Thuật ngữ Công nghiệp 4.0 lần đầu tiên được đề cập bằng tiếng Đức trong sự kiện "Hội chợ Hannover” năm 2011 tại Đức, và được đưa ra như một đề xuất cho việc phát triển một khái niệm mới về chính sách kinh tế của Đức dựa trên các chiến lược công nghệ cao, tượng trưng cho sự khởi đầu của cái gọi là Cách mạng công nghiệp lần thứ tư. Do đó, từ năm 2011, các ấn phẩm khoa học về công nghiệp 4.0 bắt đầu xuất hiện, tăng theo cấp số nhân vào khoảng năm 2013. Và nhiều học giả, nhà nghiên cứu và chuyên gia kinh doanh đã chú ý đến mô hình công nghiệp mới và các công nghệ tiềm năng của nó.

Công nghiệp 4.0 là một mô hình sản xuất tiên tiến với đặc trưng là một tập hợp toàn diện các công nghệ hợp lý hóa hiệu suất công nghiệp, tích hợp hơn, ảo, kỹ thuật số, với thời gian đáp ứng tuyệt vời đối với các tác nhân bên trong và bên ngoài, và đặc biệt là với hành vi bền vững và môi trường chuẩn mực. Ngành công nghiệp 4.0 bao gồm một tập hợp sáu nguyên tắc thiết kế về bản chất bao gồm phân cấp, ảo hóa, khả năng tương tác, tính hệ thống, khả năng theo thời gian thực và định hướng dịch vụ. 

Các công nghệ hiện có trong nền công nghiệp 4.0 không nhất thiết phải mới, điều thay đổi là sự tích hợp giữa chúng, cho phép ngành hoạt động năng động và nhanh chóng đáp ứng các nhu cầu bên trong và bên ngoài. Trong bối cảnh sản xuất, những công nghệ này cho phép các quy trình sản xuất hiệu quả hơn, tinh gọn hơn và nhanh hơn và bền vững hơn với môi trường.

Một trong những đặc thù của nền công nghiệp 4.0 là khả năng tích hợp phụ thuộc lẫn nhau của hai chuỗi giá trị, ngang và dọc thông qua quá trình số hóa. Số hóa chuỗi giá trị theo chiều ngang hoạt động để tích hợp và tối ưu hóa luồng thông tin và hàng hóa từ khách hàng đến nhà cung cấp, và do đó thông tin sẽ quay trở lại. Quá trình này liên quan đến việc tích hợp và chủ động kiểm soát tất cả các lĩnh vực nội bộ của công ty, chẳng hạn như lập kế hoạch, mua hàng, sản xuất và hậu cần. Quá trình này cũng bao gồm tất cả các đối tác bên ngoài chuỗi giá trị, những người tham gia chính trong việc đáp ứng các yêu cầu của khách hàng và thực hiện các dịch vụ được yêu cầu. Mặt khác, số hóa chuỗi giá trị dọc gắn liền với việc đảm bảo luồng dữ liệu và thông tin bán hàng thông qua phát triển sản phẩm cho sản xuất và hậu cần. Chất lượng và tính linh hoạt có thể được tăng lên và giảm chi phí thông qua kết nối chính xác và tối ưu của các hệ thống sản xuất và phòng ngừa ô nhiễm.

Trong nền công nghiệp 4.0, các công nghệ tích hợp với nhau để định vị bền vững hơn về môi trường của nền công nghiệp 4.0 trong tất cả các lĩnh vực của nó. Công nghiệp 4.0 quan tâm đến sử dụng hiệu quả tài nguyên thiên nhiên hơn, ít chất thải hơn, các quy trình gọn gàng hơn và vòng đời của máy móc và thiết bị dài hơn. Tất cả những yếu tố này cùng với công nghệ góp phần làm cho quản lý môi trường 4.0. cũng trở nên đột phá so với các ngành công nghiệp trước đây.

Sự kết nối giữa các mạng lưới tạo giá trị trong nền công nghiệp 4.0 mang đến cơ hội mới cho việc hợp nhất các vòng đời sản phẩm khép kín và cộng sinh công nghiệp. Kết nối mạng cho phép điều phối hiệu quả các dòng nước, năng lượng, nguyên liệu và sản phẩm trong suốt vòng đời của sản phẩm, cũng như giữa các nhà máy khác nhau. Vòng đời sản phẩm khép kín giúp giữ cho sản phẩm luôn trong vòng đời với nhiều giai đoạn sử dụng khác nhau, với việc tái sản xuất hoặc tái sử dụng giữa chúng. Cộng sinh công nghiệp giúp tăng cường hợp tác giữa các nhà máy khác nhau để đạt được lợi thế cạnh tranh bằng cách mua bán và trao đổi nước, năng lượng, nguyên liệu và sản phẩm cũng như dữ liệu thông minh ở cấp địa phương.

