ПРОГРАМНА АРХІТЕКТУРА ІНТЕЛЕКТУАЛЬНОЇ ОБ’ЄКТНО-ОРІЄНТОВАНОЇ СИСТЕМИ ФІЛЬТРАЦІЇ ДАНИХ ДЛЯ НЕЙРОМЕРЕЖЕВОЇ КЛАСИФІКАЦІЇ ПОБУТОВИХ ВІДХОДІВ З ВИКОРИСТАННЯМ ХМАРНИХ ТЕХНОЛОГІЙ

У роботі запропоновано програмну архітектуру інтелектуальної об’єктно-орієнтованої системи фільтрації даних для нейромережевої класифікації побутових відходів із використанням керованих хмарних обчислювальних вузлів. Актуальність зумовлена необхідністю стабільної роботи комп’ютерного зору в реалістичних сценах, де якість зображень, фонові завади, блиск і класовий дисбаланс істотно знижують надійність прийняття рішень. На відміну від підходів, у яких підготовка даних є разовим кроком перед навчанням, запропонована система інтегрує контроль якості безпосередньо в цикл навчання і інференсу. Модуль фільтрації відсіює малoінформативні зображення за показниками різкості, контрастності та експозиційної збалансованості з контролем збереження представлення класів; очищена вибірка використовується для донавчання базової архітектури. Реалізацію побудовано на MobileNetV3-Small з перенесенням ознак і заміною класифікаційної голови на 30 класів; виконання, журналювання артефактів і зберігання даних забезпечено на сесіях Google Colab із GPU та сховищем Google Drive/Kaggle, що гарантує відтворюваність і переносимість експериментів. Для користувацької взаємодії створено вебінтерфейс інференсу на Gradio, який надає завантаження зображення, вибір конфігурації моделі та перегляд метрик. Експериментальну оцінку проведено на наборі Recyclable and Household Waste Classification Dataset, який містить 15 тис. зображень розміру 256×256 у 30 категоріях з контрольованими та реальними сценами. Базова конфігурація на «сирій» вибірці демонструє узгоджені інтегральні показники, однак включення якісно орієнтованої фільтрації дало предметні покращення для чутливих класів: зокрема, для paper_cups істотно зросли точність і повнота, позитивні зрушення зафіксовано для steel_food_cans, clothing та magazines, тоді як для блискучих і малофактурних категорій переважно зменшено помилкові спрацьовування. Отримані результати підтверджують, що підвищення точності класифікації досягається передусім через оптимізацію вхідних даних і дисципліну експерименту в хмарному середовищі, без ускладнення архітектури моделі. Практична цінність полягає у створенні відтворюваного методичного ланцюга від керованої фільтрації до продуктивного застосування, придатного для впровадження на сортувальних лініях і в інфраструктурі циркулярної економіки.