Please use this identifier to cite or link to this item:
https://hdl.handle.net/10316/110697
Title: | Classificação de componentes de placas de circuito impresso, de telemóveis, usando visão por computador | Other Titles: | Vision-based classification of mobile phone printed circuit board components | Authors: | Duarte, Nicole Gabriela Santos | Orientador: | Marques, Lino José Forte Neto, Pedro Mariano Simões |
Keywords: | Computer Vision; Classification; PCB Components; Electronic Waste; Recycling; Visão por Computador; Classificação; Componentes de PCBs; Lixo Eletrónico; Reciclagem | Issue Date: | 26-Sep-2023 | Serial title, monograph or event: | Classificação de componentes de placas de circuito impresso, de telemóveis, usando visão por computador | Place of publication or event: | Departamento de Engenharia Mecânica, Universidade de Coimbra | Abstract: | The quantity of electronic waste generated annually worldwide has been increasingdramatically, causing concern within the scientific community. In thecase of mobile phones, their small dimensions make it easy for them to be improperlydisposed of in landfills or incinerated, with detrimental environmentaland economic consequences for the society. To fight this issue, several authorscollect and disassemble obsolete mobile phones, grind their printed circuit boards(PCBs) into fine powder, and perform magnetic and electrostatic separation,along with particle size analysis to classify the materials’ components. However,this method does not allow the recovery of any components for possible reuse.Therefore, identifying the composition of mobile phone materials and recoveringthem is the largest and most emerging area of research in the fields of recyclingand sustainability, as PCBs are devices with multiple layers of polymers and metals.This complexity is combined with the small size of their components andthe high variability of mobile phone models, that is reflected, for example, in thebackground colors of PCBs and their geometry.In order to overcome the mentioned difficulties, computer vision techniqueswere applied. Specifically, the YOLO-v7 deep learning algorithm was used to detectand classify the components present on the PCBs, using RGB data. The decisionon which components are of interest for selective robot-based disassembly isbased on material value. Therefore, we started by evaluating the performance ofthe training phase in learning the features using the dataset images without anypreprocessing, treating the board as a whole, and comparing it with the performancewhen using data augmentation techniques, focusing on the smaller size.Next, these results were applied to different PCBs from another dataset, wherethe boards are larger, and to PCBs from various models of mobile phones.The presented results, although they cannot be compared with those in existingliterature, demonstrate a component recognition rate of 75% for mobile phones,supporting the possibility of component recovery. The study also allows to proposeimprovement alternatives to increase the quantity of components that canbe reused and recycled. A quantidade de resíduos eletrónicos gerados, anualmente, a nível mundialtem vindo a aumentar drasticamente preocupando a comunidade científica. Nocaso dos telemóveis, as suas pequenas dimensões facilitam a sua deposição incorretaem aterros ou o recurso à incineração, com consequências ambientais eeconómicas nefastas para a sociedade. Para contornar isso, vários autores, recolheme desmontam telemóveis obsoletos e trituram as suas placas de circuitoimpresso (PCBs) até ficarem em pó fino, procedendo a uma separação magnéticae eletrostática, juntamente com uma análise do tamanho das partículas para classificaros materiais presentes. No entanto, este método não permite a recuperaçãode nenhum dos componentes para uma possível reutilização. Assim, identificara composição dos materiais dos telemóveis e recuperá-los é a maior e mais emergenteárea de investigação nos domínios da reciclagem e sustentabilidade umavez que, os PCBs são dispositivos com várias camadas de polímeros e metais, aliandoesta complexidade ao tamanho reduzido das suas componentes e à elevadavariabilidade de modelos de telemóveis que se reflete, por exemplo, nas cores defundo dos PCBs e na sua geometria.Por forma a tentar ultrapassar as referidas dificuldades, foram aplicadas técnicasde visão por computador. Mais concretamente a aplicação do algoritmo dedeep learning YOLO-v7 para proceder à deteção e classificação das componentespresentes nos PCBs, a partir de dados RGB. A decisão de quais os componentesde interesse para uma desmontagem seletiva baseada em robôs é baseada emtermos de valor material. Assim sendo, começou-se por avaliar o desempenhoda fase de treino na aprendizagem das características, utilizando as imagens doconjunto de dados sem qualquer pré processamento, tratando a placa como umtodo, comparando com a performance recorrendo a técnicas de aumentos de dados,centralizadas no tamanho reduzido. De seguida, aplicaram-se esses resultadosa PCBs diferentes, provenientes de outro conjunto de dados, onde as placaspossuem tamanhos maiores e a PCBs de telemóveis de vários modelos.Os resultados apresentados, ainda que não possam ser comparados com os daliteratura existente, evidenciam uma taxa de reconhecimento das componentes,para o caso dos telemóveis, de 75%, sustentado a possibilidade de recuperaçãodas componentes. O estudo realizado permite ainda propor alternativas de melhoriapor forma a aumentar a quantidade de componentes reutilizados e reciclados. |
Description: | Trabalho de Projeto do Mestrado em Engenharia Física apresentado à Faculdade de Ciências e Tecnologia | URI: | https://hdl.handle.net/10316/110697 | Rights: | openAccess |
Appears in Collections: | UC - Dissertações de Mestrado |
Files in This Item:
File | Size | Format | |
---|---|---|---|
Dissertação_NicoleDuarte_2018282646.pdf | 50.41 MB | Adobe PDF | View/Open |
Page view(s)
67
checked on Aug 14, 2024
Download(s)
43
checked on Aug 14, 2024
Google ScholarTM
Check
This item is licensed under a Creative Commons License