💻 computer science

MSF-TrashDet: A Lightweight Multi-Scale Feature Fusion Network for Automatic Waste Object Detection Using the TrashNet Dataset

Este artigo propõe o MSF-TrashDet, uma rede de fusão de características multiescala leve que utiliza um novo bloco de Melhoria de Características Multiescala e poda de canais estruturada para alcançar a detecção de objetos de resíduos de alta precisão e eficiente no conjunto de dados TrashNet, superando modelos de última geração como YOLOv5n, YOLOv8n e YOLOv11n com 91,91% de mAP50 enquanto mantém baixa complexidade computacional.

Autores originais: Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

Publicado 2026-07-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando ensinar um robô a separar uma pilha bagunçada de brinquedos. Alguns brinquedos são enormes, outros são minúsculos, alguns estão escondidos sob um cobertor e a iluminação do quarto muda constantemente. Este é o desafio diário para computadores que tentam "ver" e separar o lixo no mundo real. Este campo, conhecido como visão computacional, baseia-se no aprendizado profundo — pense nisso como um cérebro digital que aprende ao observar milhares de exemplos até reconhecer padrões. O objetivo é construir um sistema que não seja apenas inteligente o suficiente para distinguir uma lata de refrigerante de um saco plástico, mas também pequeno e rápido o suficiente para rodar em um chip simples dentro de uma lixeira, em vez de precisar de um supercomputador massivo e consumidor de energia. Se conseguirmos acertar isso, podemos automatizar o trabalho chato e sujo de separar resíduos, tornando nossas cidades mais limpas e nossos recursos reutilizáveis sem depender de trabalhadores humanos para vasculhar o lixo.

Entram em cena os pesquisadores da Universidade Profissional de Jiujiang, que construíram um novo cérebro digital projetado especificamente para este trabalho bagunçado. Eles chamam sua criação de MSF-TrashDet. Pense no software padrão de detecção de resíduos como um par de óculos que possui apenas uma configuração de foco; ele pode ver o lixo grande claramente, mas perder pequenos pedaços, ou pode ficar confuso quando um pedaço de lixo está parcialmente escondido. Os autores perceberam que os modelos "leves" existentes (aqueles pequenos e rápidos destinados a dispositivos de borda) eram simples demais para lidar com o caos do lixo do mundo real, enquanto os modelos superprecisos eram pesados demais para caber em um dispositivo pequeno.

Para resolver isso, a equipe projetou uma rede que atua como um detetive com três lupas diferentes ao mesmo tempo. Eles introduziram uma ferramenta especial chamada bloco de Melhoria de Características Multiescala (MSFE). Imagine olhar para uma pilha de folhas: uma lente dá zoom nas minúsculas nervuras de uma única folha, outra vê a forma da folha inteira e uma terceira vê como a folha se encaixa no galho completo. O bloco MSFE faz exatamente isso pelo lixo, usando diferentes visões "dilatadas" (esticadas) para capturar tudo, desde um embrulho amassado até uma grande caixa de papelão, mesmo que esteja parcialmente escondido. Ele também utiliza um sistema de "peso dinâmico", que é como um assistente inteligente que decide: "Ei, esta parte da imagem parece uma garrafa, então vou focar minha atenção ali", enquanto ignora o ruído de fundo confuso.

Mas ser inteligente não é suficiente; o modelo também precisava ser pequeno. Os pesquisadores substituíram as partes pesadas e lentas da "espinha dorsal" (sua estrutura principal) da rede por um design mais leve e eficiente chamado ShuffleNetV2. Isso é como substituir um caminhão de entrega pesado e lento por uma scooter elétrica ágil e rápida que pode percorrer o trânsito de forma igualmente eficaz. Para torná-lo ainda mais enxuto, eles usaram uma técnica chamada poda de canal estruturada. Você pode pensar nisso como um processo de edição rigoroso onde o modelo é solicitado a identificar quais de seus "músculos" internos (canais neurais) estão fazendo a maior parte do trabalho e quais estão apenas descansando. Eles cortaram os preguiçosos, encolhendo o modelo sem perder sua força.

Os resultados de seus experimentos no conjunto de dados TrashNet (uma coleção pública de imagens de lixo) são bastante impressionantes. Antes de qualquer corte, o modelo já era forte, mas após o processo de poda, o modelo final MSF-TrashDet é incrivelmente eficiente. Ele contém apenas 1,93 M (milhões) de parâmetros e requer apenas 5,00 GFLOPs (giga operações de ponto flutuante) para rodar. Apesar de ser tão pequeno, alcançou uma precisão de detecção (mAP50) de 91,91%.

