DETECTION OF RECYCLABLE WASTE USING GEMINI’S ARTIFICIAL INTELLIGENCE
REGISTRO DOI: 10.69849/revistaft/dt10202511191748
Jorge Henrique Nascimento da Silva1
André Luiz da Silva2
RESUMO
A gestão ineficiente de resíduos sólidos é um grave problema ambiental no Brasil, agravado pela baixa taxa de reciclagem e pela predominância da triagem manual. Diante disso, este trabalho propõe o uso da Inteligência Artificial (IA), com foco no modelo Gemini, para automatizar a classificação de resíduos recicláveis como plástico, papel, metal e vidro. A arquitetura multimodal do Gemini, que processa imagens com melhor eficiência, é explorada por meio de técnicas de visão computacional e aprendizado profundo(deep learning). A metodologia adotada é experimental, utilizando linguagem Python, APIs do Gemini e datasets públicos de imagens. O processo inclui etapas de pré-processamento, treinamento supervisionado, validação cruzada e análise dos resultados. Segundo estudos, a má gestão de resíduos pode gerar perdas econômicas significativas ao país até 2050. A aplicação do modelo visa não apenas melhorar a triagem automatizada, mas também apoiar políticas públicas de gestão de resíduos. O projeto busca responder como a IA do Gemini pode ser eficaz na classificação visual de materiais recicláveis, considerando desafios como variações de iluminação e posicionamento. A expectativa é que a solução proposta contribua para centrais de triagem mais eficientes e sustentáveis.
Palavras-chave: Materiais Recicláveis. Inteligência Artificial. Gemini. Python.
ABSTRACT
Inefficient solid waste management is a serious environmental problem in Brazil, exacerbated by the low recycling rate and the predominance of manual sorting. Given this, this work proposes the use of Artificial Intelligence (AI), focusing on the Gemini model, to automate the classification of recyclable waste such as plastic, paper, metal, and glass. The multimodal architecture of Gemini, which processes images more efficiently, is explored through computer vision and deep learning techniques. The adopted methodology is experimental, using Python language, Gemini APIs, and public image datasets. The process includes steps of pre-processing, supervised training, cross-validation, and result analysis. According to studies, poor waste management can result in significant economic losses for the country by 2050. The application of the model aims not only to improve automated sorting but also to support public waste management policies. The project seeks to answer how Gemini’s AI can be effective in the visual classification of recyclable materials, considering challenges such as variations in lighting and positioning. The expectation is that the proposed solution will contribute to more efficient and sustainable sorting centers.
Key-words: Recyclable Materials. Artificial Intelligence. Gemini. Python.
1. INTRODUÇÃO
A gestão inadequada de resíduos sólidos é um grande desafio ambiental, com acúmulo em aterros, vias públicas e corpos hídricos. A reciclagem surge como alternativa, promovendo a reutilização de materiais e reduzindo a extração de recursos. No entanto, sua eficiência depende diretamente da separação adequada dos resíduos. Processo no qual ainda é realizado manualmente e propenso a erros em grande parte dos municípios brasileiros, limitando seu potencial.
Nesse contexto, a Inteligência Artificial (IA) apresenta-se como uma ferramenta promissora para automatizar e otimizar a classificação de resíduos recicláveis. Técnicas de visão computacional e aprendizado profundo (deep learning) vêm sendo amplamente exploradas para reconhecimento e categorização de imagens, com aplicações que vão desde a medicina até a indústria.
O objetivo deste trabalho é desenvolver um modelo de classificação de imagens baseado na IA do Gemini para a identificação automática de resíduos recicláveis, como plástico, papel, metal e vidro. A utilização de uma base de dados com imagens de resíduos para classificação e bibliotecas da linguagem python , contribuíram no desenvolvimento deste algoritmo.
Segundo Rajão e Brito (2024) , aponta que o Brasil desperdiça cerca de R$130 bilhões até 2050 com a má gestão de resíduos. O prejuízo vem da manutenção de lixões e da baixa reciclagem, que enterra materiais valiosos. Atualmente, apenas uma pequena parcela do lixo seco é reciclada.
A justificativa para este projeto reside no potencial de contribuir para a automação de centrais de triagem de lixo, aumentando a eficiência e a taxa de reciclagem. Segundo Anjos (2023), apresenta o desenvolvimento de uma inteligência artificial para o gerenciamento de resíduos urbanos , sua pesquisa demonstra que esses modelos podem contribuir para formulação de políticas públicas e práticas de gestão de resíduos mais eficientes. Segundo Antonelli (2025), relata que algumas cidades do Estados Unidos estão implementando sistemas automatizados com inteligência artificial e robótica para separar os resíduos. Essa abordagem, no qual descreve na notícia , visa reduzir o volume de lixo enviados a aterros sanitários e aumentar a sustentabilidade urbana.
