From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

Separar o lixo é uma tarefa que parece simples até você tentar fazê-la perfeitamente. Em muitos lugares, incluindo partes do Egito, o trabalho recai sobre famílias humanas que passam horas separando plástico de papel, metal de vidro e matéria orgânica de todo o resto. É um trabalho lento, difícil e que frequentemente leva à perda de materiais valiosos no fluxo geral de resíduos. Para resolver isso, cientistas recorreram a computadores que podem "ver" e separar o lixo automaticamente. Esses sistemas dependem de um tipo de inteligدência artificial chamada aprendizado profundo (deep learning), que utiliza camadas de processamento digital para reconhecer padrões em imagens, de forma muito semelhante ao modo como o céreção humano aprende a identificar um gato ou um carro ao observar muitos exemplos. Quando esses sistemas são combinados com máquinas físicas, eles prometem realizar o trabalho tedioso da reciclagem com velocidade e precisão, potencialmente poupando recursos e protegendo o meio ambiente.

Uma equipe de pesquisadores da Universidade Americana no Cairo deu um passo além desse conceito ao construir um protótipo funcional de uma lixeira inteligente que faz mais do que apenas identificar o que um objeto é. Eles criaram um sistema que atua como um zelador cuidadoso, verificando problemas específicos antes de decidir para onde um item pertence. Os pesquisadores descobriram que, ao dividir a tarefa de separação em quatro etapas distintas — verificar a presença de líquido, verificar se um item é feito de múltiplas partes, decidir se ele pode ser reciclado e, finalmente, identificar o material — eles poderiam construir uma máquina que separa os resíduos com alta precisão. O trabalho deles, desenvolvido em parceria com a empresa de alimentos Nestlé e a organização de gestão de resíduos Dawar, resultou em uma lixeira física que separou com sucesso o lixo do mundo real com uma precisão de 92,4 por cento.

O cerne de sua inovação reside na ordem das operações. A maioria das tentativas anteriores de separação automatizada focava apenas na identificação do material, como plástico ou papel. No entanto, os pesquisadores perceberam que o lixo do mundo real frequentemente vem com complicações que confundem sistemas simples. Por exemplo, uma garrafa plástica com restos de refrigerante pode arruinar todo um lote de reciclagem, e um copo de café com uma tampa de plástico é, na verdade, dois materiais diferentes colados. Para lidar com isso, a equipe projetou um pipeline sequencial. O primeiro passo é verificar se o item contém líquido. Se a câmera vir sinais de líquido, a máquina para e devolve o item ao usuário, evitando a contaminação. O segundo passo verifica se o item é um objeto único ou uma mistura de partes. Se um usuário tentar descartar um item complexo com múltiplos componentes, a máquina o sinaliza novamente para separação manual. Somente os itens que passam por essas duas verificações de segurança seguem para as próximas fases, onde o computador decide se o item é reciclável e, em caso afirmativo, de qual material específico ele é feito.

Para ensinar essas habilidades ao computador, os pesquisadores treinaram quatro modelos de inteligência artificial distintos, cada um dedicado a uma tarefa específica. Eles utilizaram uma técnica chamada aprendizado por transferência (transfer learning), que permite que um computador comece com o conhecimento que já possui sobre imagens gerais e, em seguida, refine esse conhecimento para a tarefa específica de analisar o lixo. Para as tarefas de detecção de líquido e identificação de itens de múltiplos componentes, a equipe construiu seus próprios conjuntos de dados personalizados tirando milhares de fotografias de resíduos reais. Eles testaram esses modelos várias vezes para garantir que os resultados fossem consistentes, descobrindo que o sistema conseguia detectar líquidos com uma precisão média de cerca de 91 por cento e identificar itens únicos versus múltiplos componentes com uma precisão de aproximadamente 96 por cento. Os modelos responsáveis por decidir se algo é reciclável e de qual material é feito tiveram um desempenho ainda melhor, atingindo precisões de 96,8 por cento e 94,3 por cento, respectivamente.

Assim que o software estava pronto, a equipe construiu um protótipo físico para testar o sistema em um ambiente realista. A lixeira é um compartimento de madeira com cinco divisões internas para diferentes tipos de resíduos: recicláveis orgânicos, papel, plástico, outros recicláveis e não recicláveis. Dentro dela, um braço mecânico com uma bandeja giratória atua como o separador. Quando um usuário coloca um item na lixeira, uma câmera captura uma imagem e o pipeline de software de quatro etapas analisa o objeto. Se o item passar por todas as verificações, o software envia um comando para o braço mecânico, que gira para posicionar a bandeja sobre o compartimento correto e solta o item. Todo o processo acontece em um fluxo contínuo, projetado para imitar como um humano inspecionaria e separaria o lixo, mas com a velocidade e a consistência de uma máquina.

Os pesquisadores testaram seu sistema usando uma grande coleção de imagens de resíduos coletadas da comunidade egípcia, fornecidas por sua parceira Dawar. Este foi um passo crucial, pois permitiu que vissem como o sistema se comportava com o lixo que as pessoas realmente descartam, em vez de apenas fotos limpas e perfeitas usadas para treinamento. O sistema integrado classificou corretamente esses itens do mundo real nos cinco recipientes designados 92,4 por cento das vezes. Este resultado sugere que a abordagem de usar múltiplas verificações especializadas antes de uma decisão final é eficaz. No entanto, os pesquisadores também observaram limitações. O sistema depende inteiramente da visão, portanto, não consegue ver o líquido dentro de um recipiente opaco e selado, e as partes mecânicas ainda não foram testadas quanto à durabilidade a longo prazo em um ambiente público movimentado.

Apesar desses desafios, o projeto demonstra um caminho claro para a reciclagem automatizada. Ao combinar inteligência artificial especializada com um mecanismo de separação física, a equipe mostrou que é possível construir uma máquina que entenda as nuances dos resíduos, como contaminação e materiais mistos, em vez de apenas adivinhar com base na forma ou cor. A colaboração entre a universidade, uma grande corporação e um grupo local de gestão de resíduos forneceu os recursos necessários para passar das simulações de computador para um dispositivo funcional. Embora o sistema ainda não seja perfeito e exija mais testes para lidar com toda a variedade de lixo encontrada no mundo real, ele oferece um vislumbre promissor de um futuro onde o trabalho difícil de separar nosso lixo será realizado por máquinas, deixando os humanos livres para focar em outras tarefas.