Optimizing recycling using automated image-based classification

: a machine learning approach for improved waste management

Resumo

Esta tese incide sobre a classificação de imagens de resíduos sólidos urbanos recorrendo a métodos de aprendizagem automática e sobre a discussão do respetivo contributo para a gestão sustentável de resíduos. Para o efeito, é comparada a performance de uma rede neural convolucional de última geração DenseNet com a de um modelo DAtNet. Este último integra camadas de atenção na arquitetura DenseNet, sendo inspirado pela tecnologia “transformer” que é reconhecida pelo seu elevado desempenho em modelos de linguagem de grande dimensão. Em particular, é analisado o impacto da transferência e da ampliação de imagens na precisão das predições. O desempenho desses modelos foi avaliado recorrendo a várias bases de dados de modo a comprovar a respetiva capacidade de generalização. Os resultados obtidos indicam que, embora o DAtNet supere o modelo DenseNet em precisão com grandes conjuntos de dados, enfrenta sérias dificuldades com bases de menor dimensão e requer mais tempo para pré-processar as imagens. Em contraste, o DenseNet tem consistentemente um bom desempenho e processa as imagens com mais eficiência, sendo recomendável para ecocentros devido ao pequeno custo computacional. Tal não impede futuras investigações, nomeadamente, em termos de melhoria das camadas de atenção dos modelos. Paralelamente, disponibilizar bases de dados fiáveis e representativas é essencial para a implementação de modelos de aprendizagem automática em casos reais de resíduos sólidos urbanos. Em última instância, o presente trabalho contribui potencialmente para a concretização de Objetivos de Desenvolvimento Sustentável e para o compromisso de cidades com zero desperdício.

Data do prémio	4 jul. 2024
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Afonso Fernandes (Supervisor)