Machine learning identifica madeira contaminada com 91% de precisão
Um novo sistema de IA que pode identificar automaticamente madeira contaminada de construção e demolição foi desenvolvido por pesquisadores da Universidade Monash e da Universidade Charles Darwin (CDU).
Contexto da pesquisa
A pesquisa, publicada na revista Resources, Conservation and Recycling, apresenta o primeiro dataset de imagens de madeira contaminada no mundo real — um avanço significativo em direção a um reaproveitamento mais inteligente e construção sustentável.
Método proposto
A equipe de pesquisa, liderada por Madini De Alwis sob a supervisão do Professor Associado Mehrdad Arashpour, treinou e testou modelos avançados de deep learning para detectar tipos de contaminação em resíduos de madeira usando imagens. O sistema utiliza modelos de aprendizagem profunda, incluindo CNNs e Transformers, que foram ajustados para reconhecer automaticamente os tipos de contaminação em madeira a partir de imagens RGB convencionais.
Resultados e impacto
Os pesquisadores relataram uma precisão e recall robustos em seis tipos de contaminação de madeira, destacando a dificuldade de classificar esses materiais manualmente, o que muitas vezes resulta em seu descarte em aterros. “Nós curamos o primeiro dataset de imagens da madeira contaminada de construção e demolição no mundo real,” comentou Madini.
“Essa nova abordagem pode ser implementada em linhas de triagem com câmeras, drones ou ferramentas portáteis para apoiar a tomada de decisão no local.”
(“This new system could be deployed via camera-enabled sorting lines, drones or handheld tools to support on-site decision-making.”)— Madini De Alwis, Candidato a Ph.D., Universidade Monash
O estudo apoia os objetivos de economia circular da Austrália e a busca global por uma construção mais ecológica. “Isso abre caminho para soluções escaláveis baseadas em IA que favorecem a reutilização, reciclagem e recuperação de madeira,” disse o Dr. Bazli.
“Estamos proporcionando aos recicladores e contratantes uma ferramenta poderosa para recuperar recursos valiosos e reduzir a dependência de aterros.”
(“By enabling automated sorting, we’re giving recyclers and contractors a powerful tool to recover valuable resources and reduce landfill dependency.”)— Dr. Milad Bazli, CDU
As aplicações potenciais incluem a integração dessas ferramentas com práticas de gerenciamento de resíduos, permitindo um impacto significativo na forma como os resíduos de construção são gerenciados e processados.
Fonte: (TechXplore – Machine Learning & AI)