Além disso, a escolha do Gemini deve-se à sua arquitetura moderna e capacidade de generalização, que pode superar limitações de modelos mais simples. De acordo com o site Google AI (2025), o Gemini já nasce como um modelo multimodal com a capacidade de processar imagens e visão computacional. Nas versões mais recentes oferece melhorias na detecção de objetos, com máscaras que destacam os contornos dos objetos.
O problema de pesquisa que norteia este trabalho é: “Como a Inteligência Artificial do Gemini pode ser aplicada de forma eficaz na classificação de resíduos recicláveis a partir de imagens?” A hipótese é que o modelo Gemini, devido à sua capacidade de aprendizado multimodal, pode alcançar alta precisão na detecção e categorização de diferentes tipos de materiais recicláveis, mesmo em condições variadas de iluminação e posicionamento.
Metodologicamente, este trabalho caracteriza-se como experimental e aplicado. A pesquisa será desenvolvida em ambiente computacional, utilizando linguagem Python e as APIs disponíveis para o modelo Gemini. O dataset será composto por imagens de domínio público, provenientes de bases como Kaggle. O projeto seguirá as etapas de: pré-processamento das imagens, treinamento supervisionado do modelo, validação cruzada e análise quantitativa dos resultados. Por fim, os resultados serão discutidos ao longo do artigo, permitindo avaliar a viabilidade da proposta.
2. REVISÃO BIBLIOGRÁFICA
Esta seção aborda conceitos referentes à Inteligência Artificial e materiais recicláveis.
2.1 INTELIGÊNCIA ARTIFICIAL (IA)
Para compreender melhor o tema deste artigo , primeiramente é necessário conhecer sobre a estrutura da inteligência artificial, o Gemini , para compreender melhor o seu conceito.
Segundo Barbosa e Portes (2019) , “A Inteligência Artificial é a capacidade dos dispositivos eletrônicos de funcionar de maneira que lembra o pensamento humano. Isso implica em perceber variáveis, tomar decisões e resolver problemas. Enfim, operar em uma lógica que remete ao raciocínio.”.
Complementando com site Google Cloud , “A inteligência artificial é um campo da ciência que se concentra na criação de computadores e máquinas que podem raciocinar, aprender e atuar de maneira que normalmente exigiria inteligência humana ou que envolve dados com escala maior do que as pessoas podem analisar.”.
2.1.1 DEEP LEARNING (Aprendizado Profundo)
De acordo com o site IBM , “O deep learning é um subconjunto do aprendizado de máquina que usa redes neurais de várias camadas, chamadas de redes neurais profundas, para simular o complexo poder de tomada de decisão do cérebro humano. Alguma forma de deep learning alimenta a maioria das aplicações de inteligência artificial (IA) em nossas vidas atualmente.”
2.1.2 GEMINI API
Segundo Carraro (2024), o Google Gemini é um modelo de inteligência artificial generativa multimodal , no qual é capaz de trabalhar com diferentes tipos de entrada como texto , imagem , codificação , entre outros. Foi desenvolvido para melhorar e facilitar automações , produtividade e criatividade , permitindo com que os usuários interajam e criem conteúdos por meio de linhas de comando de texto.
2.2 MATERIAIS RECICLÁVEIS
De acordo com Fonseca (2025) , define que os materiais recicláveis são aqueles que, mesmo após o uso, podem ser reaproveitados como matéria-prima para a fabricação de novos produtos. A reciclagem transforma os resíduos considerados “inúteis” em recursos valiosos, no qual contribui para a preservação ambiental e geração de empregos.
2.3 FERRAMENTAS PARA DESENVOLVIMENTO DO ALGORITMO
Esta seção introduz sobre as ferramentas python utilizadas para o desenvolvimento do algoritmo
2.3.1 Python
A linguagem de programação Python foi escolhida por conta de sua vasta e ativa comunidade , na qual fornece suporte considerável comparado com as outras linguagens de programação. Por ser uma linguagem de alto nível, com sintaxe simples e fácil de aprender, ideal para iniciantes. É muito utilizada em áreas como desenvolvimento Web, ciência de dados, automação e inteligência artificial (CARVALHO, 2023).
