Divulgação - Defesa Nº 05
Aluno: Leandro Honorato de Souza Silva
Título: “Visão Computacional aplicada ao Suporte à Decisão para Reciclagem de Placas de Circuito Impresso”
Orientador: Bruno José Torres Fernandes - (PPGEC)
Coorientador: Sérgio Campello Oliveira - (PPGES)
Examinador Externo: Guilherme Alencar Barreto - (UFC)
Examinadora Externa: Maísa Mendonça Silva - (UFPE)
Examinador Externo: Raphael Henrique Falcão de Melo - (IFPB)
Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)
Data-hora: 31 de Março de 2023, às 14:00h.
Local: Sala de Atos, I4 – Bloco K, 1° andar - UPE/POLI
Resumo:
Os resíduos de equipamentos eletroeletrônicos (REE) são definidos como qualquer equipamento eletroeletrônico em fim de vida. Trata-se da classe de rejeito com crescimento mais acelerado. O Global E-Waste Monitor aponta que em 2019 cada habitante do planeta Terra produziu em média 7,3kg de REE, significando um crescimento de 21% em relação aos dados de 2014. Os REE possuem em sua composição elementos de alto valor para reciclagem (e.g. metais nobres) e elementos perigosos, como cádmio, chumbo, cromo e mercúrio. Portanto, a correta destinação dos REE possui o potencial de promover a recuperação de elementos raros e valiosos e proteger o meio ambiente. Cerca de 30% dos REE é composto de Placas de Circuito Impresso (PCB, do inglês: Printed Circuit Board), as quais possuem a maioria dos metais nobres contidos nos REE. Entretanto, as PCBs possuem grande diversidade de composição, constituindo um obstáculo para a reciclagem. Existem dezenas de processos de reciclagem de PCBs, além dos parâmetros de cada processo. Sendo assim, este trabalho propõe o método nomeado WPCB-EFA (Waste Printed Circuit Board Economic Feasibility Assessment) para avaliação por meio de visão computacional de uma PCB, caracterizando-a pela identificação de componentes eletrônicos, fornecendo suporte à decisão para a escolha do processo de reciclagem mais adequado. A primeira versão do WPCB- EFA utiliza a técnica de transfer leraning de um modelo de detecção de objetos (YOLOv3) para identificar circuitos integrados (CIs) e calcular os possíveis metais que podem ser recuperados em sua reciclagem – chegando à receita bruta estimada para a reciclagem dos CIs de uma PCB. Com a finalidade de detectar os demais componentes eletrônicos, os principais modelos de detecção de objetos necessitam de um conjunto de dados rotulados para treinamento supervisionado - os quais são indisponíveis e custosos de serem elaborados. Para treinar um detector de objetos em um cenário de poucos dados (Few-shot Learning), foram avaliadas estratégias de aprendizagem por contraste para classificação e detecção de CEs. Os resultados obtidos indicam haver vantagens no uso da aprendizagem por contraste para a classificação de CEs, mas não para detecção.Para permitir o treinamento de um detector de EC de forma semi-supervisionada, i.e utilizando dados não rotulados, propõe-se o método GEN Self-labeling Electronic Component Detector, o qual utiliza uma estratégia de adaptação de domínio para treinar de forma auto-supervisionada gerações de modelos professor-aluno. O método proposto foi avaliado com os modelos YOLOv5 e Faster RCNN utilizando a adição de ruído nos rótulos da base de dados FICS-PCB. Neste cenário, após quatro gerações o método proposto foi capaz de aumentar aproximadamente 6%na métrica mAP em relação à geração inicial, atingindo 69,16% mAP versus 72% mAP do modelo treinado com a base de dados íntegra. Por fim, utilizando o método proposto é possível identificar componentes eletrônicos em uma WPCB e assim caracterizá-la pela identificação de componentes perigosos e calcular a densidade de cada tipo de componente. Com essa informação,é possível reduzir a incerteza sobre a composição da WPCB e direcioná-la para desmontagem e/ou escolher o processo de reciclagem com melhor relação custo-benefício.
O Programa
