O descarte ambientalmente correto de equipamentos elétricos e eletrônicos em fim de vida útil é um assunto de extrema relevância na sociedade atual, em que o constante surgimento de novos dispositivos incentiva seu consumo desenfreado, o que acaba por resultar na geração de enormes volumes de resíduos (e-waste). Logo, o desenvolvimento e a aplicação de novas técnicas para a otimização do processo de reciclagem consiste em fator preponderante para a expansão de uma Gestão Verde da Cadeia de Suprimentos. Neste sentido, alguns trabalhos têm sido propostos na área de classificação de imagens de resíduos, mas poucos abordam especificamente aqueles oriundos de equipamentos elétricos e eletrônicos, cujas especificidades devem ser tratadas de maneira apropriada quaisquer que sejam os métodos propostos. Este projeto teve como objetivo apresentar e implementar uma abordagem para classificação de imagens de resíduos eletrônicos através de técnicas de Aprendizado Profundo, notadamente Redes Neurais Convolucionais (Convolutional Neural Networks CNNs), já que estas têm se destacado na área de Visão Computacional. Dessa forma, foram construídos 18 modelos de CNNs, a partir de modelos originalmente pré-treinados, para que as eficácias de diferentes arquiteturas pudessem ser comparadas no contexto da identificação de e-waste. O processo de transfer learning foi conduzido a partir de uma base de dados com 1.670 imagens de resíduos eletrônicos, previamente rotuladas em 11 classes desbalanceadas. Para mitigar este cenário, aplicaram-se técnicas tais como oversampling e data augmentation, aumentando assim o número e a diversidade de imagens no conjunto de treinamento. Após a avaliação dos resultados de acordo com métricas tais como top-1 accuracy, top-5 accuracy, precision, recall e f1-score, destaca-se o sucesso da estratégia de correção da resolução das imagens (FixResNet e FixEfficientNet), em comparação com as arquiteturas originais (ResNet e EfficientNet). O modelo fixresnet152 obteve a melhor acuracidade top-1 média (83,4%), calculada entre todas as 5 folds originadas pelo método Stratified K-Fold, mas é importante enfatizar que o modelo inceptionresnet_v1 obteve a segunda melhor acuracidade top-1 média (82,1%), ainda que tenha sido treinado com menos do que a metade do número de parâmetros e com um tempo total cerca de 10 minutos mais rápido em relação ao modelo fixresnet152. Os resultados poderão servir de base para futuros trabalhos que almejem a automação do processo de classificação e separação de materiais nos estágios iniciais de uma planta de reciclagem.

The correct disposal of end-of-life electric and electronic equipment is a matter of extreme relevance in todays society, where the constant emergence of new devices encourages its unrestrained consumption, resulting in the generation of huge volumes of waste. Therefore, the development and application of new techniques to optimize the recycling process is a predominant factor for expanding a Green Supply Chain Management. In this sense, some works have been proposed in the field of waste image classification, but few specifically deal with electrical and electronic equipment, whose specificities must be properly addressed whatever the proposed methods. This project aimed to present and implement an approach for classifying electronic waste images through Deep Learning techniques, notably Convolutional Neural Networks (CNNs), as these have stood out in the field of Computer Vision. To this end, 18 CNN models were built from originally pre-trained models, so that the efficiencies of different architectures could be compared in the context of e-waste identification. The transfer learning process was carried out from a database with 1,670 electronic waste images, previously labeled into 11 imbalanced classes. In order to mitigate this scenario, techniques such as oversampling and data augmentation were applied, thus increasing the number and diversity of images in the training set. After evaluating the results according to metrics such as top-1 accuracy, top-5 accuracy, precision, recall, and f1-score, the success of the image resolution correction strategy (FixResNet and FixEfficientNet) stands out, compared to the original architectures (ResNet and EfficientNet). The fixresnet152 model achieved the highest average top-1 accuracy (83.4%), calculated among all 5 folds originated by the Stratified K-Fold method, but it is important to emphasize that the inceptionresnet_v1 model obtained the second highest average top-1 accuracy (82.1%), even though it was trained with less than half the number of parameters and with a total time about 10 minutes faster than the fixresnet152 model. The results may serve as a basis for future work aimed at automating the classification and separation of materials in the initial stages of a recycling plant.