2.3.2 Pandas
Pandas é uma biblioteca do Python especialista em manipulação de dados em forma de tabela. Ela oferece estruturas em “Dataframe” para armazenar e operar com dados de forma eficiente. Com o Pandas, podemos filtrar, mesclar e transformar dados em poucas linhas de código. Além de conseguir lidar com dados faltantes e distintos, facilitando a limpeza e o pré-processamento. Permite também a leitura e escrita de dados em diversos formatos de arquivo (CSV, Excel, Json, Sql, entre outros), integrando-se bem com outras ferramentas para análise de dados (FACCIONI, 2024).
2.3.3 MatplotLib
Segundo o site Kinghost (2025), Matplotlib é uma biblioteca do Python usada para visualização de dados em 2D, como gráficos de linha, barra, pizza e dispersão. A mesma permite a personalização dos elementos gráficos, ajustes de cores, títulos e rótulos. Essa biblioteca é compatível com as bibliotecas Pandas e Numpy.
2.3.4 Numpy
A biblioteca Numpy é ideal para realização de cálculos numéricos no Python, utilizando arrays (matrizes) multidimensionais. Essa biblioteca substitui algumas ferramentas como o Matlab, onde seus arrays (matrizes) são otimizados para velocidade e suporta operações complexas como transposição. É muito usado em Machine Learning (Aprendizado de Máquina), processamento de imagens e matemática avançada (JUNIOR, 2018).
3. DESENVOLVIMENTO
Para o desenvolvimento do algoritmo, foi utilizado um banco de dados com cerca de 2527 imagens já classificadas de diversos resíduos recicláveis na plataforma de Kaggle, além da geração de uma chave de API do Gemini para podermos utilizar no desenvolvimento do algoritmo, e a apresentação do código fonte em si.
3.1 COLETA DE DADOS
No site Kaggle , vamos encontrar um perfil chamado TrashNet onde vamos encontrar todas as imagens de materiais recicláveis já classificados(Figura 1).
Figura 1 – Plataforma Kaggle
Em seguida vamos baixar localmente todas as imagens disponíveis pela comunidade, a fim de contribuir com o desenvolvimento (Figura 2).
Figura 2 – Baixando imagens
Após baixar o arquivo de imagens como mostrado na figura 2 , podemos estar utilizando no desenvolvimento do algoritmo.
3.2 CHAVE DE API DO GEMINI
Vamos agora criar a nossa chave de Api do Gemini para conseguirmos integrar em nosso algoritmo de classificação de imagens. Primeiramente acessamos o site GoogleAiStudio, e em seguida vamos na seção “Dashboard”, e clicamos na opção “API Keys” (Figura 3).
Figura 3 – Plataforma GoogleAiStudio
Em seguida , vamos criar nossa chave de API diretamente no GoogleAiStudio , clicando na opção “Criar chave de API” no canto superior direito (Figura 4).
Figura 4 – Criando chave de API
Agora devemos nomear nossa chave de API, e selecionar o projeto no qual vamos estar integrando nosso algoritmo e em seguida clicamos na opção “Criar chave” (Figura 5).
Figura 5 – Nomeando chave de api e selecionando projeto
3.3 CÓDIGO FONTE
Primeiramente, para o desenvolvimento inicial do nosso algoritmo, devemos importar todas as bibliotecas que nos ajudarão na sua construção (Figura 6).
Figura 6 – importando bibliotecas
Em seguida , vamos começar criando algumas classes dentro do código python para melhorar na organização do código, além de auxiliar no funcionamento do algoritmo. A primeira classe “ConfiguraçãoGemini”, serve para verificar a conexão com a nossa API , assim como demonstrado na figura 7. A classe “ClassificadorResiduos” cria um prompt de comando para categorizar os materiais recicláveis e posteriormente salvar os resultados , mostrado na figura 8, figura 9, figura 10, figura 11 e figura 12.
Figura 7 – verificação de conexão com o Gemini
Figura 8 – Criando prompt de comando para classificação
Figura 9 – Prompt de comando para classificação
Figura 10 – Análise de cada imagem
Figura 11 – Classificação por pasta de imagens
Figura 12 – Salvar resultados
Segundamente vamos ter uma classe para nos auxiliar na geração de relatórios , e visualização de resultados das análises das imagens processadas pelo Gemini. As visualizações incluem alguns gráficos, que nos mostram como foi o desempenho do processamento realizado pela inteligência artificial. Isso está demonstrado na figura 13 , figura 14 , figura 15, figura 16 e figura 17.
