1. Бойченко М.М., Перчаткин А.В., Фимушин А.В. Свидетельство о государственной регистрации программы для ЭВМ № 2023613105. Сервис визуализации и расчета засоренности лома в вагонах ОКО-Сорт НЛМК (ОКО-Сорт НЛМК): № 2023611096: заявл. 24.01.2023: опубл. 10.02.2023.
2. Дегтярева В.В., Плугарь М.С. Совершенствование бизнес-процесса оценки засоренности металлолома на основе вне дрения цифровых инструментов. Russian Economic Bulletin. 2023;2(6):205-211.
3. Дзюб И.С., Белякова А.С., Стронкин Д.А. Разработка экспертной система оценки степени засора и металлического ло ма на участке подготовки лома ЛПК АО «ВМЗ» по изображениям содержимого разгружаемых транспортных средств. Методы и устройства передачи и обработки информации. 2023;25:57-63.
4. Жихарев П.Ю., Мунтин А.В., Брайко Д.А., Крючкова М.О. Искусственный интеллект и машинное обучение в метал лургии. Часть 2. Примеры применения. Металлург. 2023;10:99-111.
5. Камчатова Е.Ю., Чащин В.Д. Результаты цифровизации промышленности (на примере металлургического комплекса России). В кн.: Приоритетные и перспективные направления научно-технического развития Российской Федерации: материалы V Всероссийской научно-практической конференции, Москва, 16 февраля 2022 г. М.: Государственный университет управления; 2022. С. 232-235.
6. Мунтин А.В., Жихарев П.Ю., Зинягин А.Г., Брайко Д.А. Искусственный интеллект и машинное обучение в металлургии. Часть 1. Методы и алгоритмы. Металлург. 2023;6:124-130. https://doi.org/10.52351/00260827_2023_06_124
7. Шешуков О. Ю., Мысик В. Ф., Некрасов И. В., Трегубова Ю. А. Актуальные вопросы подготовки лома к электроплавке. В кн.: Физико-химические основы металлургических процессов (ФХОМП 2022): материалы Международной научной конференции имени академика А.М. Самарина, посвященной 120-летию со дня рождения выдающегося ученого-металлурга, академика АН СССР Самарина А.М., 265-летию со дня основания Выксунского металлургического завода и 20-летию Выксунского филиала НИТУ «МИСиС», Выкса, 10-14 октября 2022 г. Выкса: Выксунский металлургический завод; 2022. С. 176-180.
8. Brooks L., Gaustad G., Gesing A., Mortvedt T., Freire F. Ferrous and non-ferrous recycling: Challenges and potential technology solutions. Waste Management. 2019;85:519-528. https://doi.org/10.1016/j.wasman.2018.12.043
9. Chen S., Hu Z., Wang C., Pang Q., Hua L. Research on the process of small sample non-ferrous metal recognition and separation based on deep learning. Waste Management. 2021;126:266-273. https://doi.org/10.1016/j.wasman.2021.03.019
10. Jeske T., Würfels M., Lennings F. Development of Digitalization in Production Industry - Impact on Productivity, Management and Human Work. Procedia Computer Science. 2021;2(180):371-380. https://doi.org/10.1016/j.procs.2021.01.358
11. Kashiwakura S., Wagatsuma K. Characteristics of the calibration curves of copper for the rapid sorting of steel scrap by means of laser-induced breakdown spectroscopy under ambient air atmospheres. Analytical Sciences. 2013;12(29):1159-1164. https://doi.org/10.2116/analsci.29.1159
12. Lee J., Irisboev I.O., Ryu Y. Literature Review on Digitalization in Facilities Management and Facilities Management Performance Measurement: Contribution of Industry 4.0 in the Global Era. Sustainability. 2021;13(23):13432. https://doi.org/10.3390/su132313432
13. Li Y., Qin X., Zhang Z., Dong H. A robust identification method for nonferrous metal scraps based on deep learning and superpixel optimization. Waste Management & Research. 2021;4(39):573-583. https://doi.org/10.1177/0734242X20987884
14. Meng L., Wang Z., Wang L., Guo L., Guo Z. Novel and efficient purification of scrap Al-Mg alloys using supergravity technology. Waste Management. 2021;119:22-29. https://doi.org/10.1016/j.wasman.2020.09.027
15. Srivastava E., Kim H., Lee J., Shin S., Jeong S., Hwang E. Adversarial Data Augmentation and Transfer Net for Scrap Metal Identification Using Laser-Induced Breakdown Spectroscopy Measurement of Standard Reference Materials. Applied Spectroscopy. 2023;6(77):603-615. https://doi.org/10.1177/00037028231170234