1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Тернопільський фаховий коледж ТНТУ
  3. Кваліфікаційні роботи фахового молодшого бакалавра ТФК
  4. 123 — Комп’ютерна інженерія (фаховий молодший бакалаврТФК)
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/53739
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorНедошитко, Андрій Григорович-
dc.contributor.advisorNedoshytko, Andrii-
dc.contributor.authorШпирна, Андрій Ігорович-
dc.contributor.authorShpyrna, Andrii-
dc.date.accessioned2026-07-29T16:31:10Z-
dc.date.available2026-07-29T16:31:10Z-
dc.date.issued2026-07-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/53739-
dc.description.abstractМетою 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.uk_UA
dc.description.abstractThe 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.uk_UA
dc.description.tableofcontentsВСТУП…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 …60uk_UA
dc.format.extent48-
dc.language.isoukuk_UA
dc.publisherВСП "Тернопільський фаховий коледж Тернопільського національного технічного університету імені Івана Пулюя"uk_UA
dc.subjectмікроконтролер ESP32uk_UA
dc.subjectESP32 microcontrolleruk_UA
dc.subjectкомп'ютерний зірuk_UA
dc.subjectcomputer visionuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectmachine learninguk_UA
dc.subjectкласифікація відходівuk_UA
dc.subjectwaste classificationuk_UA
dc.subjectнейронна мережа MobileNetV2uk_UA
dc.subjectMobileNetV2 neural networkuk_UA
dc.subjectперенесення навчанняuk_UA
dc.subjecttransfer learninguk_UA
dc.subjectESP32-CAMuk_UA
dc.subjectOpenCVuk_UA
dc.subjectавтоматичне сортуванняuk_UA
dc.subjectautomatic sortinguk_UA
dc.subjectпобутові відходиuk_UA
dc.subjecthousehold wasteuk_UA
dc.subjectвеб-інтерфейсuk_UA
dc.subjectweb interfaceuk_UA
dc.subjectTensorFlowuk_UA
dc.titleРозробка системи комп'ютерного зору на основі алгоритмів машинного навчання для класифікації об'єктів утилізаціїuk_UA
dc.title.alternativeDevelopment of a Computer Vision System Based on Machine Learning Algorithms for Classification of Recyclable Objectsuk_UA
dc.typeProfessional Junior Bachelor Thesisuk_UA
dc.rights.holder©Шпирна Андрій Ігорович, 2026uk_UA
dc.contributor.committeeMemberКозбур, Галина Володимирівна-
dc.contributor.committeeMemberKozbur, Halyna-
dc.coverage.placenameТернопільuk_UA
dc.relation.references1. 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.htmluk_UA
dc.relation.references2. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, 2016. 800 p. URL: https://www.deeplearningbook.orguk_UA
dc.relation.references3. Sandler M., Howard A., Zhu M. MobileNetV2: Inverted Residuals and Linear Bottlenecks. IEEE/CVF CVPR, 2018. P. 4510–4520. URL: https://arxiv.org/abs/1801.04381uk_UA
dc.relation.references4. Howard A., Zhu M., Chen B. MobileNets: Efficient CNNs for Mobile Vision Applications. 2017. URL: https://arxiv.org/abs/1704.04861uk_UA
dc.relation.references5. 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-editionuk_UA
dc.relation.references6. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015. Vol. 521. P. 436–444. URL: https://doi.org/10.1038/nature14539uk_UA
dc.relation.references7. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. 2014. URL: https://arxiv.org/abs/1409.1556uk_UA
dc.relation.references8. He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition. IEEE/CVF CVPR, 2016. P. 770–778. URL: https://arxiv.org/abs/1512.03385uk_UA
dc.relation.references9. Tan M., Le Q. EfficientNet: Rethinking Model Scaling for CNNs. ICML, 2019. P. 6105–6114. URL: https://arxiv.org/abs/1905.11946uk_UA
dc.relation.references10. Abadi M. et al. TensorFlow: A System for Large-Scale Machine Learning. 12th USENIX OSDI, 2016. P. 265–283. URL: https://www.tensorflow.orguk_UA
dc.relation.references11. Bradski G. The OpenCV Library. Dr. Dobb's Journal of Software Tools, 2000. URL: https://opencv.orguk_UA
dc.relation.references12. Deng J., Dong W., Socher R. ImageNet: A Large-Scale Hierarchical Image Database. IEEE CVPR, 2009. P. 248–255. URL: https://www.image-net.orguk_UA
dc.relation.references13. Yang M., Thung G. Classification of Trash for Recyclability Status. CS229 Project Report, Stanford University, 2016. URL: https://github.com/garythung/trashnetuk_UA
dc.relation.references14. ESP32 Series Datasheet. Ver. 4.3. Espressif Systems, 2024. 65 p. URL: https://www.espressif.com/en/products/socs/esp32uk_UA
dc.relation.references15. ESP32-CAM Getting Started Guide. Espressif Systems. URL: https://docs.espressif.com/projects/esp-idf/en/latest/esp32/uk_UA
dc.relation.references16. TensorFlow Lite for Microcontrollers. URL: https://www.tensorflow.org/lite/microcontrollersuk_UA
dc.relation.references17. ZenRobotics. Heavy Picker Technical Specifications. URL: https://zenrobotics.comuk_UA
dc.relation.references18. Bin-e Smart Waste Bin. Technical Documentation. URL: https://bine.worlduk_UA
dc.relation.references19. 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/uk_UA
dc.relation.references20. 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.1986.4767851uk_UA
dc.relation.references21. Kingma D., Ba J. Adam: A Method for Stochastic Optimization. ICLR, 2015. URL: https://arxiv.org/abs/1412.6980uk_UA
dc.relation.references22. 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.htmluk_UA
dc.relation.references23. Proença P., Simões P. TACO: Trash Annotations in Context for Litter Detection. 2020. URL: https://arxiv.org/abs/2003.06975uk_UA
dc.relation.references24. Директива 2018/851 Європейського Парламенту та Ради від 30 травня 2018 р. URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:32018L0851uk_UA
dc.relation.references25. 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-рuk_UA
dc.relation.references26. ДСН 3.3.6.042-99. Санітарні норми мікроклімату виробничих приміщень. URL: https://zakon.rada.gov.ua/rada/show/va042282-99uk_UA
dc.relation.references27. ДБН В.2.5-28:2018. Природне і штучне освітлення. URL: https://dbn.co.ua/load/normativy/dbn/dbn_v_2_5_28/1-1-0-1188uk_UA
dc.relation.references28. Закон України «Про охорону праці» від 14.10.1992 № 2694-XII. URL: https://zakon.rada.gov.ua/laws/show/2694-12uk_UA
dc.relation.references29. ДСанПіН 3.3.2.007-98. Державні санітарні правила і норми роботи з ВДТ ЕОМ. URL: https://zakon.rada.gov.ua/rada/show/v0007282-98uk_UA
dc.relation.references30. 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/z0508-18uk_UA
dc.relation.references31. 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.4030120407uk_UA
dc.contributor.affiliationВСП "Тернопільський фаховий коледж Тернопільського національного технічного університету імені Івана Пулюя"uk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Шпирна 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.uk_UA
Apareix a les col·leccions:123 — Комп’ютерна інженерія (фаховий молодший бакалаврТФК)

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
Shpyrna_A.pdfкваліфікаційна робота фахового молодшого бакалавра5,82 MBAdobe PDFVeure/Obrir
Mostrar el registre simplificat de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.