Figura 13 – classe de análise dos resultados
Figura 14 – Informações gerais da quantidades de imagens analisadas
Figura 15 – criação de gráficos de distribuição e pizza
Figura 16 – criação de gráfico por categoria e taxa de sucesso
Figura 17 – geração de relatório
Após a criação das classes que vão nos auxiliar para o funcionamento do algoritmo, vamos utilizar o código principal. Inicialmente na nossa função principal, verificasse a conectividade com o Gemini API, demonstrado na figura 18. Posteriormente na figura 19 , a preparação das imagens é onde vamos ter a opção de referenciar as imagens que já baixámos localmente anteriormente, para serem analisadas.
Figura 18 – verificação inicial de conexão
Figura 19 – preparando imagens
Em seguida , temos as classificações das imagens realizadas pelo Gemini onde vamos estar novamente utilizando as classes que foram criadas anteriormente, além de salvarmos todos os resultados obtidos, isto é demonstrado na figura 20. Ademais, temos uma breve análise dos resultados salvos anteriormente, onde será possível gerar alguns gráficos para visualização, como mostrado na figura 20. E por fim , temos a execução do código fonte demonstrado na figura 22.
Figura 20 – classificando imagens
Figura 21 – análise das imagens
Figura 22 – execução do código
4. RESULTADOS
Esta seção apresenta os resultados obtidos na identificação dos materiais recicláveis como plástico, papel, metal e vidro, destacando algumas métricas de desempenho do algoritmo e juntamente com sua eficácia.
4.1 VISÃO GERAL DO MODELO
O sistema de classificação desenvolvido com a inteligência artificial Gemini processou 2527 imagens, onde o modelo alcançou 1.627 classificações bem-sucedidas, na qual apresentou uma taxa de sucesso de 64,38%. Essa taxa nos mostra que o algoritmo possui espaço significativo para melhorias, porém já nos apresenta uma base sólida para um sistema de classificação de resíduos (Figura 23).
Figura 23 – Resultado pós-processamento de taxa de sucesso
A matriz de confusão inferida para o modelo de classificação de materiais recicláveis nos mostra padrões importantes sobre o comportamento do algoritmo. A diagonal principal, que representa as classificações corretas, mostra valores significativamente altos para as classes majoritárias: 680 acertos para papel (98,3% de recall), 338 para vidro (94,9%), 302 para metal (95,9%) e 241 para plástico (96,0%). Estes valores indicam que o modelo possui uma forte capacidade discriminativa para as categorias bem representadas no “dataset” de treinamento (Figura 24).
Figura 24 – Resultado pós-processamento – matriz de confusão
As classes não reciclável e orgânico apresentam um padrão preocupante: apesar de terem recall relativamente alto (75% e 80% respectivamente), o baixo volume absoluto de amostras (apenas 8 e 5 classificações) torna essas métricas estatisticamente frágeis. A confusão entre “não reciclável” e “orgânico” é particularmente crítica, pois ambos representam materiais que não devem ser processados no fluxo padrão de reciclagem.
A taxa de acerto se encontra em um nível que, embora um pouco abaixo do ideal para aplicações em produção, representa um ponto de partida para um sistema em desenvolvimento. Principalmente considerando a complexidade inerente à classificação de materiais recicláveis que frequentemente apresentam variações texturais, de iluminação e de formato.
4.2 TAXA DE CONFIANÇA DO ALGORITMO
A taxa de confiança no algoritmo serve exclusivamente para quantificar a certeza do modelo em relação a uma previsão individual, indicando a confiabilidade do algoritmo testado. Isso permite com que usuários ou sistemas automatizados possam tomar decisões com mais detalhes, além de permitir uma melhor filtragem dos resultados obtidos. Podemos verificar a confiabilidade do algoritmo em questão, com o seguinte gráfico de nível de confiança por categoria de materiais (Figura 24).
Figura 24 – Nível de Confiança por Categoria – gráfico de barra
A consistência na alta confiança através de múltiplas categorias – desde materiais com texturas complexas como papelão ondulado até superfícies reflexivas como vidro e metal – evidencia que a arquitetura do Gemini AI conseguiu extrair “features” visualmente significativas e estabelecer limites de decisão bem definidos no espaço de características. Essa confiança uniformemente alta sugere que o modelo atingiu um ponto de maturidade onde suas predições são baseadas em padrões aprendidos sólidos.
