевої класифікації побутового сміття з використанням хмарних керованих обчислювальних вузлів
Вантажиться...
Дата
2026
Назва журналу
Номер ISSN
Назва тому
Видавець
Хмельницький національний університет
Анотація
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
The relevance of the work is due to the growth of household waste flows and the need for accurate recognition of material categories in realistic scenes with uneven lighting, background noise and class imbalance. The practical effectiveness of such systems is determined not only by the choice of architecture, but primarily by the controlled quality of data and the reproducibility of experiments in a standardized environment. The article proposes a quality-oriented pipeline in which the quality control module is integrated directly into the training cycle. Filtering by sharpness, contrast, exposure balance and background clutter forms a cleaned subsample for further training of the pre-trained model. Managed cloud computing nodes based on Google Colab sessions with access to graphics accelerators, fixed library versions and artifact logging are used, which ensures the stability of the software environment and the comparability of series. The methodology is based on the MobileNetV3 Small architecture with ImageNet feature porting and replacing the classification head with a thirty-class problem statement. The Recyclable and Household Waste Classification Dataset with thirty categories, including paper, plastic, glass, and metal subclasses, as well as organic fractions, was used for experiments. The baseline evaluation on the raw sample yielded consistent results across metrics with an accuracy of 0.7703 and high areas under the ROC curves, indicating good resolution of probabilistic outputs and a reserve for stabilizing solutions in multi-class mode. Inclusion of filtering in the training cycle provided subject-specific improvements in classes prone to cross-validation errors due to gloss and weak texture. For paper_cups, an increase in accuracy of 13.13 percent, completeness of 10.69 percent, and integral F1 of 11.85 percent was recorded. Positive improvements were also obtained for steel_food_cans, clothing and magazines, where confusion with visually similar categories was reduced. The results obtained confirm the feasibility of shifting the emphasis from the complexity of architectures to managed data quality and the discipline of experimentation in a cloud environment. The proposed integration increases the robustness of classification and creates a basis for the reliable implementation of computer vision in the recycling infrastructure and supports circular economy practices.
The relevance of the work is due to the growth of household waste flows and the need for accurate recognition of material categories in realistic scenes with uneven lighting, background noise and class imbalance. The practical effectiveness of such systems is determined not only by the choice of architecture, but primarily by the controlled quality of data and the reproducibility of experiments in a standardized environment. The article proposes a quality-oriented pipeline in which the quality control module is integrated directly into the training cycle. Filtering by sharpness, contrast, exposure balance and background clutter forms a cleaned subsample for further training of the pre-trained model. Managed cloud computing nodes based on Google Colab sessions with access to graphics accelerators, fixed library versions and artifact logging are used, which ensures the stability of the software environment and the comparability of series. The methodology is based on the MobileNetV3 Small architecture with ImageNet feature porting and replacing the classification head with a thirty-class problem statement. The Recyclable and Household Waste Classification Dataset with thirty categories, including paper, plastic, glass, and metal subclasses, as well as organic fractions, was used for experiments. The baseline evaluation on the raw sample yielded consistent results across metrics with an accuracy of 0.7703 and high areas under the ROC curves, indicating good resolution of probabilistic outputs and a reserve for stabilizing solutions in multi-class mode. Inclusion of filtering in the training cycle provided subject-specific improvements in classes prone to cross-validation errors due to gloss and weak texture. For paper_cups, an increase in accuracy of 13.13 percent, completeness of 10.69 percent, and integral F1 of 11.85 percent was recorded. Positive improvements were also obtained for steel_food_cans, clothing and magazines, where confusion with visually similar categories was reduced. The results obtained confirm the feasibility of shifting the emphasis from the complexity of architectures to managed data quality and the discipline of experimentation in a cloud environment. The proposed integration increases the robustness of classification and creates a basis for the reliable implementation of computer vision in the recycling infrastructure and supports circular economy practices.
Опис
Ключові слова
побутове сміття, нейромережева класифікація, хмарні керовані обчислювальні вузли, household waste, neural network classification, cloud-managed computing nodes
Бібліографічний опис
Молчанова М., Собко О., Мазурець О., Держак В. Алгоритми для підвищення точності нейромережевої класифікації побутового сміття з використанням хмарних керованих обчислювальних вузлів // Herald of Khmelnytskyi National University. Technical Sciences. 2026. Vol. 361, No. 1. P. 239-245.