Những chuyển đổi bởi công nghiệp 4.0 đã cách mạng hóa các hình thức thương mại và thúc đẩy thay đổi hành vi trong lĩnh vực tiêu dùng và sản xuất để hình thành các mô hình kinh doanh bền vững hơn. Những công nghệ mới liên tục tác động đến các lĩnh vực như y tế, năng lượng và xây dựng, và được lập trình trong quy trình thông minh tạo ra các sản phẩm và dịch vụ có mục tiêu là cung cấp sự thoải mái và chất lượng cuộc sống gắn với việc quản lý các nguồn lực hiện có.

Sự khác biệt của mô hình công nghiệp 4.0 so với công nghiệp hiện tại là có thể sử dụng một bộ công nghệ có sẵn cho phép hiệu suất công nghiệp phù hợp hơn với môi trường, sạch sẽ và hiệu quả hơn. Các công nghệ tiềm năng để quản lý môi trường trong nền công nghiệp 4.0 được tóm tắt như sau:

Hệ thống mạng thực (CPS) là tác nhân có liên quan đến quản lý môi trường vì chúng có thể nhận biết kế hoạch sản xuất, quy định các bước sản xuất, cung cấp dữ liệu về việc sử dụng tài nguyên và đầu vào sản xuất, và quản lý chúng trong suốt quá trình sản xuất theo thời gian thực, đồng thời có thể thay đổi bất kỳ bước sản xuất nào nếu cần. 

Do đó, việc sử dụng các nguồn lực, chủ yếu là tự nhiên, được thực hiện một cách có ý thức hơn. Tương tự như vậy, có thể tạo ra ít chất thải hơn vì các vật liệu phù hợp đang được sử dụng ở mức độ phù hợp và khi cần thiết. Bởi vì chúng được kết nối với internet và được quản lý mang tính hệ thống nên bất kỳ thay đổi nào cần được thực hiện, CPS có thể truyền đạt thông báo đó thông qua các thông báo tới hệ thống máy tính và thiết bị di động và tự thực hiện những thay đổi cần thiết trong quá trình sản xuất (khi được lập trình) hoặc được phép (khi có sự phối hợp của con người).

Sản xuất đám mây (CMfg) là một tác nhân tiềm năng khác để củng cố quản lý môi trường 4.0. Công nghệ này chịu trách nhiệm tiếp nhận, lưu trữ, xử lý, phân tích và chia sẻ dữ liệu và thông tin sản xuất. Thông qua công nghệ này, không chỉ các vấn đề từ môi trường bên trong được xử lý mà còn cả những tác nhân bên ngoài. Do tính năng định hướng dịch vụ của nó, bất kỳ thay đổi nhỏ hoặc cần điều chỉnh đơn đặt hàng của khách hàng, thông báo sẽ được gửi và trình bày trong hệ thống cho những người chịu trách nhiệm về một bước sản xuất nhất định. Bằng cách này giúp khách hàng có thể theo dõi các bước sản xuất của một sản phẩm, họ có thể đề xuất sửa đổi hoặc không. Điều này, trong một ngành công nghiệp truyền thống, có thể dẫn đến lãng phí một lượng lớn tài nguyên, vật liệu, sử dụng năng lượng hiệu quả, dẫn đến lãng phí. Tuy nhiên, với CMfg, nếu khách hàng yêu cầu bất kỳ thay đổi nào về sản phẩm, thì sau khi phân tích hệ thống, sản xuất có thể được thay đổi mà không gây lãng phí đáng kể tài nguyên, vật liệu và hiệu quả, đồng thời các vật liệu khác có thể được sử dụng có thể được tích hợp vào quá trình sản xuất, dẫn đến tối ưu hóa nguồn lực.

Phân tích dữ liệu lớn (BDA) lưu trữ và phân tích tất cả dữ liệu ngành. Tiềm năng của quản lý môi trường 4.0 là phân tích và cung cấp dữ liệu và thông tin liên quan về tài nguyên hiện có, tài nguyên được sử dụng, chức năng của máy móc, hiệu quả năng lượng, phát sinh chất thải, sử dụng chất thải và mức độ phát sinh ô nhiễm. BDA có thể cung cấp thông tin lịch sử về một nguồn tài nguyên có thể đã được sử dụng để sản xuất cùng một hàng hóa, có thể được tái sử dụng lại. Nó cũng có thể thông báo, bởi các hệ thống, việc thiếu một nguồn lực nhất định để sản xuất, hoặc thậm chí là sự cố của một số máy móc, khiến quá trình sản xuất bị gián đoạn.

