Аннотация. В этом исследовании рассматривается использование архитектуры гибридной нейронной сети, сочетающей сверточные нейронные сети (CNN) и долговременную память (LSTM), для эффективной сортировки пластиковых контейнеров. Исследование было сосредоточено на классификации пластиковых отходов на основе химического состава и уровня загрязнения, полученной с помощью спектроскопического устройства ближнего инфракрасного диапазона (NIR). Результаты экспериментов показывают, что гибридная модель CNN+LSTM обеспечивает относительно высокую точность распознавания различных типов и цветов пластика, включая обнаружение загрязняющих веществ в контейнерах. Сравнительная оценка производительности модели проводилась с использованием традиционных методов классификации, таких как логистическая регрессия, частичные наименьшие квадраты (PLS) и линейный дискриминантный анализ (LDA). Результаты показывают, что модель CNN+LSTM работает лучше, чем традиционные подходы, особенно в сценариях с небольшими спектральными различиями между классами. Это исследование демонстрирует потенциал машинного обучения для повышения эффективности процессов сортировки и переработки пластиковых отходов, тем самым способствуя повышению экологической устойчивости.
Ключевые слова. Пластиковые отходы, NIRS (ближняя инфракрасная спектроскопия), Нейронная сеть, Гибридная модель, CNN, LSTM.