Využití cenově dostupných senzorů pro přesnou klasifikaci materiálů ve stavebních sutích, část 1

1. Úvod

1.1 Rozvoj stavebnictví v EU

Stavebnictví v zemích Evropské unie představuje dlouhodobý a až na drobné klopýtnutí v roce 2020 stabilní růst. Dokládají to data Evropského statistického úřadu, konkrétně statistická klasifikace ekonomických aktivit EU. Index produkce v konstrukcích s kódovým označením F uvádí, že mezi lety 2014 až 2023 došlo k rozvoji tohoto oboru o více než 12 %. Velmi pozitivně se jeví i meziroční rychlost růstu, která je aktuálně nadohled rekordnímu období 2018–2019 (růst bezmála o 3 % p.a.) [1]. Podobný vývoj je patrný i v případě základního členění hlavních složek HDP podle odvětví. Stavby v roce 2023 Eurostat přisuzuje hrubou přidanou hodnotu ve výši 5,7 %, což představuje nejlepší výsledek od roku 2010 [2]. Zmiňovaný obor stavebnictví navíc vytváří velké množství pracovních pozic; v zemích EU-27 zaměstnává více než 12,7 milionů obyvatel [3]. Některé zdroje dokonce uvádí, že stavebnictví EU a na něj navázané obory zaměstnávají v součtu 9 % populace [4].

1.2 Produkce odpadu ze stavebnictví v EU

Na druhé straně ale nesmíme zapomínat, že je rozvoj stavebnictví úzce provázán se zvýšenou spotřebou surovin a produkcí odpadu, které se v současné době pohybují na hranici udržitelnosti. Názorně to dokládá přístup Evropské Komise a Evropského parlamentu, které v roce 2020 v návaznosti na Zelenou dohodu pro Evropu vytvořily Nový akční plán pro oběhové hospodářství. Stavebnictví je věnována samostatná pasáž, která uvádí, že tento obor spotřebuje cca 50 % všech vytěžených materiálů. Současně s tím dokument nabádá k hledání nových cest, jak dosáhnout větší materiálové účinnosti a zmiňuje, že velký potenciál v tomto ohledu tvoří ještě důslednější recyklace [5].

Nutnost efektivně hospodařit se surovinami a odpadem dokládá i Eurostat, který ukazuje, že souhrnná roční spotřeba surovin v EU přesahuje 6,5 bilionů kg, přičemž i tato veličina vyjma roku 2020 setrvale stoupá [6]. Přibližně třetinu tohoto množství spotřebuje stavebnictví [7].

Podrobnější komentář si zaslouží data vzniku odpadu dle ekonomických aktivit. Obor konstrukcí je ve státech EU v posledních letech zodpovědný za vznik více než 750 miliard tun odpadu ročně. Z tohoto množství přibližně 300 miliard tun tvoří minerálnímu odpadu ze stavebnictví, který nese kódové označení W121. Tradičně majoritními přispěvovateli do celkového množství jsou vyspělé ekonomiky. Jen Německo společně s Francií produkují více něž polovinu celkového množství. Novější data než z roku 2020 zatím, bohužel, nejsou k dispozici. Trend v produkci odpadu zachycuje Obrázek 1 níže, který až do roku 2018 vykresluje stabilní růst produkce jak veškerého stavebně demoličního odpadu, tak i minerálního odpadu jako významné části SDO. V roce 2020 sice lze v obou případech pozorovat stagnaci či dokonce mírný pokles [8], ovšem radovat se by bylo předčasné. Pro vyvozování jakýchkoliv závěrů je nutné vyčkat na novější data.

Zajímavě se jeví i data o produkci stavebního a demoličního odpadu (SDO) v EU, přepočteného na obyvatele. Obrázek 2 ukazuje, že průměrný občan EU ročně vyprodukuje bezmála 700 kg SDO, přičemž i v tomto případě datová křivka stabilně roste. Pro zajímavost dodejme, že průměrný český občan se v posledních letech těsně přiblížil evropskému průměru. Značná kolísavost hodnot sledovaných před rokem 2018 je způsobena sysovými změnami ve sčítání SDO [9].