4.3 DISTRIBUIÇÃO POR CATEGORIAS
O gráfico de distribuição por categorias nos revela um cenário significativo desequilíbrio de classes, com o papel dominando as classificações (42,5% – 692 itens), seguido pelo vidro (21,9% – 356 itens), metal (19,4% – 315 itens) e plástico (15,4% – 251 items). As categorias não reciclável (0,5% – 8 itens) e orgânico (0,3% – 5 itens) aparecem drasticamente sub-representadas, representando juntas menos de 1% do total de classificações bem-sucedidas (Figura 25).
Figura 25 – Gráfico de distribuição de categorias de resíduos
A categoria PAPEL domina o panorama, representando 42,5% do total (692 itens), uma proporção que equivale a quase metade de todas as classificações bem-sucedidas. Esta dominância sugere possíveis vieses no conjunto de dados de treinamento ou, pode indicar que materiais de papel são de fato mais prevalentes em ambientes de descarte reciclável. O papel aparece com uma cor marrom característica, alinhada com as convenções de cores para reciclagem, e sua proeminência visual no gráfico é inquestionável.
5. CONCLUSÃO
O desenvolvimento e implementação do algoritmo de classificação de materiais recicláveis baseado na inteligência artificial Gemini demonstrou resultados promissores para a automação de processos de triagem de resíduos. O sistema alcançou uma taxa de sucesso de 64,38% na classificação de 2.527 imagens, com desempenho particularmente robusto nas categorias principais – papel (42,5%), vidro (21,9%), metal (19,4%) e plástico (15,4%) – onde a acurácia superou 94% em todas as classes majoritárias.
A análise detalhada revelou alguns desafios importantes, principalmente ao desbalanceamento de classes que resultou na sub-representação das categorias não reciclável (0,5%) e orgânico (0,3%). Esta limitação não compromete o potencial do sistema, e sim aponta direções claras para o desenvolvimento futuro.A matriz de confusão demonstrou padrões de erro compreensíveis, com confusões principalmente entre materiais com propriedades ópticas similares, como vidro e papel ou metal e plástico.
Por conseguinte, considero que os resultados validam a abordagem utilizada no projeto, mostrando que é possível criar um sistema de classificação de resíduos usando técnicas de visão computacional. Os próximos passos incluem refinar o modelo para reduzir os erros, e também explorar a inclusão de mais categorias. O trabalho abre portas para a automação de processos de triagem de lixo reciclável, contribuindo para soluções de engenharia aplicadas à sustentabilidade.
REFERÊNCIAS BIBLIOGRÁFICAS
ANJOS, J. M. S. Sistema de Apoio à Decisão Baseado em Inteligência Artificial para Gerenciamento de Resíduos Sólidos. 2023. Dissertação (Mestrado em Engenharia Elétrica) — Universidade Federal de Mato Grosso do Sul, Faculdade de Engenharias, Arquitetura e Urbanismo e Geografia, Campo Grande, 14 jan. 2023. Disponível em: https://repositorio.ufms.br/retrieve/283b3ac2-ec79-44c1-944c-4d8f7a3b04d9/Dissertacao_Joa o_Marcos_Final.pdf. Acesso em: 16 jul 2025.
ANTONELLI, V.; MOZELLI, R. Lixo sob controle: IA e robótica facilitam descarte e reciclagem. Olhar Digital, 29 ago. 2025. Disponível em: https://olhardigital.com.br/2025/08/29/olha-isso/lixo-sob-controle-ia-e-robotica-facilitam-desc arte-e-reciclagem/. Acesso em: 03 out. 2025.
BARBOSA, L. M.; PORTES, L. A. F.; A Inteligência Artificial. Revista Tecnologia Educacional, n. 236, p. 16‑27, 2023. Disponível em: https://abt-br.org.br/wp-content/uploads/2023/03/RTE_236.pdf#page=16. Acesso em: 16 jul 2025
CARRARO, Fabrício. O que é o Google Gemini e o que esse modelo de IA é capaz de fazer — com exemplo prático. Alura, 23 abr. 2024. Disponível em: https://www.alura.com.br/artigos/google-gemini?srsltid=AfmBOopOEXZYmtWlgaaP-AX6Z gUCo5k7UEun5s3HW8oRc51386KxCA6_. Acesso em: 01 out. 2025.
CARVALHO, Caroline. O que é Python? — um guia completo para iniciar nessa linguagem de programação. Alura, 27 fev. 2023. Disponível em: https://www.alura.com.br/artigos/python?srsltid=AfmBOopMdOK-yO9epWwhUultNEWh4y GBVhUlbbeNrBt8tHVMJ4eEAGG2. Acesso em: 03 out. 2025.