Os autores compararam sua criação com vários outros modelos populares e leves, como YOLOv5n, YOLOv8n e YOLOv11n. Seus dados sugerem que o MSF-TrashDet supera esses concorrentes, oferecendo um melhor equilíbrio entre velocidade e precisão. Por exemplo, enquanto outros modelos podem ter mais parâmetros ou exigir mais poder de computação para atingir níveis de precisão semelhantes, este novo modelo consegue ser ao mesmo tempo menor e mais preciso. Os pesquisadores também realizaram "estudos de ablação", que são como desmontar a máquina peça por peça para ver o que acontece. Eles descobriram que remover qualquer uma de suas três principais inovações (o bloco multiescala, a espinha dorsal leve ou a cabeça de fusão especial) tornava o modelo menos preciso, provando que cada parte de seu design é necessária.

No entanto, os autores fazem questão de notar que suas descobertas baseiam-se em um conjunto de dados específico e que o modelo atualmente lida com imagens estáticas (fotos paradas). Ele ainda não prevê como o lixo se acumula ao longo do tempo ou trabalha com transmissões de vídeo ao vivo de uma forma que rastreie o movimento. Eles sugerem que trabalhos futuros poderiam adicionar essas características baseadas no tempo para ajudar no planejamento urbano mais inteligente. Por enquanto, porém, o MSF-TrashDet é uma solução promissora e altamente eficiente que sugere que podemos, de fato, construir um robô separador que seja ao mesmo tempo inteligente e pequeno o suficiente para caber em uma lixeira.

Resumo Técnico: MSF-TrashDet

Declaração do Problema

A rápida aceleração da urbanização e da industrialização levou a um aumento dramático nos resíduos sólidos municipais, criando uma pressão significativa na governança ecológica e na gestão de resíduos. A triagem manual tradicional é ineficiente, dispendiosa e acarreta riscos à saúde. Embora a detecção de objetos baseada em aprendizado profundo ofereça uma solução, a aplicação de modelos convencionais à detecção de resíduos no mundo real apresenta desafios específicos:

Variabilidade do Alvo: Objetos de resíduos exibem diferenças drásticas em escala, textura e ângulos de posicionamento.
Complexidade Ambiental: A detecção é frequentemente interferida por fundos desordenados, iluminação irregular e oclusão de alvos.
Restrições de Implementação: Modelos de alta precisão frequentemente contêm parâmetros excessivos e sobrecarga computacional, tornando-os inadequados para dispositivos de borda (edge devices) com recursos limitados. Por outro lado, os modelos leves existentes costem sofrer de extração de características multiescala insuficiente e robustez fraca, levando a falhas na detecção de detritos pequenos ou fragmentados.

Metodologia

Os autores propõem o MSF-TrashDet, uma rede de fusão de características multiescala leve construída sobre a base YOLO11n. A arquitetura foi projetada para equilibrar a precisão de detecção com a eficiência computacional para implementação em borda. O framework incorpora três principais melhorias técnicas:

1. Backbone Leve (Integração com ShuffleNetV2)

Para reduzir a complexidade computacional, os módulos originalmente intensivos em computação no backbone do YOLO11n são substituídos por unidades ShuffleNetV2. Esta substituição utiliza operações de divisão de canais, convolução depthwise e embaralhamento de canais (channel shuffling). Esses mecanismos eliminam multiplicações de matrizes redundantes durante a extração de características, reduzindo significativamente a contagem de parâmetros e GFLOPs, mantendo a capacidade estável de extração de características para diversas texturas de resíduos e formas irregulares.

2. Bloco de Reforço de Características Multiescala (MSFE)

Um novo bloco MSFE é incorporado na seção "neck" da rede para abordar a extração de características fraca para alvos multiescala e ocluídos. O bloco emprega três estratégias complementares:

Ramos Paralelos de Multi-Dilatação: Três ramos de convolução paralelos com taxas de dilatação de $d=\{1, 2, 3\}$ capturam, respectivamente, texturas locais, contornos de médio alcance e contextos globais de grande escala.
Adaptação de Peso Dinâmica: Em vez de pesos de fusão fixos, um gerador leve utiliza pooling de média global e ativação Sigmoid para produzir coeficientes de fusão adaptativos aos dados. Isso permite que o modelo atribua pesos maiores aos ramos que correspondem à escala real do alvo de resíduo, enquanto suprime características de escala irrelevantes causadas pelo desordem (clutter).
Conexões Residuais de Divisão de Canal: Os canais de entrada são divididos; uma parte passa pelo processamento multiescala, enquanto a outra é preservada como um ramo residual. Isso garante que detalhes finos de baixa profundidade (cruciais para resíduos minúsculos e fragmentados) não sejam perdidos durante o downsampling repetido.