Výše uvedené informace bezesporu dokazují, že je v zájmu udržitelného rozvoje a šetrného přístupu k životnímu prostředí nutné nakládat s odpady uvážlivě a hospodárně. Této problematice začala být věnována pozornost již v 60. letech minulého století a dala tak vzniknout novému komplexnímu oboru – cirkulární ekonomice. Její význam se zpočátku vyvíjel pozvolna, ale v posledních 20 letech zaznamenal strmý růst zájmu [10]. Pomyslným milníkem je vznik Směrnice (ES) č. 98/2008, kterou v roce 2008 vydaly Evropský parlament a komise. Tento dokument stanovuje hierarchii způsobů nakládání s odpady v následujícím pořadí priorit:

předcházení vzniku,
příprava k opětovnému použití,
recyklace,
jiné využití (např. energetické),
odstranění / uložení na skládku.

Obr. 2: Průměrná ročné produkce SDO přepočtena na 1 obyvatele [8]

Směrnice mimo to členským státům počínaje rokem 2020 uložila recyklovat nejméně 70 hm. % veškerých odpadů. Slibuje si od toho především úsporu panenských surovin a snížení objemu skládkovaného odpadu.

V návaznosti na výše uvedené je prostřednictvím Nařízení Evropského parlamentu a Rady (ES) č. 2150/2002 definována nomenklatura odpadů pro tvorbu jejich statistiky. Zmiňovaný dokument v oblasti stavebnictví rozlišuje tzv. minerální odpady (kategorie 12.), mezi něž se řadí SDO (odpadní beton, cihly a sádra), odpadní organický (ropný) materiál pro konstrukce vozovek (materiály obsahující asfalt), směsné stavební odpady (směs SDO a izolační materiál), odpadní azbest (zejména stavební materiály na bázi azbestu) a konečně odpadní přirozeně se vyskytující minerální látky (různé typy zemin a kameniva a dalších minerálních materiálů) [10]. V souvislosti se zmiňovanou klasifikací Eurostat až do srpna 2023 sdružoval data jednotlivých členských států EU o recyklaci odpadů. Od uvedeného termínu jsou publikované údaje značně okleštěny. Databáze Eurostatu již neumožňuje jejich zobrazení a filtraci, a to ani zpětně. Veškeré zde uváděné údaje vychází z archivu autorů, kteří si předmětná data průběžně ukládali. Před zmiňovaným obdobím byl pravidelně publikován tzv. recovery rate of construction and demolition waste, tedy poměr mezi recyklovaným a vyprodukovaným SDO vyjádřený v hm. %. Data ukazovala poměrně příznivé výsledky: průměr EU k roku 2020 (novější údaje nebyly zveřejněny) se držel na hranici 90 %, tedy s rezervou splňoval 70% limit. Pohledem do minulosti ale bylo možné zjistit, že se tato hodnota od roku 2010 nijak významně nezlepšila, a to ani navzdory masivním snahám autorit EU. Konstantně se držela v rozmezích 87 až 90 %. Není bez zajímavosti, že se pod evropským průměrem nacházely země jako Španělsko, Slovensko, Francie, Polsko, Švédsko, Norsko a Finsko s poměrem 85, 81, 74, 74, 74, 64 a 63 %, v tomto pořadí. Značně zkreslující v tomto ohledu bylo, že řada zemí do statistik v oblasti recyklace zahrnovala i zpětné zasypávání, které je vymezeno jako jedna z možností využití odpadu, nejedná se však o recyklaci. Přesto se i tato část využití odpadů do statistik recyklace započítávala. Jaká je aktuální situace, lze s ohledem na neposkytované informace pouze odhadovat. Zkušenosti ze stavební praxe ale ukazují, že řada zpětných aplikací SDO se stále omezuje na využití v podobě zásypů, násypů a dalších méně hodnotných konstrukcí, ve kterých je potenciál mnoha materiálů značně degradován (downcycling) [11]. Zatím se jedná o všeobecně tolerovaný fenomén, na který odborníci trvale upozorňují a vyvíjejí snahu o jeho nápravu.

