Loading...
Publication
Vision-Based Waste Detection for Industrial Sorting Lines
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 7.58 MB | Adobe PDF |
Authors
Abstract(s)
The increasing production of waste, driven by population growth, has created challenges in
managing and recycling materials effectively. Manual waste sorting is a common practice,
but it has proven insufficient to handle the large quantities produced and poses health risks
to workers involved in the process. The presence of valuable materials in waste streams directed to landfills contributes to soil and water pollution, negatively impacting human health
and ecosystems. With advances in deep learning and computer vision technologies, new solutions have emerged to automate and optimize waste sorting processes. In this context, this
dissertation proposes a computer vision-based approach for the automatic detection of valuable waste materials in a municipal solid waste (MSW) sorting line. To support this work,
a dataset was developed, collected from a Mechanical-Biological Treatment (MBT) facility,
comprising eight waste categories. Several state-of-the-art object detection models, including Faster R-CNN, RetinaNet, TridentNet and YOLO, were trained and evaluated. The results demonstrated promising performance, achieving a mAP of 59.7% on the test set. This
research and the developed dataset represent a contribution to the application of these technologies in the industrial sector, enhancing worker safety, increasing the efficiency of the
recycling process, and supporting the development of sustainable solutions for waste valorization.
A crescente produção de resíduos, impulsionada pelo crescimento populacional e pelo consumo excessivo, tem dificultado a sua gestão e reciclagem. A separação manual dos resíduos é uma prática comum, mas apresenta riscos para o ser humano e, ultimamente, tem-se mostrado insuficiente para lidar com as quantidades produzidas. A presença de materiais valorizáveis nos resíduos encaminhados para aterro contribui para aumentar a poluição dos solos e dos recursos hídricos, impactando negativamente a saúde humana e os ecossistemas. Com o avanço das tecnologias de aprendizagem profunda e de visão computacional, surgem alternativas para automatizar e otimizar o processo de triagem destes resíduos. Assim, esta dissertação propõe uma abordagem baseada em visão computacional para a deteção de resíduos valorizáveis numa linha de triagem de resíduos sólidos urbanos (RSU). Com este objetivo, foi desenvolvido um dataset, recolhido numa linha de tratamento mecânico e biológico (TMB), com oito categorias de resíduos. Foram treinados e avaliados diversos modelos de deteção de objetos do estado de arte, como Faster R-CNN, RetinaNet, TridentNet e YOLO. Os resultados demonstraram um desempenho promissor, alcançando uma mAP de 59.7% no conjunto de teste. A investigação e o dataset desenvolvidos representam um contributo para a aplicação destas tecnologias no setor industrial, promovendo a segurança dos trabalhadores, a eficiência do processo de reciclagem e o desenvolvimento de soluções inovadoras para a valorização de resíduos.
A crescente produção de resíduos, impulsionada pelo crescimento populacional e pelo consumo excessivo, tem dificultado a sua gestão e reciclagem. A separação manual dos resíduos é uma prática comum, mas apresenta riscos para o ser humano e, ultimamente, tem-se mostrado insuficiente para lidar com as quantidades produzidas. A presença de materiais valorizáveis nos resíduos encaminhados para aterro contribui para aumentar a poluição dos solos e dos recursos hídricos, impactando negativamente a saúde humana e os ecossistemas. Com o avanço das tecnologias de aprendizagem profunda e de visão computacional, surgem alternativas para automatizar e otimizar o processo de triagem destes resíduos. Assim, esta dissertação propõe uma abordagem baseada em visão computacional para a deteção de resíduos valorizáveis numa linha de triagem de resíduos sólidos urbanos (RSU). Com este objetivo, foi desenvolvido um dataset, recolhido numa linha de tratamento mecânico e biológico (TMB), com oito categorias de resíduos. Foram treinados e avaliados diversos modelos de deteção de objetos do estado de arte, como Faster R-CNN, RetinaNet, TridentNet e YOLO. Os resultados demonstraram um desempenho promissor, alcançando uma mAP de 59.7% no conjunto de teste. A investigação e o dataset desenvolvidos representam um contributo para a aplicação destas tecnologias no setor industrial, promovendo a segurança dos trabalhadores, a eficiência do processo de reciclagem e o desenvolvimento de soluções inovadoras para a valorização de resíduos.
Description
Keywords
Aprendizagem Profunda Deteção de Objetos Deteção de Resíduos Reciclagem Triagem de Resíduos Visão Computacional