Identificação e classificação de lixo doméstico através de rede neural convolucional : revisão e pesquisa de mercado

Abstract

A geração de resíduos sólidos urbanos no Brasil tem crescido de maneira substancial nos últimos anos, e cerca de 40% de todo esse resíduo é descartado incorretamente, gerando riscos à saúde e ao meio ambiente. A tecnologia de Machine Learning vem sendo largamente empregada, particularmente na área de reconhecimento de imagem, para a identificação e classificação desses resíduos. Este trabalho propõe-se a analisar a viabilidade de diversos modelos de redes neurais aplicadas na classificação de lixo reciclável doméstico, com o objetivo de desenvolver um protótipo de rede neural que possa ser continuamente aprimorado em trabalhos futuros para posterior uso como ferramenta de auxílio pessoal na destinação correta do lixo doméstico. Utilizando do conjunto de dados TrashNet com adição de algumas classes de imagens adequadamente reclassificadas do Waste_Pictures, testou-se a performance inicial de quatro modelos de redes neurais (ResNet34, VGG16, DenseNet121 e MobileNet_V2), para posterior ajuste fino do modelo com melhor performance. O modelo VGG16 atingiu 85,28% de acurácia, mas para classificar não-recicláveis (restos) atingiu somente 47,67%. O modelo ResNet34 obteve 84,99% de acurácia geral, e 66,67% para nãorecicláveis, sendo o modelo escolhido para ser otimizado. O novo teste com o modelo ResNet34 foi treinado com imagens menores nos estágios iniciais para acelerar o aprendizado, e com imagens maiores nos estágios finais para aumentar sua acurácia, resultando em uma acurácia final de 91,97%. Para melhores resultados, sugere-se aumentar a qualidade e tamanho dos conjuntos de dados, assim como testar extensivamente modelos e parâmetros mais otimizados.

The generation of urban solid waste in Brazil has grown substantially in recent years, and about 40% of all this waste is disposed of incorrectly, creating risks to the public health and the environment. Machine Learning technology has been widely employed, particularly in the area of image recognition, for the identification and classification of these waste. This work proposes to analyze the viability of several neural network models applied to the classification of household recyclable waste, with the objective of developing a neural network prototype that can be continuously improved over in future works for further use as a tool for personal assistance in the correct disposal of household waste. Using the TrashNet dataset with the addition of some appropriately reclassified image classes from the Waste_Pictures dataset, the initial performance of four neural network models (ResNet34, VGG16, DenseNet121, and MobileNet_V2) was tested, for subsequent fine-tuning of the best performing model. The VGG16 model achieved 85.28% accuracy, but for classifying non-recyclables (trash) it achieved only 47.67%. The ResNet34 model achieved 84.99% accuracy overall, and 66.67% for non-recyclables, and was the model chosen to be optimized. The new test with the ResNet34 model was trained with smaller images in the initial stages to speed up learning, and with larger images in the final stages to increase its accuracy, resulting in a final accuracy of 91.97%. For better results, it is suggested to increase the quality and size of the datasets, as well as to extensively test more optimal models and parameters.