Pro úplnost ještě zmiňme, že se složení SDO v EU liší stát od státu, v některých případech až násobně. Pro představu uveďme alespoň data pro ČR z roku 2021 (novější nejsou uvedena), která prostřednictvím aplikace VISOH sestavuje Ministerstvo životního prostředí. V tento rok bylo vyprodukováno celkem lehce přes 23 milionů tun, přičemž největší část tvořily zeminy a štěrky s celkovým podílem cca 66 %. Následují netříděné směsi (kombinace betonu a keramických výrobků) s podílem cca 11 %. Dalších cca 10 % náleží tříděnému betonu, 4,5 % asfaltovým směsím, necelá 4 % keramickým výrobkům a zbytek tvoří tepelné izolace, sádrové výrobky a další stavební odpad [12].

2. Třídění a recyklace stavebního a demoličního odpadu

Zbytková materiálová hodnota SDO, zejména pak směsných stavebních sutí, je vždy odvislá od míry heterogenity a výskytu nečistot různého původu. Z toho důvodu je klíčové eliminovat množství směsného odpadu a pokud to technické podmínky jenom trochu umožňují, dožilé stavby odstraňovat sysem selektivní demolice. To ale není v řadě případů technicky proveditelné. Na scénu proto musí přicházet sysy klasifikace a třídění směsných odpadů. Samotné procesy třídění jsou ale velmi komplikované, zejména kvůli značné heterogenitě a obtížnému rozpoznání jednotlivých materiálů. Ve směsných stavebních sutích se běžně vyskytují beton (betonové prvky a konstrukce), pórobeton, keramika (pálené cihly, keramické obklady, střešní tašky, sanitární keramika), sádrokarton (a materiály na bázi sádry), dřevo (včetně materiálů na bázi dřeva), tepelné a akustické izolace, zeminy, výplně stavebních otvorů (okna, dveře) a asfaltové materiály [13]. Dalším podstatným problémem je vzájemná kontaminace především soudržných materiálů (obecný problém při likvidaci kompozitů) a znečištění ostatními látkami. Procesy třídění dále významně komplikují vysoké objemy směsných sutí.

Pomineme-li ruční třídění, které je často stále ještě nenahraditelné, můžeme se setkat se dvěma robotickými přístupy rozpoznávání a třídění SDO – přímé a nepřímé metody. Obě tyto metody stručně popisují následující kapitoly.

2.1 Přímé metody třídění odpadu

Přímé metody třídění opadu se často označují jako silové. Opírají se totiž o přístup, který separuje konkrétní materiál na základě účinků sil různého původu. Tyto síly působí bezporsředně (kontaktně) na tříděný fragment. Typicky se jedná o síly gravitační, magnetické, setrvačné, elektrostatické či vztlakové. Většinou se využívají pro vytřídění jednoho typu materiálu (sklo, kov, papír, plast) z heterogenní směsi. Výsledkem tak zůstává jeden vytříděný materiál a směs všech ostatních materiálů. Je tedy zřejmé, že tyto technologie řeší diskutovanou problematiku pouze částečně.

Mezi typické představitele přímých metod patří různé druhy třídičů, praček a separátorů, které jsou ve stručnosti popsány níže [14], [15]:

Třídiče: většinou se soustředí na třídění téhož drceného materiálu podle frakce bez ohledu na jeho materiálový původ, případně jsou schopny ze směsi separovat jeden typ materiálu (nejčastěji jemnozrnné zeminy). Do této kategorie patří hrubotřídiče, odhliňovací třídiče, vibrační třídiče a rezonanční třídiče.Většinou se jedná o soustavu sít, na něž je materiál dopravován pomocí různých dynamických impulsů.
Pračky kameniva: jedná se o technologii, která je schopná z kameniva pomocí separační vody odstranit nežádoucí příměsi (jemnozrnné zeminy, humusovité částice, atd.). Do této kategorie lze zařadit i hydraulickou klasifikaci, která se hodí zejména pro segregaci malé frakce materiálu (méně než 10 mm) s různými tvary a objemovými hmotnostmi.
Magnetické separátory: do této kategorie patří magnetické bloky, závěsné separátory, magnetické válce, bubnové separátory, I-Sens separátory, separátory neželezných kovů, či další detektory kovů. Jejich cílem je odstranění zejména železných prvků ze směsí SDO.

