Разработка AI-системы управления отходами и вывозом мусора Smart Waste

Разработка AI-системы управления отходами и вывозом мусора Smart Waste

Традиционный вывоз мусора работает по расписанию, не зависящему от реальной наполненности контейнеров. Результат: 40% рейсов — приезд к полупустым контейнерам, 20% — переполненные. Smart Waste оптимизирует маршруты по фактическому заполнению.

Мониторинг заполнения контейнеров

IoT-датчики уровня заполнения:

Ультразвуковые (HC-SR04) или инфракрасные датчики в крышке контейнера:

• Измерение расстояния до поверхности мусора
• Передача по NB-IoT / LoRaWAN (энергоэффективные протоколы для батарейного питания)
• Интервал измерения: каждые 30–60 минут

Компьютерное зрение по видеокамерам:

Там где нет датчиков — оценка заполнения по камерам видеонаблюдения:

• CNN (MobileNetV3) на изображении контейнера → уровень заполнения (0–20%, 20–50%, 50–80%, >80%)
• Обучающая выборка: размеченные фотографии контейнеров при разных уровнях
• Точность классификации: 88–93%

Прогноз наполнения

Временной ряд уровня заполнения:

Каждый контейнер — индивидуальная модель наполнения:

• Паттерны: жилые дома — пики утром и вечером, офисы — пик вечером
• Сезонность: в праздники объём мусора выше на 20–35%
• Влияние погоды: дождь — меньше активности, летом — больше упаковки от напитков

import pandas as pd
import numpy as np
from prophet import Prophet

class WasteContainerPredictor:
    """Прогноз уровня заполнения контейнера"""

    def fit(self, fill_level_history, container_id):
        """
        fill_level_history: TimeSeries уровня заполнения (0-100%)
        Прогнозируем, когда контейнер достигнет 80% заполнения
        """
        df = fill_level_history.reset_index()
        df.columns = ['ds', 'y']

        # Моделируем пилообразную кривую: растёт до вывоза, потом обнуляется
        # Для прогноза: берём только текущий незавершённый цикл наполнения
        last_emptying = df[df['y'] < 10]['ds'].max()
        current_cycle = df[df['ds'] >= last_emptying].copy()

        model = Prophet(
            growth='linear',
            daily_seasonality=True,
            weekly_seasonality=True,
            changepoint_prior_scale=0.3
        )
        model.fit(current_cycle)

        # Прогноз до момента достижения 80%
        future = model.make_future_dataframe(periods=48, freq='H')
        forecast = model.predict(future)

        full_time = forecast[forecast['yhat'] >= 80]['ds'].min()
        return full_time

    def predict_collection_priority(self, all_containers, current_time):
        """Ранжировать контейнеры по срочности вывоза"""
        priorities = []
        for cid, container in all_containers.items():
            current_fill = container['current_fill_pct']
            predicted_full_time = self.fit(container['history'], cid)
            hours_until_full = (predicted_full_time - current_time).total_seconds() / 3600

            priority_score = current_fill + (1 / max(hours_until_full, 0.5)) * 10
            priorities.append((cid, priority_score, current_fill, predicted_full_time))

        return sorted(priorities, key=lambda x: -x[1])

Оптимизация маршрутов вывоза

Dynamic Routing:

На каждый день (или несколько раз в день) строятся оптимальные маршруты:

• Список контейнеров к вывозу: уровень >75% или ожидаемое заполнение в течение 24ч
• VRP-оптимизация: несколько мусоровозов + депо + контейнеры
• Учёт: вместимость мусоровоза, время работы водителя, удобные маршруты

Экономический эффект:

• Снижение числа рейсов: 30–45% (вывоз только заполненных)
• Снижение пробега: 20–30% (оптимальные маршруты)
• Снижение переполнений: >80% (превентивный вывоз)

Сортировка отходов

AI-сортировщик для вторсырья:

На мусоросортировочных станциях (МСС) — компьютерное зрение для классификации:

• Конвейерная лента + камеры + RGB + NIR спектроскопия
• Классификация: ПЭТ, ПЭНД, стекло, картон, металл, органика, прочее
• Пневматические отсекатели → направить в нужный бункер
• Точность сортировки 90–95% vs. 70–75% ручной

Детекция опасных отходов:

Батарейки, ртутные термометры, аэрозоли — не должны попадать в МСС:

• Спектроскопия (LIBS/XRF) + классификатор → остановка конвейера + alert оператору
• Статистика: снижение повреждений оборудования от батарей на 80%

Аналитика и отчётность

GIS мониторинг:

Веб-портал для диспетчера: карта контейнеров с цветовой кодировкой заполнения:

• Зелёный (<50%), жёлтый (50–75%), красный (>75%)
• Трекинг мусоровозов в реальном времени
• История маршрутов и KPI

Экологическая отчётность:

• Объёмы отходов по категориям (Росприроднадзор, форма 2-ТП отходы)
• Уровень рециклинга: % от собранных отходов направлено на переработку
• Прогноз: нужна ли дополнительная ёмкость для полигона или МСС

Срок разработки: 3–5 месяцев для Smart Waste системы с IoT-мониторингом, прогнозом заполнения и маршрутной оптимизацией.