Với quyền truy cập thông tin CMfg, BDA có thể đề xuất những thay đổi trong các đặc điểm cụ thể của quy trình sản xuất. BDA đóng vai trò như một cảnh báo về các cơ hội và nhu cầu sửa chữa, cũng như khả năng lưu trữ dữ liệu và thông tin cao. Do đó, bất kỳ cơ hội nào để nâng cao năng lực sản xuất bằng cách sử dụng ít tài nguyên hơn hoặc tận dụng ít chức năng của máy móc hơn, hoặc bằng cách cảnh báo việc sử dụng sai nguồn tài nguyên hoặc vật liệu nhằm mục đích sản xuất hàng hóa, hoặc thậm chí là hoạt động của một chiếc máy bị hỏng, đều có thể được thông báo bởi BDA, giúp đóng góp tích cực vào môi trường.

Thực tế ảo tăng cường (AR) hợp tác hiệu quả với quản lý môi trường 4.0 vì nó có thể tư vấn về việc lập kế hoạch trước khi thành hiện thực, mô phỏng những gì sẽ được thực hiện và nhu cầu sửa chữa ngay cả ở khoảng cách xa hoặc từ các địa điểm khác nhau. Nó cũng góp phần vào quá trình đào tạo và nâng cao năng lực, truyền đạt kiến thức cho nhân viên về các hành động bền vững với môi trường thông qua việc hình dung các dự báo thực tế. Cộng nghệ này giúp định tuyến đường xếp dỡ hàng hóa, nhờ đó các tài xế xe tải tối ưu tuyến đường họ cần đến giúp giảm phát thải từ các phương tiện vận chuyển. AR cũng có thể được tích hợp với việc giám sát các hoạt động sản xuất, cho phép kiểm tra các hỏng hóc, sự cố, gián đoạn hoặc lỗi trong dây chuyền sản xuất, và các chức năng liên quan khác.

Cảm biến thông minh (SS) là một loại công nghệ cảnh báo để nhân viên xem các lỗi có thể xảy ra hoặc sự không phù hợp trong nguyên liệu, sản phẩm, máy móc, bước hoặc dây chuyền sản xuất và có thể đo lường mức độ chất thải hoặc ô nhiễm được tạo ra.

Việc phát hiện vị trí giúp các nguồn lực cần có trong dây chuyền sản xuất được định vị dễ dàng mà không lãng phí nhiều thời gian và tiết kiệm năng lượng cho việc vận hành máy móc. Với tính năng phát hiện vị trí, ngành công nghiệp trở nên nhanh và chính xác hơn, giảm thiểu phát sinh chất thải do các lỗi xác minh cục bộ. Ngoài ra, hậu cần có thể ngăn chặn việc giao hàng và vận chuyển sai do nhầm lẫn trong việc xác định địa điểm lưu kho.

Internet vạn vật (IoT) kết nối dữ liệu và thông tin từ tất cả các lĩnh vực của ngành và hơn thế nữa với các bên có liên quan. IoT cho phép xác định các lỗi máy móc và thiết bị có thể đảo ngược hoặc không thể đảo ngược, các vấn đề về cảm biến và hệ thống, gián đoạn sản xuất, thay đổi yêu cầu của khách hàng, cơ hội dịch vụ của các bên liên quan và nhiều khả năng khác. Vì vậy, IoT là một công nghệ có giá trị cho quản lý môi trường 4.0 vì nó có thể ngăn ngừa việc hư hỏng máy móc hoặc thiết bị sản xuất do tình trạng hư hại chưa được xác minh trước đó, do đó phát sinh chất thải ra. Tương tự như vậy, IoT thể nhanh chóng xác minh rằng các cảm biến và hệ thống không hoạt động bình thường và không thể nhận thấy việc sử dụng không đúng một tính năng cụ thể trong một sản phẩm, điều này có thể dẫn đến mất tính năng và sản phẩm,dẫn đến việc chiết xuất tính năng bị mất và phát thải ra môi trường.