2.2 Nepřímé metody třídění odpadu

Hlavní odlišností nepřímých metod klasifikace od těch přímých je, že při jejich užití odpadá nutnost bezprostředního kontaktu mezi klasifikační senzorikou a materiálem samotným. Stručně řečeno se jedná o metody, které se na základě bezkontaktně získaných dat učí rozpoznávat jednotlivé materiály obdobným způsobem, jakým by je identifikoval sám člověk. K tomu navíc přidávají mnoho dalších vjemů, které lidské smysly nejsou schopny zaznamenat. Oproti lidským smyslům jsou navíc schopny pracovat rychleji a s výrazně většími objemy dat. Hodnotí barvu, strukturu, texturu, odezvu na akustické, elektronické či světelné impulsy a další charakteristiky [16]. Všechny tyto vjemy posléze pomocí různých typů algoritmů porovnávají se svojí databází naučených materiálů. Pokud sledovaný materiál již znají, tj. tento se svými parametry shoduje s materiálem v databázi, dokáží jej s určitou mírou pravděpodobnosti přiřadit. V opačném případě je nutné databázi rozšiřovat a klasifikační algoritmy zdokonalovat. Je tedy zřejmé, že klíčovými prvky v klasifikačních procesech jsou:

senzory sbírající data,
algoritmy, které tato data hodnotí,
robotika, která na základě všech zpracovaných informací provádí samotné fyzické třídění.

Jedná se tedy o výrazně multioborovu problematiku, která si žádá zapojení expertů na experimentální senzoriku a měření, programátorů a strojních inženýrů. V následující kapitole se podívejme na historický vývoj senzorů a algoritmů rozpoznávání odpadů. Robotice se budeme věnovat v některém z dalších příspěvků.

3. Historie nepřímé klasifikace odpadu

Různé typy automatického rozpoznávání a robotického třídění odpadů se začaly uplatňovat nejprve při zpracování tuhých komunálních odpadů (TKO – směs papírů, kovů, plastů a organických materiálů) [17]. Na přelomu osmdesátých a devadesátých let minulého století se na toto objevila první patentovaná řešení. Postupně byly vyvíjeny aplikace schopné rozpoznávat základní materiály TKO s přesností v rozmezích 95 až 99 %. Řada zjištěných poznatků ovšem postupně pronikala i do oblasti třídění SDO. Technika klasifikace SDO pomocí nepřímých metod byla úspěšně využita již v roce 2010 a je vyvíjena dodnes, kdy dosahuje přesnosti dalece přes 90 % [18], [19].

Vývojáři se v průběhu času pochopitelně potýkali s mnoha úskalími a nezdary. Typicky se jednalo o značnou chybovost klasifikace, která měla původ jak v nepřesně získávaných informacích, tak i jejich následném hodnocení. Dalším častým problémem bylo určování hranic jednotlivých materiálu ve směsích. Když už se podařilo materiál rozpoznat, nebylo možné jednoznačně určit jeho obrys a s tím související velikost, tvar, hmotnost a další podstatné charakteristiky [17]. Sofistikované metody pro určení hranic postupně pronikaly z laboratorních prostředí, kde byly vzorky sledovány izolovaně na homogenním pozadí až do reálných podmínek třídíren SDO. Další limity představoval omezený výkon výpočetní techniky, který nestíhal zpracovávat veškerá získaná data. Technologický rozvoj ale umožnil všechny tyto limity postupně překonávat a klasifikaci odpadů přiblížil k absolutní přesnosti.