FACCIONI, J.; Pandas Python: Como usar a ferramenta #1 de análise de dados. Hub Asimov Academy, 05 jun. 2024. Disponível em: https://hub.asimov.academy/blog/pandas-python. Acesso em: 19 set 2025
FONSECA, L. H. A.; Reciclagem: o primeiro passo para a preservação ambiental. Semana Acadêmica. Disponível em: https://semanaacademica.org.br/system/files/artigos/reciclagem.pdf. Acesso em: 19 set 2025.
GOOGLE AI. Compreensão de imagens com Gemini API. Google AI, 26 set 2025. Disponível em: https://ai.google.dev/gemini-api/docs/image-understanding?hl=pt-br. Acesso em: 29 set 2025
GOOGLE CLOUD. O que é inteligência artificial (IA)?. Disponível em: https://cloud.google.com/learn/what-is-artificial-intelligence?hl=pt-BR. Acesso em: 06 out. 2025.
GOOGLE GEMINI. Overview Gemini. Disponível em: https://gemini.google/overview/?hl=pt-BR. Acesso em: 03 out. 2025.
GUITARRARA, Paloma. Reciclagem. Brasil Escola. Disponível em: https://brasilescola.uol.com.br/biologia/reciclagem.htm. Acesso em 07 set. 2025.
IBM. Deep learning: o que é e por que é importante?. Disponível em: https://www.ibm.com/br-pt/think/topics/deep-learning. Acesso em: 06 set. 2025.
JUNIOR., L. S.; Entendendo a biblioteca NumPy. Medium, 30 set. 2018. Disponível em: https://medium.com/ensina-ai/entendendo-a-biblioteca-numpy-4858fde63355. Acesso em: 10 set 2025
KINGHOST. Matplotlib — Como visualizar dados em Python? KingHost, 11 jun. 2025. Disponível em: https://king.host/blog/tecnologia/visualizacao-de-dados-matplotlib/. Acesso em: 10 set 2025
MORAIS, F. D. B; CASTELO BRANCO, V. R.. A inteligência artificial: conceitos, aplicações e controvérsias. UNAERP Disponível em: https://www.unaerp.br/documentos/5528-a-inteligencia-artificial-conceitos-aplicacoes-e-contr oversias/file. Acesso em: 03 out. 2025.
PONTI, Moacir A.; PARANHOS DA COSTA, Gabriel B. Como funciona o Deep Learning. 2017. 31 p. Disponível em: https://sites.icmc.usp.br/moacir/papers/Ponti_Costa_Como-funciona-o-Deep-Learning_2017. pdf. Acesso em: 03 out. 2025.
RAJÃO, G.; BRITO, L. Brasil pode desperdiçar R$ 130 bi em 2050 com má gestão de resíduos, diz estudo. CNN Brasil, 3 set. 2024.Acesso em: 16 ago. 2025. Disponível em: https://www.cnnbrasil.com.br/nacional/brasil-pode-desperdicar-r-130-bi-em-2050-com-ma-ge stao-de-residuos-diz-estudo/.
RECICLA SAMPA. Inteligência Artificial é treinada para identificar materiais recicláveis. Recicla Sampa. Disponível em: https://www.reciclasampa.com.br/artigo/inteligencia-artificial-e-treinada-para-identificar-mate riais-reciclaveis. Acesso em: 03 ago. 2025.
RECYCLEYE. AI and Waste Recognition — Why It Works So Well. Recycleye. Disponível em: https://recycleye.com/ai-and-waste-recognition-why-it-works-so-well/?_x_tr_sl=en&_x_tr_tl =pt&_x_tr_hl=pt&_x_tr_pto=tc. Acesso em: 03 ago. 2025.
VIEIRA, L. E.; SOARES, J. M.; ANJOS, J. M. S.; Classificação automatizada: mapeamento de objetos de coleta seletiva usando inteligência artificial. AtoZ: Novas Práticas em Informação e Conhecimento, Curitiba, v. 12, n. 1, p. 1–21, 2023. Disponível em: https://revistas.ufpr.br/atoz/article/view/84456/50762. Acesso em: 10 ago. 2025.
1Graduando do Curso de Engenharia de Computação da Universidade de Araraquara- UNIARA. Araraquara-SP.
E-mail: jhndsilva@uniara.edu.br
2Orientador. Docente do Curso de Engenharia Computação da Universidade de Araraquara- UNIARA. Araraquara-SP. E-mail: alsilva@uniara.edu.br