| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.11 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This thesis covers image-based waste classification using machine learning and discusses its impact on sustainable waste management. To identify the optimal model, the prediction performance of a DenseNet, a state-of-the-art Convolutional Neural Network, and DAtNet model are examined and compared to each other. The DAtNet integrates attention layers on the DenseNet architecture, inspired by the transformer model, known for its success in large language models. Moreover, the impact of transfer learning and augmentation on the test accuracy is analyzed. The performance of these models is evaluated across multiple datasets to exam ine their generalization capabilities. The findings indicate that while the DAtNet surpasses the DenseNet model in accuracy with large datasets, it faces difficulties with smaller datasets and requires significantly more time to preprocess the images. In contrast, the DenseNet consistently performs well and processes images more efficiently. Therefore, a DenseNet model is recommended for waste management fa cilities due to its reliability and lower computational demands. However, the further investigation and improvement of attention layers is encouraged. Additionally, the development of more practical, representative datasets is essential for the effective implementation of machine learning models in real world waste management. The deployment of this work could support the achievement of Sustainable Development Goals and the realization of zero-waste cities.
Esta tese incide sobre a classificação de imagens de resíduos sólidos urbanos recorrendo a métodos de aprendizagem automática e sobre a discussão do respetivo contributo para a gestão sustentável de resíduos. Para o efeito, é comparada a performance de uma rede neural convolucional de última geração DenseNet com a de um modelo DAtNet. Este último integra camadas de atenção na arquitetura DenseNet, sendo inspirado pela tecnologia “transformer” que é reconhecida pelo seu elevado desempenho em modelos de linguagem de grande dimensão. Em particular, é analisado o impacto da transferência e da ampliação de imagens na precisão das predições. O desempenho desses modelos foi avaliado recorrendo a várias bases de dados de modo a comprovar a respetiva capacidade de generalização. Os resultados obtidos indicam que, embora o DAtNet supere o modelo DenseNet em precisão com grandes conjuntos de dados, enfrenta sérias dificuldades com bases de menor dimensão e requer mais tempo para pré-processar as imagens. Em contraste, o DenseNet tem consistentemente um bom desempenho e processa as imagens com mais eficiência, sendo recomendável para ecocentros devido ao pequeno custo computacional. Tal não impede futuras investigações, nomeadamente, em termos de melhoria das camadas de atenção dos modelos. Paralelamente, disponibilizar bases de dados fiáveis e representativas é essencial para a implementação de modelos de aprendizagem automática em casos reais de resíduos sólidos urbanos. Em última instância, o presente trabalho contribui potencialmente para a concretização de Objetivos de Desenvolvimento Sustentável e para o compromisso de cidades com zero desperdício.
Esta tese incide sobre a classificação de imagens de resíduos sólidos urbanos recorrendo a métodos de aprendizagem automática e sobre a discussão do respetivo contributo para a gestão sustentável de resíduos. Para o efeito, é comparada a performance de uma rede neural convolucional de última geração DenseNet com a de um modelo DAtNet. Este último integra camadas de atenção na arquitetura DenseNet, sendo inspirado pela tecnologia “transformer” que é reconhecida pelo seu elevado desempenho em modelos de linguagem de grande dimensão. Em particular, é analisado o impacto da transferência e da ampliação de imagens na precisão das predições. O desempenho desses modelos foi avaliado recorrendo a várias bases de dados de modo a comprovar a respetiva capacidade de generalização. Os resultados obtidos indicam que, embora o DAtNet supere o modelo DenseNet em precisão com grandes conjuntos de dados, enfrenta sérias dificuldades com bases de menor dimensão e requer mais tempo para pré-processar as imagens. Em contraste, o DenseNet tem consistentemente um bom desempenho e processa as imagens com mais eficiência, sendo recomendável para ecocentros devido ao pequeno custo computacional. Tal não impede futuras investigações, nomeadamente, em termos de melhoria das camadas de atenção dos modelos. Paralelamente, disponibilizar bases de dados fiáveis e representativas é essencial para a implementação de modelos de aprendizagem automática em casos reais de resíduos sólidos urbanos. Em última instância, o presente trabalho contribui potencialmente para a concretização de Objetivos de Desenvolvimento Sustentável e para o compromisso de cidades com zero desperdício.
Descrição
Palavras-chave
Intelligent waste classification Convolutional neural networks Waste management Machine learning Classificação inteligente de resíduos sólidos urbanos Redes neurais convolucionais Gestão de resíduos Aprendizagem automática