3.1 Senzorika

Pro rozpoznávání materiálů jsou používány různé typy senzorů. Ty mohou být použity samostatně nebo souhrnně. Právě multisenzorové snímání přineslo do oblasti rozpoznávání odpadů značný posun. Princip hodnocení spočívá v tom, že ke každému elementu odpadu je přiřazena množina informací, což výrazně zvyšuje správnost jeho klasifikace. Jako velmi efektivní se jeví kombinace přímých a nepřímých čidel. Běžně používané nepřímé senzory shrnují odrážky níže [20], [21]:

Optická čidla (RGB kamery) získávají obrazové informace, především barvu, strukturu a texturu povrchu, tvar a při vhodném uspořádání více čidel (spektroskopické snímání) dokonce i trojrozměrný model.
Spektroskopická čidla (multispektrální kamery) hodnotí interakci světla jakožto elektromagnetického záření s klasifikovaným vzorkem. Využíváno je faktu, že každý materiál má unikátní odezvu na elektromagnetický impuls. Oproti optickým senzorům je oběma směry mimo viditelnou zónu výrazně rozšířeno hodnocené spektrum.
Termokamery hodnotí teplotní změnu materiálu, který je vystaven teplotnímu šoku. Při využití dynamických metod je možné sledovat, kolik tepla ohřívaný vzorek přijal (či obráceně) a jak si teplo udržuje v čase.
Induktivní čidla určují vodivost sledovaného materiálu.
Ultrazvuková čidla posuzují akustickou odezvu materiálu, vůči němuž je vyslán ultrazvukový signál. I v tomto případě je využito faktu, že odezva různých materiálů je unikátní.

3.2 Zpracování dat

Efektivní klasifikace materiálů v SDO vyžaduje pokročilé metody zpracování dat, které zahrnují sběr, analýzu a integraci informací z různých senzorů. Například pro získávání charakteristik z obrazových dat, která jsou zachycena RGB kamerou, je vhodné využít hodnocení relativní intenzity vybraného barevného kanálu. Tento přístup umožňuje identifikovat dominantní barvy ve snímku a na základě toho provést hrubé třídění. Podstatně širší možnosti přináší analýza náhodnosti obrazu pomocí výpočtu entropie. Tento přístup je užitečný pro rozlišení materiálů na základě jejich textury. Dalším důležitým aspektem je hrubost povrchu, která je měřena pomocí průměrného gradientu intenzit [16].

Pro zpracování akustických dat získaných z ultrazvukových senzorů se hodí transformace časových signálů na frekvenční doméně pomocí Fourierovy transformace. Pomocí ní lze získat spektrální charakteristiky signálu, které odhalují frekvenční složky specifické pro různé materiály. Další vhodnou metodou je časově-frekvenční analýza. V tomto případě je používána tzv. waveletová transformace pro získání časově-frekvenční reprezentace signálu. Tento přístup umožňuje identifikovat časově závislé změny ve frekvenčním obsahu signálu a rozlišit tak materiály na základě jejich zvukově-dynamických vlastností. Mezi hodnocené veličiny patří průměrná hodnota, rozptyl, špičková hodnota a energie signálu.

Podstatně vyšší míry přesnosti při klasifikaci lze dosáhnout kombinací více druhů sériově řazených čidel. Popisné informace týkající se konkrétního vzorku jsou fúzovány do jednoho vysokorozměrného vektoru. Velmi účinná je například fúze vizuálních charakteristik (barevné, texturní, geometrické) s charakteristikami akustickými (spektrální, časově-frekvenční, statistické) do jednoho vektoru. Před spojením jsou jednotlivé charakteristiky zpravidla normalizovány. Tím je zajištěno, že žádný typ charakteristiky nebude dominovat v klasifikačním procesu. Pro redukci dimenzionality sloučeného vektoru je vhodné využívat rozličné metody redukce, např. Principal Component Analysis (PCA) nebo t-SNE. Tím se snižuje složitost dat a odstraňují se redundantní informace, což přispívá k přesnosti klasifikátorů a snižují se nároky na výpočetní techniku.

