Advanced Single-View Image-Based Framework for Volume Estimation in Urban Solid Waste Management
Resumo
A gestão eficiente de resíduos sólidos é crucial para tornar a cidade um ambiente limpo e sustentável. Este artigo apresenta uma metodologia composta por algoritmos bem estabelecidos para a estimativa de volume na gestão de resíduos sólidos urbanos usando imagens de visualização única. O sistema proposto foi feito a partir de algoritmos baseados em modelos de última geração, incluindo segmentação de instâncias, estimativa de profundidade e cálculo de volume baseado em nuvem de pontos. A metodologia demonstra a capacidade de estimar com precisão o volume de sacolas plásticas individuais e múltiplas, contendo resíduos sólidos urbanos. Avaliamos nossa abordagem utilizando dados do mundo real. Resultados numéricos mostraram que o sistema proposto é promissor mesmo em cenários complexos. Apesar dos desafios como reescalonamento manual de distância e conjuntos de dados limitados, nosso sistema possui um potencial considerável para refinamento e aprimoramento adicionais visando cenários tão complexos quanto cenários urbanos reais. A metodologia proposta contribui para o avanço das tecnologias de gestão em smart cities.
Referências
Alexandros Graikos, Charisis, V. S., Dimitrios Iakovakis, Stelios Hadjidimitriou, & Hadjileontiadis, L. J. (2020). Single Image-Based Food Volume Estimation Using Monocular Depth-Prediction Networks. Lecture Notes in Computer Science, 532–543. DOI: 10.1007/978-3-030-49108-6_38.
Arbeláez-Estrada, J. C., Vallejo, P., Aguilar, J., Tabares-Betancur, M. S., Ríos-Zapata, D., Ruiz-Arenas, S., & Rendón-Vélez, E. (2023). A Systematic Literature Review of Waste Identification in Automatic Separation Systems. Recycling, 8(6), 86. DOI: 10.3390/recycling8060086.
Azancort Neto, J. L., Gonçalves, A. L. S. ., Cruz, B. C. C. da ., Gomes, L. L. ., & Costa , D. C. L. . (2021). Artificial Intelligence implemented to recognize patterns of sustainable areas by evaluating the database of socioenvironmental safety restrictions. Research, Society and Development, 10(10), e212101018841. DOI: 10.33448/rsd-v10i10.18841.
Brito, D. A. C., Seabra, L. C., Lima, P. D. M., & Souza, C. M. N. (2020). Manejo de Resíduos Sólidos e de Águas Pluviais: O (Des)Controle Social em Belém, Pará. Revista Eletrônica de Gestão E Tecnologias Ambientais, 8(2), 103. DOI: 10.9771/gesta.v8i2.42221.
Calvini, R., Orlandi, G., Foca, G., & Ulrici, A. (2018). Development of a classification algorithm for efficient handling of multiple classes in sorting systems based on hyperspectral imaging. Journal of Spectral Imaging. DOI: 10.1255/jsi.2018.a13.
Damen, D., Doughty, H., Giovanni Maria Farinella, Fidler, S., Furnari, A., Kazakos, E., Davide Moltisanti, Munro, J., Perrett, T., Price, W., & Wray, M. (2018). Scaling Egocentric Vision: The “Equation missing” Dataset. 753–771. DOI: 10.1007/978-3-030-01225-0_44.
Edelsbrunner, H., & Harer, J. (2010). Computational Topology: An Introduction. American Mathematical Society, Providence.
Girshick, R. (2015). Fast R-CNN. ArXiv (Cornell University). DOI: 10.48550/arxiv.1504.08083.
Godard, C., Oisin Mac Aodha, Firman, M., & Brostow, G. J. (2018). Digging Into Self-Supervised Monocular Depth Estimation. ArXiv (Cornell University). DOI: 10.48550/arxiv.1806.01260.3
Guerrero, L. A., Maas, G., & Hogland, W. (2013). Solid waste management challenges for cities in developing countries. Waste Management, 33(1), 220–232. DOI: 10.1016/j.wasman.2012.09.008.
He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. ArXiv.org. [link].
Korucu, M. K., Kaplan, Ö., Büyük, O., & Güllü, M. K. (2016). An investigation of the usability of sound recognition for source separation of packaging wastes in reverse vending machines. Waste Management, 56, 46–52. DOI: 10.1016/j.wasman.2016.06.030.
Li, N., Ho, C. P., Xue, J., Lim, L. W., Chen, G., Fu, Y. H., & Lee, L. Y. T. (2022). A Progress Review on Solid-State LiDAR and Nanophotonics-Based LiDAR Sensors. Laser & Photonics Reviews, 16(11), 2100511. DOI: 10.1002/lpor.202100511.
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. Computer Vision – ECCV 2014, 8693, 740–755. DOI: 10.1007/978-3-319-10602-1_48.
Lu, W., & Chen, J. (2022). Computer vision for solid waste sorting: A critical review of academic research. Waste Management, 142, 29–43. DOI: 10.1016/j.wasman.2022.02.009.
Mao, W.-L., Chen, W.-C., Fathurrahman, H. I. K., & Lin, Y.-H. (2022). Deep learning networks for real-time regional domestic waste detection. Journal of Cleaner Production, 344, 131096. DOI: 10.1016/j.jclepro.2022.131096.