Sản xuất bồi đắp (AM) là một công nghệ có mức độ đổi mới cao trong việc sử dụng các nguồn lực trong sản xuất. Đóng góp chính của AM đối với quản lý môi trường 4.0 là nó có thể sử dụng các loại vật liệu khác không nhất thiết phải lấy từ tự nhiên để sản xuất các loại sản phẩm khác nhau.

Với AM, một số phân khúc ngành có thể chuyển đổi sản xuất các sản phẩm của họ bằng cách sử dụng nguyên liệu không trực tiếp từ tự nhiên hoặc có thể phân hủy sinh học. Bằng cách này, ngành công nghiệp có thể đạt được một hành vi đúng đắn hơn về môi trường liên quan đến việc mua lại các phụ phẩm từ ngành này cho các đầu vào sản xuất của ngành khác. Về phát sinh chất thải, AM có thể sử dụng các vật liệu không phù hợp hoặc phụ tùng trong ngành và làm cho chúng khả thi để sản xuất các sản phẩm mới tích hợp chúng thay vì lựa chọn các vật liệu được chiết xuất hoặc đúc sẵn, loại bỏ những vật liệu không phù hợp gây ra các kết quả tiêu cực về môi trường.

Để ứng phó với sự gia tăng phát sinh chất thải, nhiều hệ thống giám sát khác nhau áp dụng IOT đã được phát triển để giám sát việc phát sinh chất thải tại Ấn Độ và Trung Quốc(Misra và cộng sự, 2018, Wen và cộng sự, 2018). Hệ thống IoT đã được phát triển để giám sát trạng thái hoặc mức độ lấp đầy của các thùng rác để tạo điều kiện thuận lợi cho công tác hậu cần liên quan đến việc thu gom chất thải thông qua thu thập, chia sẻ, xử lý dữ liệu và hiển thị thông tin bằng cách sử dụng các cảm biến khác nhau, công nghệ truyền thông, phần mềm lưu trữ và xử lý dữ liệu.

Các cảm biến khác nhau có thể được sử dụng để đo trọng lượng, không gian chiếm dụng và / hoặc phát sinh khí do chất thải phân huỷ trong các thùng rác, do đó tạo ra dữ liệu liên quan đến trạng thái hoặc mức độ đầy của thùng. Cerchecci và cộng sự (2018) cho thấy rằng cảm biến siêu âm có thể cung cấp độ chính xác ở mức 1cm trong việc đo chiều cao chiếm trong thùng rác khi chúng chưa đầy. Các cảm biến thường được đặt bên trong thùng rác, nhưng để đo trọng lượng, cảm biến cũng có thể được gắn vào xe thu gom để đo trọng lượng khi chất thải đang được chuyển từ thùng rác sang xe thu gom. Ngoài dữ liệu liên quan đến chất thải, hệ thống GPS được sử dụng để thu thập dữ liệu về vị trí của các xe thu gom. Misra và cộng sự (2018) tuyên bố rằng độ chính xác của cảm biến siêu âm là ~ 3.0 mm.

Việc truyền dữ liệu có thể được thực hiện bằng các công nghệ mạng và truyền thông khác nhau. Cerchecci (2018) đã sử dụng công nghệ LoRa LPWAN để truyền tải dữ liệu cảm biến trong thời gian thực từ các thùng rác và chứng minh rằng phạm vi truyền cho nút IoT nguyên mẫu đến nút cổng là 1,1 km ở trung tâm thành phố, trong khi 2,7 km trong tầm nhìn rõ ràng giữa các nút. Hơn nữa, cần 10 giây để truyền. Wen và cộng sự (2018) sử dụng mô-đun GPRS để gửi dữ liệu và thông tin trong thời gian thực từ xe thu gom từ các thiết bị cảm biến trên tàu (bao gồm dữ liệu trọng lượng của chất thải và liên quan đến bộ tạo ra chất thải từ thẻ RFID tương ứng) đến một máy chủ / điều khiển nền trung tâm. Misra và cộng sự. (2018) sử dụng mô-đun Wi-Fi để truyền dữ liệu cảm biến từ thùng rác đến máy chủ từ xa. 

Wen và cộng sự (2018) cũng đã phát triển một nền tảng quản lý dữ liệu mà dữ liệu từ tất cả các thiết bị cảm biến trên bo mạch được truyền tải và trực quan hóa để thực hiện quản lý thời gian thực cho những người ra quyết định. Misra và cộng sự (2018) đã sử dụng một ứng dụng mã nguồn mở để xử lý dữ liệu. Dữ liệu được hiển thị trực quan trong một ứng dụng di động và có thể được truy cập để cập nhật trạng thái của các thùng rác liên quan đến khí và khối lượng đổ đầy. Sử dụng máy chủ đám mây, có thể tạo các ứng dụng ghi nhật ký cảm biến, theo dõi vị trí và mạng lưới.