Pro samotnou klasifikaci fragmentů SDO mohou být využívány různé algoritmy strojového učení, které jsou trénovány na konkrétních množinách charakteristik. Klasifikátor v tomto případě porovnává charakteristické rysy sledovaného vzorku s vlastní databází. Opírá se při tom o různé modely, typicky o model rozhodovacích stromů s gradient boosting (GB). Tento přístup je efektivní pro práci s vysokodimenzionálními daty a zvládá komplexní závislosti mezi charakteristikami. Dalším efektivním a dnes již osvědčeným přístupem je využití neuronových sítí. Vhodná je například síť Multilayer perceptron (MLP), která se skládá z několika vrstev neuronů a díky tomu je schopna modelovat nelineární vztahy mezi vstupy a výstupy. Podobně fungují konvoluční sítě (CNN), které využívají neuronové sítě jako MLP, ale samy extrahují charakteristiky z dat. Takový přístup sice může vést k lepším výsledkům, na druhé straně ale také ke ztrátě kontroly uživatele nad fungováním modelu. Krom toho také vyžaduje náročnější trénink modelu, s čímž souvisí i výpočetní náročnost veškerých souvisejících procesů [16].

4. Závěr

V první části našeho příspěvku jsme zdůvodnili urgenci v hledání nových a efektivních řešení při třídění stavebního a demoličního odpadu. Zmínili jsme limity nejvíce rozšířených přímých třídicích metod a představili relativně nové metody nepřímé. Ty jsou založeny na bezkontaktní charakterizaci materiálu pomocí optických (RGB), spektroskopických, termocitlivých, induktivních a ultrazvukových čidlech. Dále jsme stručně popsali pokročilé algoritmy pro zpracování a vyhodnocení dat. Zkušenosti ukazují, že nepřímé metody dosahují přesnosti klasifikace vyšší než 90 %. Pakliže jsou vhodně kombinovány s metodami přímými, přesnost může být až absolutní. Ve druhé části našeho příspěvku představíme vlastní řešení při klasifikaci materiálu pomocí běžně dostupných, a tedy velmi levných RGB kamer.