Oliveira, M., Silva, J., Silva, R., & Teran, L. (2019). Aplicação web para Gerenciamento de Resı́duos Sólidos Recicláveis. In Anais do X Workshop de Computação Aplicada a Gestão do Meio Ambiente e Recursos Naturais, (pp. 145-153). Porto Alegre: SBC. DOI: 10.5753/wcama.2019.6429,
Zhou, T., Brown, M. A., Snavely, N., & Lowe, D. (2017). Unsupervised Learning of Depth and Ego-Motion from Video. ArXiv (Cornell University). DOI: 10.48550/arxiv.1704.07813.
Arbeláez-Estrada, J. C., Vallejo, P., Aguilar, J., Tabares-Betancur, M. S., Ríos-Zapata, D., Ruiz-Arenas, S., & Rendón-Vélez, E. (2023). A Systematic Literature Review of Waste Identification in Automatic Separation Systems. Recycling, 8(6), 86. DOI: 10.3390/recycling8060086.
Azancort Neto, J. L., Gonçalves, A. L. S. ., Cruz, B. C. C. da ., Gomes, L. L. ., & Costa , D. C. L. . (2021). Artificial Intelligence implemented to recognize patterns of sustainable areas by evaluating the database of socioenvironmental safety restrictions. Research, Society and Development, 10(10), e212101018841. DOI: 10.33448/rsd-v10i10.18841.
Brito, D. A. C., Seabra, L. C., Lima, P. D. M., & Souza, C. M. N. (2020). Manejo de Resíduos Sólidos e de Águas Pluviais: O (Des)Controle Social em Belém, Pará. Revista Eletrônica de Gestão E Tecnologias Ambientais, 8(2), 103. DOI: 10.9771/gesta.v8i2.42221.
Calvini, R., Orlandi, G., Foca, G., & Ulrici, A. (2018). Development of a classification algorithm for efficient handling of multiple classes in sorting systems based on hyperspectral imaging. Journal of Spectral Imaging. DOI: 10.1255/jsi.2018.a13.
Damen, D., Doughty, H., Giovanni Maria Farinella, Fidler, S., Furnari, A., Kazakos, E., Davide Moltisanti, Munro, J., Perrett, T., Price, W., & Wray, M. (2018). Scaling Egocentric Vision: The “Equation missing” Dataset. 753–771. DOI: 10.1007/978-3-030-01225-0_44.
Edelsbrunner, H., & Harer, J. (2010). Computational Topology: An Introduction. American Mathematical Society, Providence.
Girshick, R. (2015). Fast R-CNN. ArXiv (Cornell University). DOI: 10.48550/arxiv.1504.08083.
Godard, C., Oisin Mac Aodha, Firman, M., & Brostow, G. J. (2018). Digging Into Self-Supervised Monocular Depth Estimation. ArXiv (Cornell University). DOI: 10.48550/arxiv.1806.01260.3
Guerrero, L. A., Maas, G., & Hogland, W. (2013). Solid waste management challenges for cities in developing countries. Waste Management, 33(1), 220–232. DOI: 10.1016/j.wasman.2012.09.008.
He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. ArXiv.org. [link].
Korucu, M. K., Kaplan, Ö., Büyük, O., & Güllü, M. K. (2016). An investigation of the usability of sound recognition for source separation of packaging wastes in reverse vending machines. Waste Management, 56, 46–52. DOI: 10.1016/j.wasman.2016.06.030.
Li, N., Ho, C. P., Xue, J., Lim, L. W., Chen, G., Fu, Y. H., & Lee, L. Y. T. (2022). A Progress Review on Solid-State LiDAR and Nanophotonics-Based LiDAR Sensors. Laser & Photonics Reviews, 16(11), 2100511. DOI: 10.1002/lpor.202100511.
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. Computer Vision – ECCV 2014, 8693, 740–755. DOI: 10.1007/978-3-319-10602-1_48.
Lu, W., & Chen, J. (2022). Computer vision for solid waste sorting: A critical review of academic research. Waste Management, 142, 29–43. DOI: 10.1016/j.wasman.2022.02.009.
Mao, W.-L., Chen, W.-C., Fathurrahman, H. I. K., & Lin, Y.-H. (2022). Deep learning networks for real-time regional domestic waste detection. Journal of Cleaner Production, 344, 131096. DOI: 10.1016/j.jclepro.2022.131096.
Oliveira, M., Silva, J., Silva, R., & Teran, L. (2019). Aplicação web para Gerenciamento de Resı́duos Sólidos Recicláveis. In Anais do X Workshop de Computação Aplicada a Gestão do Meio Ambiente e Recursos Naturais, (pp. 145-153). Porto Alegre: SBC. DOI: 10.5753/wcama.2019.6429,
Zhou, T., Brown, M. A., Snavely, N., & Lowe, D. (2017). Unsupervised Learning of Depth and Ego-Motion from Video. ArXiv (Cornell University). DOI: 10.48550/arxiv.1704.07813.
Publicado
21/07/2024
Como Citar
AZANCORT NETO, Julio Leite; SILVA, Romário da Costa; SOUZA, Thalita Ayass de; TEIXEIRA, Carlos André de Mattos; CARDOSO, Evelin Helena Silva; ARAÚJO, Jasmine Priscyla Leite de; FRANCÊS, Carlos Renato Lisboa.
Advanced Single-View Image-Based Framework for Volume Estimation in Urban Solid Waste Management. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 15. , 2024, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 111-120.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2024.2686.
