Por favor, use este identificador para citar o enlazar este ítem:
http://elartu.tntu.edu.ua/handle/lib/53739| Título : | Розробка системи комп'ютерного зору на основі алгоритмів машинного навчання для класифікації об'єктів утилізації |
| Otros títulos : | Development of a Computer Vision System Based on Machine Learning Algorithms for Classification of Recyclable Objects |
| Autor : | Шпирна, Андрій Ігорович Shpyrna, Andrii |
| Affiliation: | ВСП "Тернопільський фаховий коледж Тернопільського національного технічного університету імені Івана Пулюя" |
| Bibliographic reference (2015): | Шпирна А.І. Розробка системи комп'ютерного зору на основі алгоритмів машинного навчання для класифікації об'єктів утилізації: кваліфікаційна робота на здобуття освітньо-професійного ступеня фаховий молодший бакалавр за спеціальністю «123 – Комп'ютерна інженерія». Тернопіль: ВСП «ТФК ТНТУ», 2026. 48 с. |
| Fecha de publicación : | jul-2026 |
| Date of entry: | 29-jul-2026 |
| Editorial : | ВСП "Тернопільський фаховий коледж Тернопільського національного технічного університету імені Івана Пулюя" |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Недошитко, Андрій Григорович Nedoshytko, Andrii |
| Committee members: | Козбур, Галина Володимирівна Kozbur, Halyna |
| Palabras clave : | мікроконтролер ESP32 ESP32 microcontroller комп'ютерний зір computer vision машинне навчання machine learning класифікація відходів waste classification нейронна мережа MobileNetV2 MobileNetV2 neural network перенесення навчання transfer learning ESP32-CAM OpenCV автоматичне сортування automatic sorting побутові відходи household waste веб-інтерфейс web interface TensorFlow |
| Page range: | 48 |
| Resumen : | Метою даної роботи є розробка програмної частини системи комп'ютерного зору на основі алгоритмів машинного навчання для автоматичної класифікації об'єктів утилізації за чотирма категоріями: пластик, скло, метал та органіка. Система призначена для інтеграції у компактний домашній смітник з обертовою платформою на базі мікроконтролера ESP32-CAM. У рамках виконання проєкту проведено аналіз технічного завдання та існуючих рішень, здійснено вибір сучасної елементної бази на основі мікроконтролера ESP32 з камерою OV2640.
Розроблено структурну та функціональну схеми системи, яка складається з п'яти модулів. Створено програмне забезпечення мовою Python з використанням фреймворку TensorFlow та бібліотеки OpenCV, реалізовано двоетапний процес навчання нейронної мережі MobileNetV2 з використанням технології перенесення навчання та веб-інтерфейс для відображення результатів класифікації у локальній мережі Wi-Fi. Розроблено інструкцію з експлуатації та поетапну методику перевірки функціонування системи. Окрему увагу приділено питанням охорони праці, зокрема значенню освітлення для роботи з комп'ютерною технікою, плануванню заходів із безпеки праці та управлінню стресом при розробці складних алгоритмів.
Кваліфікаційна робота містить пояснювальну записку, яка складається з 48 аркушів, містить 7 таблиць та 12 рисунків. The aim of this work is to develop the software component of a computer vision system based on machine learning algorithms for automatic classification of waste objects into four categories: plastic, glass, metal, and organic. The system is designed for integration into a compact household waste bin with a rotating platform based on the ESP32-CAM microcontroller. Within the scope of the project, an analysis of the technical task and existing solutions was conducted, and a modern component base utilizing the ESP32 microcontroller with an OV2640 camera was selected. The structural and functional diagrams of the system, consisting of five modules, were developed. The software was created in Python using the TensorFlow framework and the OpenCV library, a two-stage training process for the MobileNetV2 neural network was implemented using transfer learning technology, and a web interface for displaying classification results over a local Wi-Fi network was developed. An operating manual and a step-by-step testing methodology for the system were developed. Special attention was given to occupational safety issues, including the significance of lighting for computer-based work, planning of workplace safety measures, and stress management during the development of complex algorithms. The qualification paper contains an explanatory note consisting of 48 pages, including 7 tables and 12 figures. |
| Content: | ВСТУП…7 1 ЗАГАЛЬНА ЧАСТИНА…10 1.1 Обґрунтування актуальності теми кваліфікаційної роботи…10 1.2 Аналітичний огляд існуючих рішень..11 2 РОЗРОБКА ТЕХНІЧНОГО ТА РОБОЧОГО ПРОЕКТУ…17 2.1 Аналіз технічного завдання…17 2.2 Опис і обґрунтування вибору елементної бази та програмних засобів…19 2.3 Розробка функціональної схеми системи…22 2.4 Розробка модуля навчання нейронної мережі…24 2.5 Розробка алгоритму системи…26 2.6 Написання текстів програми…31 3 СПЕЦІАЛЬНИЙ РОЗДІЛ…32 3.1 Розробка інструкції з експлуатації системи…32 3.2 Розробка методики перевірки функціонування системи…35 4 ОХОРОНА ПРАЦІ…49 4.1 Значення освітлення для трудової діяльності користувачів комп'ютерної техніки…49 4.2 Планування заходів із безпеки праці та контроль за їх виконанням…50 4.3 Психофізіологічна безпека праці: управління стресом при розробці складних алгоритмів…52 ВИСНОВКИ…55 ПЕРЕЛІК ПОСИЛАНЬ…57 ДОДАТОК А – Тексти програм …60 |
