Розробка AI-системи управління відходами та вивозом сміття Smart Waste

Розробка AI-системи керування вивозом та складуванням відходів Smart Waste

Традиційний вивіз мусору працює за розписанням, незалежно від реальної наповненості контейнерів. Результат: 40% рейсів — приїзд до напівпустих контейнерів, 20% — переповнені. Smart Waste оптимізує маршрути за фактичним заповненням.

Моніторинг заповнення контейнерів

IoT-датчики рівня заповнення:

Ультразвукові (HC-SR04) або інфрачервоні датчики у кришці контейнера:

• Вимірювання відстані до поверхні мусору
• Передача по NB-IoT / LoRaWAN (енергоефективні протоколи для батарейного живлення)
• Інтервал вимірювання: кожні 30–60 хвилин

Комп'ютерне зір по відеокамерам:

Там де немає датчиків — оцінка заповнення по камерам відеоспостереження:

• CNN (MobileNetV3) на зображенні контейнера → рівень заповнення (0–20%, 20–50%, 50–80%, >80%)
• Навчальна вибірка: розмічені фото контейнерів при різних рівнях
• Точність класифікації: 88–93%

Прогноз наповнення

Часовий ряд рівня заповнення:

Кожний контейнер — індивідуальна модель наповнення:

• Паттерни: житлові будинки — піки вранці та вечером, офіси — пік вечором
• Сезонність: на святках обсяг мусору вище на 20–35%
• Вплив погоди: дощ — менше активності, влітку — більше упаковки від напитків

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

class WasteContainerPredictor:
    """Прогноз рівня заповнення контейнера"""

    def fit(self, fill_level_history, container_id):
        """
        fill_level_history: TimeSeries рівня заповнення (0-100%)
        Прогнозуємо, коли контейнер досягне 80% заповнення
        """
        df = fill_level_history.reset_index()
        df.columns = ['ds', 'y']

        # Моделюємо пилоподібну криву: росте до вивозу, потім обнуляється
        # Для прогнозу: беремо тільки поточний незавершений цикл наповнення
        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 моменту досягнення 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):
        """Ранжувати контейнери по терміновості вивозу"""
        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])

Оптимізація маршрутів вивозу

Dynamic Routing:

На кожний день (або кілька разів на день) будуються оптимальні маршрути:

• Список контейнерів до вивозу: рівень >75% або очікуване заповнення протягом 24h
• VRP-оптимізація: кілька мусоровозів + депо + контейнери
• Облік: вмістимість мусоровоза, час роботи водія, зручні маршрути

Економічний ефект:

• Зниження кількості рейсів: 30–45% (вивіз тільки заповнених)
• Зниження пробігу: 20–30% (оптимальні маршрути)
• Зниження переповнень: >80% (превентивний вивіз)

Сортування відходів

AI-сортувальник для вторсирої:

На мусоросортувальних станціях (МСС) — комп'ютерне зір для класифікації:

• Конвеєрна стрічка + камери + RGB + NIR спектроскопія
• Класифікація: ПЕТ, ПЕНД, скло, картон, метал, органіка, інше
• Пневматичні відсікачі → спрямувати у потрібний бункер
• Точність сортування 90–95% vs. 70–75% ручна

Детекція небезпечних відходів:

Батарейки, ртутні термометри, аерозолі — не повинні потрапляти в МСС:

• Спектроскопія (LIBS/XRF) + класифікатор → зупинка конвеєра + alert оператору
• Статистика: зниження пошкоджень обладнання від батарей на 80%

Аналітика та звітність

GIS моніторинг:

Веб-портал для диспетчера: карта контейнерів з кольоровою кодировкой заповнення:

• Зелений (<50%), жовтий (50–75%), червоний (>75%)
• Трекинг мусоровозів в реальному часі
• Історія маршрутів та KPI

Екологічна звітність:

• Обсяги відходів за категоріями (регуляторні форми)
• Рівень рециклінгу: % від зібраних відходів спрямовано на переробку
• Прогноз: чи потрібна додаткова ємність для полігону або МСС

Тривалість розробки: 3–5 місяців для Smart Waste системи з IoT-моніторингом, прогнозом заповнення та маршрутною оптимізацією.