Resumo: Com o aumento do consumo de materiais e embalagens de origem plástica e com uma variedade de resinas que existem no mercado, há a necessidade de reciclar esses materiais corretamente, e para isso, necessita-se da separação das resinas. Normalmente, a classificação das mesmas é realizada manualmente pelos funcionários das cooperativas. Em decorrência do alto volume e da falta da simbologia nos materiais despedaçados, a identificação é difícil e as resinas acabam tomando um destino inadequado. Considerando a importância de ajudar a resolver esse problema de identificação das resinas plásticas, constatou-se a possibilidade de realizar essa classificação usando sinais do áudio quando o material é amassado. São geradas ondas sonoras diferentes para casa resina, permitindo assim a classificação e separação. Este trabalho teve como objetivo gravar os materiais sendo amassados, com amostras individuais e em conjunto em bags de pano, para que não interferisse no som dos plásticos. Com isso, um banco de dados foi criado, analisado e convertido do domínio do tempo para domínio da frequência, com a transformada rápida de Fourier (FFT). As características dos dados foram extraídas com a técnica coeficientes cepstrais de frequência mel (MFCC), que gerou um arquivo com os gêneros "categorias de resinas plásticas recicláveis", os vetores do MFCC para cada segmento e os rótulos sendo as categorias pertencentes a cada resina, inseridos como dados de entrada. Foram utilizadas a rede neural convolucional (RNC), um tipo feedforward utilizado no processamento digital de imagens, e a rede neural recorrente LSTM (long short-term memory), que processa não apenas um único ponto, mas também sequências de dados inteiras onde a ordem é importante. Foram realizados testes com os modelos das redes neurais, com diferentes números máximos de iterações no treinamento. O desempenho das redes foi analisado por métricas, como acurácia, perda, e matriz confusão. Para a validação, foram inseridos novos dados não vistos no treinamento e, posteriormente, dados nos quais as resinas foram amassadas em uma velocidade diferente da treinada. Para dados amassados com a mesma velocidade, a rede LSTM apresentou um desempenho melhor que a rede RNC, sendo alcançada uma acurácia de 97%, por ser adequada para dados sequenciais. No entanto, ao inserir novos dados somente no conjunto de teste, amassados de uma forma mais lenta do que os dados de treinamento, o desempenho da rede LSTM se deteriorou, enquanto a RNC atingiu uma porcentagem ainda aceitável. Sendo essa uma condição desfavorável e muito provável de ocorrer no dia-a-dia das cooperativas, conclui-se que o uso da RNC é o mais conveniente nestes ambientes Ver menos

Abstract: With the increase in the consumption of materials and packaging of plastic origin and with a variety of resins that exist on the market, there is a need to recycle these materials correctly, and for that, it is necessary to separate the resins. Normally, this classification is performed manually by the employees of the cooperatives. Due to the high volume and lack of symbology in the broken materials, identification is difficult and the resins end up taking an inappropriate destination. Considering the importance of helping to solve this problem of identifying plastic resins, we found the possibility of performing this classification using audio signals when the material is kneaded. Different sound waves are generated for each resin, thus allowing classification and separation. This work aimed to record the materials being kneaded, using individual samples or a set of pieces in cloth bags, so that it would not interfere with the sound of the plastics. In this way, a database was created, analyzed and converted from the time domain to the frequency domain, with the fast Fourier transform (FFT). The data characteristics were extracted with the Mel frequency cepstral coefficients (MFCC) technique, which generated a file with the genres "recyclable plastic resin categories", the MFCC vectors for each segment and the labels being the categories belonging to each resin, entered as input data. The convolutional neural network (CNN), a type of feedforward used in digital image processing, and the recurrent neural network LSTM (long short-term memory) were employed. The last one processes not only a single point, but the entire data sequence where the order is important. Tests were performed with models of neural networks, with different maximum iterations allowed in the training procedure. Network performance was analyzed by using metrics such as accuracy, loss, and confusion matrix. For validation, new data - not seen in the training – were inputted and, later, data in which the resins were kneaded at a different speed than the trained one. For squashed data with the same speed, the LSTM network performed better than the RNC network, reaching an accuracy of 97%, as it is suitable for sequential data. However, when entering new data only in the test set, crumpled more slowly than the training data, the performance of the LSTM network deteriorated, while the RNC reached a still acceptable percentage. Since this is an unfavorable condition very likely to occur day-to-day in cooperatives, we concluded that the use of the CNN is the most convenient for these environments Ver menos