3. Cabeça de Fusão Espacial Adaptativa (ASFF)

A cabeça de detecção padrão é substituída por um módulo ASFF para resolver as incompatibilidades de escala inerentes às redes tradicionais de pirâmide de características. Diferente da concatenação simples, o ASFF aprende pesos adaptativos por pixel para os mapas de características de diferentes níveis (Nível 1, 2 e 3). Este mecanismo filtra dinamicamente a interferência de características de escalas cruzadas inválidas, suprimindo o ruído de escalas incompatíveis e melhorando a detecção de itens de resíduos pequenos, parcialmente ocluídos e densamente empilhados.

4. Poda de Canais Estruturada

Para otimizar ainda mais o modelo para implementação em borda, uma estratégia de poda de canais estruturada de pós-processamento é aplicada. Isso envolve treinamento esparso onde os fatores de escala da Normalização de Lote (Batch Normalization) são restringidos a aproximar-se de zero. Canais com baixos fatores de escala são identificados como redundantes e removidos. O modelo podado é então ajustado (fine-tuned) para recuperar qualquer degradação menor de desempenho.

Principais Contribuições

Design de Arquitetura: O desenvolvimento do MSF-TrashDet, que integra ShuffleNetV2, um bloco MSFE customizado e ASFF em um framework YOLO11n unificado.
Novo Bloco MSFE: A introdução de um módulo que combina convoluções dilatadas, geração de peso dinâmico e resíduos de divisão de canal para melhorar a representação de características multiescala sem sobrecarga computacional significativa.
Estratégia de Otimização: A aplicação de poda de canais estruturada para comprimir o modelo enquanto mantém alta precisão de detecção, visando especificamente a razão de poda de 60% como o ponto de equilíbrio ideal.
Avaliação Abrangente: Estudos de ablação extensos e comparações contra detectores de estado da arte (incluindo YOLOv5n, YOLOv8n, YOLOv11n, SSD, RetinaNet e modelos baseados em Transformer) no conjunto de dados TrashNet.

Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados TrashNet (dividido em 70:20:10 para treinamento, validação e teste) utilizando o framework PyTorch.

Desempenho vs. Complexidade: O modelo final podado MSF-TrashDet atinge 91,91% de mAP50 com apenas 1,93 milhão de parâmetros e 5,00 GFLOPs.
Comparação: O modelo proposto supera vários detectores leves de estado da arte (YOLOv5n, YOLOv8n, YOLOv11n) e modelos pesados de dois estágios ou baseados em Transformer em termos de compensação entre precisão e eficiência. Por exemplo, ele supera o YOLOv5n (89,29% mAP50, 2,64M parâmetros) e o YOLOv8n (89,86% mAP50, 3,15M parâmetros) utilizando menos parâmetros e menos computação.
Estudo de Ablação: A adição do bloco MSFE, do backbone ShuffleNetV2 e da cabeça ASFF, individual e coletivamente, demonstrou melhorias incrementais em precisão e mAP50.
Impacto da Poda: Com uma taxa de poda de 60%, o modelo alcançou o equilíbrio ideal, reduzindo parâmetros de 2,67M para 1,93M e GFLOPs de 7,30 para 5,00, com um ligeiro aumento no mAP50 de 90,79% para 91,91%. Taxas de poda superiores a 70% resultaram em degradação significativa de desempenho.

Significância e Alegações

O artigo afirma que o MSF-TrashDet fornece uma solução prática, confiável e eficiente para a detecção automática de resíduos e sistemas de reciclagem inteligente. Sua principal significância reside em resolver a contradição entre a necessidade de detecção de alta precisão em cenários de resíduos complexos e as estritas restrições computacionais de dispositivos de borda. Ao filtrar efetivamente parâmetros redundantes e fortalecer a percepção de alvos multiescala, o modelo oferece um esquema técnico viável para implantar sistemas inteligentes de triagem de resíduos em hardware de recursos limitados.

Os autores observam que o trabalho atual se limita ao reconhecimento de imagens estáticas no conjunto de dados TrashNet e ainda não inclui análise temporal para previsão de acúmulo de resíduos. Trabalhos futuros propõem integrar módulos de séries temporais e expandir os conjuntos de dados para incluir cenas do mundo real mais complexas.