| URI : | http://elartu.tntu.edu.ua/handle/lib/53739 |
| Copyright owner: | ©Шпирна Андрій Ігорович, 2026 |
| References (Ukraine): | 1. Gonzalez R., Woods R. Digital Image Processing. 4th ed. New York: Pearson, 2018. 1168 p. URL: https://www.pearson.com/us/higher-education/program/Gonzalez-Digital-Image-Processing-4th-Edition/PGM241219.html 2. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. 800 p. URL: https://www.deeplearningbook.org 3. Sandler M., Howard A., Zhu M. MobileNetV2: Inverted Residuals and Linear Bottlenecks. IEEE/CVF CVPR, 2018. P. 4510–4520. URL: https://arxiv.org/abs/1801.04381 4. Howard A., Zhu M., Chen B. MobileNets: Efficient CNNs for Mobile Vision Applications. 2017. URL: https://arxiv.org/abs/1704.04861 5. Chollet F. Deep Learning with Python. 2nd ed. New York: Manning, 2021. 504 p. URL: https://www.manning.com/books/deep-learning-with-python-second-edition 6. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015. Vol. 521. P. 436–444. URL: https://doi.org/10.1038/nature14539 7. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. 2014. URL: https://arxiv.org/abs/1409.1556 8. He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition. IEEE/CVF CVPR, 2016. P. 770–778. URL: https://arxiv.org/abs/1512.03385 9. Tan M., Le Q. EfficientNet: Rethinking Model Scaling for CNNs. ICML, 2019. P. 6105–6114. URL: https://arxiv.org/abs/1905.11946 10. Abadi M. et al. TensorFlow: A System for Large-Scale Machine Learning. 12th USENIX OSDI, 2016. P. 265–283. URL: https://www.tensorflow.org 11. Bradski G. The OpenCV Library. Dr. Dobb's Journal of Software Tools, 2000. URL: https://opencv.org 12. Deng J., Dong W., Socher R. ImageNet: A Large-Scale Hierarchical Image Database. IEEE CVPR, 2009. P. 248–255. URL: https://www.image-net.org 13. Yang M., Thung G. Classification of Trash for Recyclability Status. CS229 Project Report, Stanford University, 2016. URL: https://github.com/garythung/trashnet 14. ESP32 Series Datasheet. Ver. 4.3. Espressif Systems, 2024. 65 p. URL: https://www.espressif.com/en/products/socs/esp32 15. ESP32-CAM Getting Started Guide. Espressif Systems. URL: https://docs.espressif.com/projects/esp-idf/en/latest/esp32/ 16. TensorFlow Lite for Microcontrollers. URL: https://www.tensorflow.org/lite/microcontrollers 17. ZenRobotics. Heavy Picker Technical Specifications. URL: https://zenrobotics.com 18. Bin-e Smart Waste Bin. Technical Documentation. URL: https://bine.world 19. World Bank. What a Waste 2.0: A Global Snapshot of Solid Waste Management to 2050. Washington: World Bank, 2018. URL: https://datatopics.worldbank.org/what-a-waste/ 20. Canny J. A Computational Approach to Edge Detection. IEEE TPAMI, 1986. Vol. 8, No. 6. P. 679–698. URL: https://doi.org/10.1109/TPAMI.1986.4767851 21. Kingma D., Ba J. Adam: A Method for Stochastic Optimization. ICLR, 2015. URL: https://arxiv.org/abs/1412.6980 22. Srivastava N. et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. JMLR, 2014. Vol. 15. P. 1929–1958. URL: https://jmlr.org/papers/v15/srivastava14a.html 23. Proença P., Simões P. TACO: Trash Annotations in Context for Litter Detection. 2020. URL: https://arxiv.org/abs/2003.06975 24. Директива 2018/851 Європейського Парламенту та Ради від 30 травня 2018 р. URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:32018L0851 25. Національна стратегія управління відходами в Україні до 2030 року. Розпорядження КМУ від 08.11.2017 № 820-р. URL: https://zakon.rada.gov.ua/laws/show/820-2017-р 26. ДСН 3.3.6.042-99. Санітарні норми мікроклімату виробничих приміщень. URL: https://zakon.rada.gov.ua/rada/show/va042282-99 27. ДБН В.2.5-28:2018. Природне і штучне освітлення. URL: https://dbn.co.ua/load/normativy/dbn/dbn_v_2_5_28/1-1-0-1188 28. Закон України «Про охорону праці» від 14.10.1992 № 2694-XII. URL: https://zakon.rada.gov.ua/laws/show/2694-12 29. ДСанПіН 3.3.2.007-98. Державні санітарні правила і норми роботи з ВДТ ЕОМ. URL: https://zakon.rada.gov.ua/rada/show/v0007282-98 30. НПАОП 0.00-7.15-18. Вимоги щодо безпеки та захисту здоров'я працівників під час роботи з екранними пристроями. URL: https://zakon.rada.gov.ua/laws/show/z0508-18 31. Karasek R., Theorell T. Healthy Work: Stress, Productivity, and the Reconstruction of Working Life. New York: Basic Books, 1990. 381 p. URL: https://doi.org/10.1002/job.4030120407 |
| Content type: | Professional Junior Bachelor Thesis |
| Aparece en las colecciones: | 123 — Комп’ютерна інженерія (фаховий молодший бакалаврТФК) |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| Shpyrna_A.pdf | кваліфікаційна робота фахового молодшого бакалавра | 5,82 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.