5. Literatura

Eurostat, “Production in construction – annual data”.
Eurostat, “Gross value added and income by A*10 industry breakdowns”. Accessed: Jul. 22, 2024. [Online]. Available: https://ec.europa.eu/eurostat/databrowser/view/NAMA_10_A10__custom_12241114/default/table?lang=en
Eurostat, “SBS data by NUTS 2 regions and NACE Rev. 2 (2008-2020)”. Accessed: Jul. 22, 2024. [Online]. Available:
https://ec.europa.eu/eurostat/databrowser/view/SBS_R_NUTS06_R2__custom_12241143/default/table?lang=en&page=time:2020
M. Norouzi, M. Chàfer, L. F. Cabeza, L. Jiménez, and D. Boer, “Circular economy in the building and construction sector: A scientific evolution analysis”, Journal of Building Engineering, vol. 44, Dec. 2021,
https://doi.org/10.1016/j.jobe.2021.102704.
Evropská komise, „Nový akční plán pro oběhové hospodářství“.
Eurostat, “Raw material consumption (RMC)”. Accessed: Jul. 23, 2024. [Online]. Available:
https://ec.europa.eu/eurostat/databrowser/view/env_ac_rme/default/line?lang=en
C. K. Purchase et al., “Circular economy of construction and demolition waste: A literature review on lessons, challenges, and benefits”, Jan. 01, 2022, MDPI. https://doi.org/10.3390/ma15010076.
Eurostat, “Generation of waste by waste category, hazardousness and NACE Rev. 2 activity”. Accessed: Jul. 23, 2024. [Online]. Available: https://ec.europa.eu/eurostat/databrowser/view/ten00108/default/line?lang=en&category=env.env_was.env_wasgt.
T. Zbíral, J. Trejbal, M. Hužvár, S. Vítek, V. Nežerka, and J. Valentin, “Classification of Silicate and Organic Fragments of Construction and Demolition Waste Using Multisensor Techniques”, in Recycling 2024, M. Škopán, Ed., Brno, 2024. Accessed: Jul. 23, 2024. [Online]. Available: https://www.arsm.cz/aktualita/recycling-2024/.
Evropský parlament a Rada Evropské unie, „Nařízení Evropského parlamentu a Rady (ES) č. 2150/2002 ze dne 25. listopadu 2002 o statistice odpadů“. Accessed: Jul. 23, 2024. [Online]. Available:
https://eur-lex.europa.eu/legal-content/CS/TXT/PDF/?uri=CELEX:32002R2150&from=en
M. Škopán, “Recycled construction and demolition waste as one of the holders of the circular economy in construction industry”, in Recycling 2020, Brno: ARSM, 2020.
Ministerstvo životního prostředí ČR, „VISOH – Veřejné informace o produkci a nakládání s odpady“. Accessed: Jul. 23, 2024. [Online]. Available: https://isoh.mzp.cz/visoh.
T. Pavlů, J. Pešta, Katalog výrobků a materiálů s obsahem druhotných surovin z průmyslových provozů a komunálních odpadů pro použití ve stavebnictví (2021) – Recyklujme stavby! ČVUT v Praze, 2021.
P. Reinessl, „Technologie recyklace stavebního a demoličního odpadu,“ Bakalářská práce, ČVUT v Praze, Praha, 2018.
T. Vincent, M. Guy, P. Louis-César, B. Jean-François, and M. Richard, “Physical process to sort construction and demolition waste (C&DW) fines components using process water”, Waste Management, vol. 143, pp. 125–134, Apr. 2022,
https://doi.org/10.1016/j.wasman.2022.02.012.
V. Nežerka, T. Zbíral, and J. Trejbal, “Machine-learning-assisted classification of construction and demolition waste fragments using computer vision: Convolution versus extraction of selected features[Formula presented]”, Expert Syst Appl, vol. 238, Mar. 2024, https://doi.org/10.1016/j.eswa.2023.121568.
Z. Dong, J. Chen, and W. Lu, “Computer vision to recognize construction waste compositions: A novel boundary-aware transformer (BAT) model”, J Environ Manage, vol. 305, Mar. 2022, https://doi.org/10.1016/j.jenvman.2021.114405.
J. Chen, D. Liu, S. Li, and D. Hu, “Registering georeferenced photos to a building information model to extract structures of interest”, Advanced Engineering Informatics, vol. 42, Oct. 2019, https://doi.org/10.1016/j.aei.2019.100937.
S. Liang and Y. Gu, “A deep convolutional neural network to simultaneously localize and recognize waste types in images”, Waste Management, vol. 126, pp. 247–257, May 2021, https://doi.org/10.1016/j.wasman.2021.03.017.
S. P. Gundupalli, S. Hait, and A. Thakur, “Multi-material classification of dry recyclables from municipal solid waste based on thermal imaging”, Waste Management, vol. 70, pp. 13–21, Dec. 2017,
https://doi.org/10.1016/j.wasman.2017.09.019.
S. P. Gundupalli, S. Hait, and A. Thakur, “A review on automated sorting of source-separated municipal solid waste for recycling”, in Waste Management, Elsevier Ltd, Feb. 2017, pp. 56–74. https://doi.org/10.1016/j.wasman.2016.09.015.

Poděkování

Článek vznikl za přispění rámcového programu Evropské unie Horizon Europe (výzva HORIZON-CL4-2021-TWIN-TRANSITION-01-11) na základě grantové dohody č. ~101058580, projektu RECONMATIC (Automatizovaná řešení pro udržitelné a oběhové hospodářství stavebních a demoličních odpadů). Dále děkujeme ČVUT v Praze za poskytnutí podpory v rámci grantové dohody č. SGS24/003/OHK1/1T/11 (Aplikace nových technologií pro zvýšení udržitelnosti stavebnictví).