Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

Resumo Técnico: Triagem de Resíduos Eficiente para a Economia Circular

Definição do Problema
A transição para uma Economia Circular é dificultada pela complexidade das regulamentações de descarte de resíduos, que variam significamente entre os municípios europeus. Na Alemanha, por exemplo, os requisitos de triagem diferem não apenas entre os estados federais, mas também entre os distritos individuais. Essa heterogeneidade torna difícil para os residentes descartarem os resíduos corretamente, levando a altas taxas de contaminação (por exemplo, até 30% dos resíduos plásticos na Alemanha são descartados incorretamente) e ao aumento dos custos de tratamento. Embora aplicações móveis baseadas em IA ofereçam uma solução potencial ao orientar os residentes, os sistemas existentes carecem frequentemente da configurabilidade necessária para se adaptarem aos esquemas de triagem locais específicos. Além disso, as abordagens padrão de classificação multiclasse apresentam dificuldades com a modularidade; adaptar um modelo para novas regulamentações normalmente exige o retreinamento completo. Adicionalmente, há uma necessidade de equilibrar o desempenho preditivo com o esforço de anotação humana, especificamente identificando amostras incertas para revisão humana sem um trabalho manual excessivo.

Metodologia
Os autores avaliaram e compararam duas estratégias de classificação proeminentes: One-vs-All (OvA) e One-vs-Rest (OvR), utilizando um conjunto de dados alinhado com o esquema de gestão de resíduos de Goslar, Alemanha.

• Construção do Conjunto de Dados: O estudo utilizou um conjunto de dados de triagem de resíduos de seis classes, construído através da fusão e mapeamento de imagens dos conjuntos de dados TACO e TrashNet para um framework local. As categorias finais incluíram Resíduo Orgânico, Resíduo de Papel, Resíduo de Plástico e Metal, Centro de Reciclagem, Vidro e Resíduo Comum. O conjunto de dados foi estratificado em 18.515 imagens de treinamento, 2.000 de validação e 2.000 de teste.
• Estratégia OvA: Um único classificador multiclasse foi construído utilizando um backbone InceptionV3 pré-treinado (ImageNet) com camadas customizadas de Global Average Pooling, Fully Connected (FC) e Dropout. A camada de saída utilizou uma função de ativação Softmax para gerar uma distribuição de probabilidade normalizada entre as seis classes.
• Estratégia OvR: Seis classificadores binários independentes foram treinados, um para cada classe alvo. Cada classificador utilizou o mesmo backbone e arquitetura InceptionV3, mas empregou uma função de ativação Sigmoid para o seu neurônio de saída único. As amostras positivas para um classificador específico eram instâncias daquela classe alvo, enquanto as amostras negativas compreendiam todas as outras classes.
• Análise Guiada por Confiança: Para abordar o compromisso entre as taxas de erro de classificação e o esforço de anotação humana, os autores aplicaram variados limiares de confiança. As amostras de teste foram categorizadas em quatro grupos com base nas probabilidades de predição:
  1. Alta Confiança (Grupo 1): Uma classe com $p \ge 0,95$.
  2. Voto Único (Grupo 2): Uma classe com $0,50 < p < 0,95$.
  3. Multi-Voto (Grupo 3): Múltiplas classes com $0,50 < p < 0,95$ (exclusivo para OvR).
  4. Sem Voto (Grupo 4): Todas as classes com $p \le 0,50$.

Principais Resultados

• Acurácia Geral: A estratégia OvA alcançou uma acurácia geral marginalmente superior, classificando incorretamente 49 imagens em comparação com as 54 da estratégia OvR.
• Padrões de Erro: Apenas 29 imagens foram comumente classificadas incorretamente por ambas as estratégias, indicando padrões de erro distintos para cada abordagem.
• Identificação de Incerteza:
  • OvA: A estratégia teve dificuldade em identificar amostras incertas. O Grupo 3 não continha amostras (pois as probabilidades somam 1), e o Grupo 4 continha apenas 2 amostras (ambas classificadas incorretamente). Consequentemente, focar nos Grupos 3 e 4 capturou apenas cerca de 4% das classificações incorretas. Erros de alta confiança (Grupo 1) foram difíceis de detectar, com 27 amostras classificadas incorretamente "perdidas" devido às altas probabilidades previstas.
  • OvR: Esta estratégia demonstrou uma capacidade superior em sinalizar amostras incertas. O Grupo 3 (Multi-Voto) e o Grupo 4 (Sem Voto) continham uma concentração significativa de erros. Especificamente, focar nos Grupos 3 e 4 permitiu a identificação de mais de 50% das classificações incorretas, enquanto exigia a anotação humana de menos de 5% do total de dados. Focar exclusivamente no Grupo 4 identificou mais de 35% das classificações incorretas com menos de 2,5% de esforço de anotação.

Significância e Alegações
O artigo alega que, embora a estratégia OvA ofereça uma acurácia bruta ligeiramente melhor para a triagem de resíduos multiclasse, a estratégia OvR é superior para o refinamento iterativo do modelo e adaptabilidade. A significância do trabalho reside em demonstrar que o OvR:

1. Aumenta a Modularidade: Permite a adição ou remoção seletiva de categorias de resíduos (por exemplo, para cumprir novas regulamentações municipais) sem a necessidade de retreinar todo o sistema.
2. Otimiza os Esforços de Human-in-the-Loop: Fornece um mecanismo mais eficaz para identificar amostras incertas para revisão humana, reduzindo significativamente o esforço de anotação necessário para corrigir uma grande parte dos erros.
3. Apoia os Objetivos da Economia Circular: Ao oferecer um framework configurável que pode se adaptar às regulamentações locais descentralizadas, a abordagem OvR apoia a implementação de ferramentas escaláveis e fáceis de usar para a triagem de resíduos.

Os autores concluem que trabalhos futuros devem explorar frameworks de ensemble que combinem ambas as estratégias para aproveitar suas forças complementares e investigar limiares adaptativos como hiperparâmetros.