Classificação de Imagens de Resíduos Eletrônicos Usando Redes Neurais Convolucionais

• Autor(a) principal: Silva, Jose Alexandre Ferreira da
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-14092023-142702/
• topic: Aprendizagem profunda; Ciência de dados; Classificação de imagens; Data science; Deep learning; E-Waste; Image classification; Neural network; Redes neurais; Resíduos eletrônicos

O descarte ambientalmente correto de equipamentos elétricos e eletrônicos em fim de vida útil é um assunto de extrema relevância na sociedade atual, em que o constante surgimento de novos dispositivos incentiva seu consumo desenfreado, o que acaba por resultar na geração de enormes volumes de resíduos (e-waste). Logo, o desenvolvimento e a aplicação de novas técnicas para a otimização do processo de reciclagem consiste em fator preponderante para a expansão de uma Gestão Verde da Cadeia de Suprimentos. Neste sentido, alguns trabalhos têm sido propostos na área de classificação de imagens de resíduos, mas poucos abordam especificamente aqueles oriundos de equipamentos elétricos e eletrônicos, cujas especificidades devem ser tratadas de maneira apropriada quaisquer que sejam os métodos propostos. Este projeto teve como objetivo apresentar e implementar uma abordagem para classificação de imagens de resíduos eletrônicos através de técnicas de Aprendizado Profundo, notadamente Redes Neurais Convolucionais (Convolutional Neural Networks CNNs), já que estas têm se destacado na área de Visão Computacional. Dessa forma, foram construídos 18 modelos de CNNs, a partir de modelos originalmente pré-treinados, para que as eficácias de diferentes arquiteturas pudessem ser comparadas no contexto da identificação de e-waste. O processo de transfer learning foi conduzido a partir de uma base de dados com 1.670 imagens de resíduos eletrônicos, previamente rotuladas em 11 classes desbalanceadas. Para mitigar este cenário, aplicaram-se técnicas tais como oversampling e data augmentation, aumentando assim o número e a diversidade de imagens no conjunto de treinamento. Após a avaliação dos resultados de acordo com métricas tais como top-1 accuracy, top-5 accuracy, precision, recall e f1-score, destaca-se o sucesso da estratégia de correção da resolução das imagens (FixResNet e FixEfficientNet), em comparação com as arquiteturas originais (ResNet e EfficientNet). O modelo fixresnet152 obteve a melhor acuracidade top-1 média (83,4%), calculada entre todas as 5 folds originadas pelo método Stratified K-Fold, mas é importante enfatizar que o modelo inceptionresnet_v1 obteve a segunda melhor acuracidade top-1 média (82,1%), ainda que tenha sido treinado com menos do que a metade do número de parâmetros e com um tempo total cerca de 10 minutos mais rápido em relação ao modelo fixresnet152. Os resultados poderão servir de base para futuros trabalhos que almejem a automação do processo de classificação e separação de materiais nos estágios iniciais de uma planta de reciclagem.