Processamento de imagens e desenvolvimento de um modelo em deeplearning para a classificação e identificação de resíduos eletroeletrônicos em um sistema de logística reversa

• Processo: 22/14537-5
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de dezembro de 2022
• Data de Término da vigência: 30 de abril de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Raul Julian Revelo Tobar
• Beneficiário: Filomen Incahuanaco Quispe
• CNAE: Coleta de resíduos não-perigosos ; Coleta de resíduos perigosos ; Atividades profissionais, científicas e técnicas não especificadas anteriormente
• Vinculado ao auxílio: 22/09178-6 - Sistema de identificação e rastreabilidade na logística reversa de resíduos de equipamentos eletroeletrônicos de pessoa física, AP.PIPE
• Assunto(s): Logística reversa Rede nervosa Resíduos Visão computacional
• Palavra(s)-Chave do Pesquisador: Deeplearning | Logística Reversa | Redes neuronais | resíduos | Visão Computacional | Visão Computacional

Resumo

Durante o 2019, no mundo se geraram 52 milhões de toneladas de lixo eletrônico e mais do 80% desse resíduo tem uma destinação incerta ou não documentada. No mesmo ano, no Brasil foram geradas mais de 2,1 milhões de toneladas (The Global E-waste Monitor, 2020). Dos quais, só 332 toneladas foram recebidas e destinadas adequadamente (Planares, 2022). O que aumenta os impactos negativos ao meio ambiente e à saúde humana devido ao descarte inadequado. No marco legal da Política Nacional de Resíduos Sólidos PNRS 12.305/2010, no 2019 foi assinado o acordo setorial pelo qual se estabelece as normas para que os fabricantes, importadores e comerciantes estruturem e implementem sistemas de Logística Reversa de produtos eletroeletrônicos de uso doméstico e seus componentes. Nesse cenário, é evidente que existe uma necessidade no mercado de eletrônicos de um sistema de rastreabilidade que permita monitorar o fluxo real dos REEE desde a fabricação até a destinação final, otimizando a gestão das informações e a circularidade de componentes e materiais. Para isso, pretende-se avaliar a viabilidade técnica de desenvolver um sistema de identificação para o reconhecimento visual das características e identificação desses resíduos utilizando algoritmos de deep learning por meio de Redes Neuronais Convulsionais (CNN), que viabilize a gestão do fluxo dos REEE nas cadeias de logística reversa.O desenvolvimento desse modulo de visão computacional deverá ter várias funcionalidades, incluindo a captura de imagens, identificação e a extração de informação, com o objetivo de extrair algumas características de interesse. O modulo de identificação do sistema de visão é responsável pelo rotulamento dos objetos por meio de redes já modeladas como a Alex Net, GoogLeNet, ResNet50 e etc. Esses dados extraídos do sistema de visão será fundamental para elaboração do dataset que posteriormente será utilizada para o treinamento da CNN. Espera-se que esse modelo machine learning (ML) desenvolvida consigamos classificar cada dispositivo permitindo ser rastreado e verificado na destinação final.