Intelligent system of collecting and sorting rubbish Master Bin 20.2.0

Актуальность

Сократить негативное воздействие мусора и отходов на окружающую среду, почву, подземные и поверхностные воды можно, правильно сортируя мусор и бытовые отходы, многие из которых можно использовать для переработки или получения энергии.

Сортировка мусора и бытовых отходов поможет существенно сэкономить на его вывозе и утилизации. Благодаря своевременной сортировке мусора, потребитель экономит средства, которые были бы затрачены на дальнейшую переработку или вывоз и хранение мусора на свалке.

Цель

Разработка и внедрение автоматизированной системы сбора, распознавания и сортировки использованной тары. Сортировка осуществляется по классам: стекло, пластик, металл.

Задачи

1. Исследовать мировой и отечественный опыт в вопросах автоматизации и сортировки тары.
2. Разработать прототип устройства, которое автоматически определяет состав тары и производит её сортировку.
3. Производить тестирование и отладку системы.
4. Внедрить систему экобонусов.

Описание

Вступить в ряды защитников окружающей среды очень просто. Для этого нужно знать, как сортировать и куда деть отсортированный мусор и бытовые отходы. Авторами была придумана «умная» корзина «Master Bin 20.2.0» и введена система экобонусов за сдачу тары. В течение одного экопарсека, равного одному учебному триместру, ведётся индивидуальный и групповой зачёты. С помощью RFID-модуля (Radio Frequency IDentification, радиочастотная идентификация) по карте «Проход-питание» (подходит школьный пропуск, карта «Тройка» и многие другие; можно интегрировать систему поощрений с «Мосгортранс») будет считываться ID ученика, при этом, когда он опускает бутылку в контейнер, на сервер поступает информация, сколько и каких бутылок было им сдано. По результатам экопарсека, победитель в личном зачёте становится экосенсеем, а класс – экоджедаями, и получают экопризы.

Результаты работы/выводы

На текущий момент полностью реализован автономный режим работы. После ряда испытаний авторы выяснили, что корзина в автономном режиме работы правильно определяет класс тары примерно в 95% случаях. Также заложен алгоритм распознавания оставшейся жидкости в таре. Однако авторы не хотят останавливаться на этом результате. На данный момент в разработке сетевой режим. В нём – оптимальный алгоритм машинного обучения, который смог бы обеспечить определение правильного типа тары в количестве, близком к 100%.