Để tạo điều kiện thuận lợi cho các dịch vụ quản lý chất thải ở các khu vực đô thị theo các quy định và chiến lược liên tục chặt chẽ hơn nhằm cải thiện hoạt động xử lý chất thải rắn sin hoạt, các dự báo dựa trên dữ liệu về các dòng chất thải trong tương lai là rất quan trọng (Abbasi và El Hanandeh, 2016, Kontokosta và cộng sự, 2018). Ở Canada, các hoạt động quản lý chất thải có sự khác nhau giữa các tỉnh và thành phố. Thêm vào đó, các nhà quản lý đang mong muốn thay thế nguồn điện sản xuất từ diesel sang nguồn điện từ chất thải (Kannangara và cộng sự, 2018). Để đáp ứng cả hai mục tiêu này, trí tuệ nhân tạo (AI - Aritifical Intelligient), học máy (ML - Machine learning) đã được sử dụng để dự đoán sự phát sinh chất thải trong tương lai. Việc dự đoán chính xác về các dòng chất thải trong tương lai có thể cung cấp cho các bên liên quan thông tin để cải thiện hệ thống quản lý chất thải hiện tại và thiết kế các hệ thống quản lý chất thải mới theo nhu cầu trong tương lai cả ngắn hạn, trung hạn và dài hạn. Abbasi và El Hanandeh, 2016 đã áp dụng bốn kỹ thuật ML khác nhau bao gồm mạng nơ-ron nhân tạo (ANN), hệ thống suy luận mờ thần kinh thích ứng (ANFIS), máy vectơ hỗ trợ (SVM) để dự báo CTRSH theo tháng bằng cách sử dụng dữ liệu trọng số về CTRSH phát sinh hàng tháng từ 18 năm.

Kannangara và cộng sự. (2018) đã sử dụng cây quyết định và mạng nơ-ron nhân tạo để xây dựng các mô hình dự đoán CTRSH phát sinh tại Canada. Dữ liệu được sử dụng trong dự đoán bắt nguồn từ dữ liệu chất thải khu dân cư trong 9 năm. Các tham số được sử dụng bao gồm các biến dự báo các tham số kinh tế xã hội và nhân khẩu học. Kontokosta và cộng sự. (2018) báo cáo rằng khả năng dự đoán bằng máy học hoạt động tốt đối với tổng lượng rác thải, rác thải, giấy và kim loại, thủy tinh và nhựa (MGP) cho tất cả 609 khu vực tại New York vào năm 2016.

Cách tiếp cận phân loại rác hiện nay được áp dụng nhiều nhất sử dụng các phương pháp phân loại chất thải tự động từ xử lý hình ảnh. Với vấn đề này, học máy và trí tuệ nhân tạo được đề xuất để cải thiện việc phân loại. Ruiz và cộng sự (2019) đã chỉ ra rằng máy tính được lập trình để phát hiện và phân loại đối tượng bằng cách sử dụng các kỹ thuật phân tích hình ảnh, bao gồm phân đoạn, trích xuất tính năng, tìm hiểu và phân loại. Việc phân loại hình ảnh thường dựa trên mô hình mạng nơ-ron tích chập (Convolutional Neural Network (CNN)) hoặc học sâu (Deep Learning). Vrancken, Longhurst và Wagland (2019) nói rằng CNN thường được lập trình với tập dữ liệu lớn về các hình ảnh được gắn nhãn, với nhiều ví dụ về từng loại rác thải cần được phân loại. CNN được lập trình sau đó được kiểm tra với các hình ảnh mới và riêng biệt trong các loại chất thải.

