Implementação da Arquitetura DenseNet121 para Classificação de Tipos de Resíduo

O crescente problema de gestão de resíduos em muitas partes do mundo requer soluções inovadoras para garantir eficiência na triagem e reciclagem. Um dos principais desafios é a classificação precisa de resíduos, que muitas vezes é dificultada pela variabilidade nas características visuais entre os tipos de resíduos. Como solução, esta pesquisa desenvolve um modelo de classificação de resíduos baseado em imagem utilizando a arquitetura DenseNet de Aprendizado Profundo. O modelo é projetado para atender à necessidade de triagem automatizada de resíduos, classificando-os em dez categorias diferentes, utilizando conjuntos de dados de treinamento diversos. Os resultados deste estudo mostraram que o modelo alcançou uma taxa de precisão geral de 93%, com uma excelente capacidade de identificar e classificar materiais específicos, como baterias, materiais biológicos e vidro marrom. Apesar de alguns desafios na classificação de metais e plásticos, esses resultados confirmam o grande potencial do uso da tecnologia de Aprendizado Profundo em sistemas de gestão de resíduos para melhorar os processos de triagem e aumentar a eficiência da reciclagem.