Transfer learning-based method for automated ewaste recycling in smart cities

Resumo Técnico: Método Baseado em Aprendizado por Transferência para Reciclagem Automatizada de Lixo Eletrônico em Cidades Inteligentes

Definição do Problema
O artigo aborda o desafio crítico de gerenciar o fluxo crescente de resíduos eletrônicos (e-waste) no contexto de cidades inteligentes e da Economia Circular (CE). Os métodos tradicionais de triagem de resíduos são insuficientes para o volume e a complexidade do lixo eletrônico moderno, que contém tanto materiais valiosos (ex: ouro, cobre) quanto substâncias perigosas (ex: mercúrio, cádmio). A triagem manual é intensiva em mão de obra, propensa ao erro humano e ineficiente. Os autores identificam a necessidade específica de sistemas de triagem automatizados que possam classificar dispositivos com precisão para facilitar a reciclagem eficiente, reduzir a toxicidade ambiental e recuperar recursos, apoiando assim a transição para "cidades inteligentes circulares" sustentáveis.

Metodologia
O estudo propõe uma abordagem baseada em visão computacional utilizando Aprendizado por Transferência (Transfer Learning) para automatizar a classificação de smartphones, utilizados aqui como um estudo de caso representativo para o lixo eletrônico. O fluxo de trabalho técnico envolve as seguintes etapas:

• Construção do Conjunto de Dados: Um conjunto de dados personalizado foi curado manualmente a partir da internet, consistindo em 650 imagens RGB representando 12 modelos distintos de smartphones de 6 marcas (Acer, HTC, Huawei, Apple, LG, Samsung). Para garantir a distinguibilidade, as imagens focaram na parte traseira dos dispositivos, onde se localizam características únicas como logotipos e lentes de câmera. Os dados foram divididos em 80% para treinamento e 20% para validação.
• Arquitetura do Modelo: Os autores empregaram a AlexNet, uma Rede Neural Convolucional (CNN) pré-treinada originalmente no conjunto de dados ImageNet (1 milhão de imagens, 1.000 rótulos). Em vez de treinar uma rede do zero, o que exige conjuntos de dados massivos e recursos computacionais, o estudo utilizou o aprendizado por transferência.
  • Os pesos pré-treinados das cinco primeiras camadas (camadas convolucionais e de agrupamento/pooling) foram congelados para reter as representações de características aprendidas.
  • As três camadas finais (camadas totalmente conectadas) foram substituídas e reinicializadas para gerar saída para 12 classes correspondentes aos modelos específicos de smartphones.
• Aumento de Dados (Data Augmentation): Para lidar com o tamanho reduzido do conjunto de dados e evitar o sobreajuste (overfitting), foi aplicado um extenso aumento de dados. Isso incluiu reflexões aleatórias em X/Y, translações, escalas (intervalo 0,9–1,1) e cisalhamentos (shears, intervalo de -50 a 50 pixels). Este processo expandiu o conjunto de dados de 650 para 5.850 imagens (um multiplicador de 9x).
• Configuração de Treinamento: A implementação foi realizada no MATLAB R2020b utilizando uma GPU (ASUS Nvidia GeForce RTX 2070S). Os parâmetros de treinamento foram otimizados testando:
  • Otimizadores: Gradiente Descendente Estocástico com Momento (SGDM), Adam e RMSProp.
  • Taxas de Aprendizado: Várias taxas foram testadas para encontrar a velocidade de convergência ideal.
  • Tamanho do Lote (Batch Size): Definido em 64.
  • Épocas: Máximo de 30 com capacidades de interrupção precoce (early stopping).

Principais Resultados
O estudo avaliou o desempenho do modelo ajustando o otimizador e a taxa de aprendizado, mantendo a linha de base de aumento de dados. Os resultados indicaram:

• Desempenho do Otimizador: Entre os otimizadores testados, o SGDM apresentou a maior precisão. Adam e RMSProp mostraram desempenho inferior, com o SGDM alcançando uma precisão média de 98,35% (± 2,0155), comparado a 95,26% para o Adam e 93,20% para o RMSProp.
• Taxa de Aprendizado: Uma taxa de aprendizado de 3e-4 combinada com o otimizador SGDM proporcionou a melhor generalização e estabilidade.
• Precisão Final: O modelo otimizado alcançou uma precisão de aproximadamente 98% no conjunto de validação, demonstrando uma generalização eficaz apesar do tamanho inicial pequeno do conjunto de dados.

Significância e Alegações
O artigo afirma que sua principal contribuição reside em demonstrar a eficácia do aprendizado por transferência como uma solução viável para a triagem automatizada de lixo eletrônico, particularmente quando grandes conjuntos de dados não estão disponíveis. Os autores argumentam que:

1. Eficiência: O aprendizado por transferência reduz significativamente a carga computacional e o tempo necessários para projetar uma Rede Neural em comparação com a construção de uma do zero.
2. Precisão: O método proposto reduz a taxa de erro da triagem de lixo eletrônico em comparação com processos baseados em humanos, alcançando alta precisão (aprox. 98%) com um conjunto de dados relativamente pequeno.
3. Escalabilidade para Cidades Inteligentes: A abordagem apoia os objetivos mais amplos das Cidades Inteligentes Circulares ao permitir a digitalização na gestão de resíduos, o que pode levar a uma melhor recuperação de recursos e redução do impacto ambiental.

Os autores mantêm uma postura modesta, observando que, embora seu método melhore a eficiência da triagem, ele não é uma solução isolada para a transição para uma economia sustentável. Eles enfatizam que a classificação automatizada deve ser vista como um componente de um sistema maior, potencialmente integrado com robótica, IoT e mineração de dados, em vez de uma tecnologia de "efeito rebote" que substitui a necessidade de mudanças sistêmicas nos modelos de negócios ou no comportamento do consumidor. O trabalho é apresentado como um passo fundamental para um sistema de gestão de lixo eletrônico semi-automatizado que está sendo desenvolvido em seu Laboratório de Economia Digital Circular.