Ruiz và cộng sự. (2019) đã đào tạo và thử nghiệm các mô hình CNN khác nhau để phân loại sáu loại chất thải khác nhau (nhựa, kim loại, bìa cứng, giấy, thủy tinh và thùng rác thông thường) và đạt độ chính xác trung bình 88,6%. Học sâu kết hợp với CNN được so sánh với Máy vectơ hỗ trợ (Support vector machine – SVM) để phân loại rác thành ba loại (nhựa, giấy và kim loại) trong nghiên cứu của Sakr et al. (2016), người đã phát hiện ra rằng SVM có thể đạt tỷ lệ phân loại là 95% trong khi CNN có thể đạt được 83%. Chu và cộng sự. (2018) đã sử dụng kỹ thuật học sâu kết hợp nhiều lớp, kết hợp hình ảnh ngoài dữ liệu cảm biến, để phân loại rác thải thành 6 loại (giấy, nhựa, kim loại, thủy tinh, phân hủy sinh học và các loại khác) và thu được tỷ lệ chính xác trên 90%. Ngoài các ứng dụng điển hình trên của công nghiệp 4.0 vào quản lý chất thải rắn nói riêng thì còn rất nhiều ứng dụng khác của công nghiệp 4.0 vào quản lý các nguồn thải khác nhằm tối ưu hoá hiệu quả sử dụng nhiên liệu, năng lượng đồng thời giảm phát sinh chất thải tiến tới sản xuất và tiêu dùng bền vững.

Nền công nghiệp 4.0 và các công nghệ chính có thể ứng dụng trong quản lý môi trường đã được tóm tắt trong nghiên cứu này. Sự hợp tác của bộ công nghệ 4.0 giúp mang lại hiệu quả môi trường bền vững hơn. Quản lý môi trường 4.0 mang tính đột phá vì nó có thể tích hợp đầy đủ các khả năng của một loạt các công nghệ sẵn có để đạt được hành vi hệ thống hướng tới các thực hành hiệu quả về tìm nguồn cung ứng đầu vào có ý thức, sử dụng đúng và chính xác theo nhu cầu và được yêu cầu, ít tạo ra chất thải và tái sử dụng chất thải nhiều hơn. Riêng đối với lĩnh vực quản lý chất thải rắn, việc tích hợp công nghiệp 4.0 đã và đang được áp dụng tại nhiều quốc gia trên thế giới. Điển hình là hệ thống IoT có thể được sử dụng để giám sát việc phát sinh chất thải theo thời gian thực, các kỹ thuật học máy có thể được sử dụng để dự báo việc phát sinh chất thải, kỹ thuật học máy có thể được sử dụng để phân loại rác thải thành các loại khác nhau với độ chính xác khá cao. Điều này giúp cho việc quản lý và xử lý ngày càng hiệu quả hơn lẫn về các yếu tố kinh tế, xã hội và môi trường.

Ana, C. P. C. et al, Industry 4.0 Technologies: What Is Your Potential for Environmental Management?, ISBN: 978-1-83880-094-9, UK.

Abbasi, M. and El Hanandeh, A. (2016) Forecasting municipal solid waste generation using artificial intelligence modelling approaches, Waste Management, 56, pp. 13-22. doi: https://doi.org/10.1016/j.wasman.2016.05.018.

Cerchecci, M. et al. (2018) A Low Power IoT Sensor Node Architecture for Waste Management Within Smart Cities Context, Sensors, 18(4). doi: 10.3390/s18041282.

Chu, Y. et al. (2018) Multilayer Hybrid Deep-Learning Method for Waste Classification and Recycling, Computational Intelligence and Neuroscience, 2018, pp. 9. doi: 10.1155/2018/5060857.

Kannangara, M. et al. (2018) Modeling and prediction of regional municipal solid waste generation and diversion in Canada using machine learning approaches, Waste Management, 74, pp. 3-15. doi: https://doi.org/10.1016/j.wasman.2017.11.057.

Misra, D. et al. (2018) An IoT-based waste management system monitored by cloud, Journal of Material Cycles and Waste Management, 20(3), pp. 1574-1582. doi: 10.1007/s10163-018- 0720-y.

Ruiz, V. et al. (2019) Automatic Image-Based Waste Classification, in Ferrández Vicente, J.M., et al. (ed.) From Bioinspired Systems and Biomedical Applications to Machine Learning, Cham, 2019//. Springer International Publishing, pp. 422-431.

Sakr, G. E. et al. (2016) Comparing deep learning and support vector machines for autonomous waste sorting, 2016 IEEE International Multidisciplinary Conference on Engineering Technology (IMCET), 2-4 Nov. 2016. pp. 207-212.

Vrancken, C., Longhurst, P. and Wagland, S. (2019) Deep learning in material recovery: Development of method to create training database, Expert Systems with Applications, 125, pp. 268-280. doi: https://doi.org/10.1016/j.eswa.2019.01.077.

Wen, Z. et al. (2018) Design, implementation, and evaluation of an Internet of Things (IoT) network system for restaurant food waste management, Waste Management, 73, pp. 26-38. doi: https://doi.org/10.1016/j.wasman.2017.11.054.