Clasificador de residuos sólidos haciendo uso de deep learning

El presente trabajo de grado pretende contribuir a la futura automatización de procesos de separación de residuos con fines de reciclaje, buscando incrementar estas labores en sitios donde ya se realizan e incentivar a que haya más lugares dispuestos a hacerlo. El trabajo está encaminado a la clasificación de residuos aprovechables, buscando generar grupos que faciliten las labores de separación que realizan las personas actualmente, las cuales separan entre prensa, archivo, cartón, plegadiza, vidrio, plástico, chatarra, entre otras. Se desarrolló una red neuronal convolucional (CNN) haciendo uso de transfer learning, la cual es capaz de clasificar entre 12 grupos de residuos como papel, cartón, plegadiza, lata, plástico, botellas plásticas, revistas, entre otros; los cuales son comúnmente encontrados en hogares o en sitios de bastante personal como universidades. Estos grupos se escogieron de acuerdo a los que ya existen y teniendo en cuenta opiniones recogidas en las entrevistas que se realizaron con respecto a acondicionamientos del residuo o a dificultades notorias de su diferenciación. Se utilizó una red neuronal efficientnet la cual fue entrenada con un dataset creado a partir de un banco de imágenes propias y extraídas de internet. El sistema se entrenó haciendo uso de la herramienta de Google “Colab”, dentro de la cual el modelo alcanzó una precisión de entre el 80% y el 98% con las imágenes vistas y nunca antes vistas. La red se probó en 3 diferentes sistemas embebidos, los cuales fueron “Nvidia Jetson Nano”, “Dev Board Coral” y “Rasberry pi”; en los cuales la red funcionó como se esperaba, logrando clasificar todos los diferentes residuos que se seleccionaron para que la red aprendiera. En estos embebidos se obtuvieron tiempos de inferencia de entre 0.6 y 1.4 segundos.

• Autores: Giraldo Quiñones, Jhonatan David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/14209
• Acceso en línea: https://hdl.handle.net/10614/14209; https://red.uao.edu.co/
• Palabra clave: Ingeniería Mecatrónica; Inteligencia artificial; Redes neurales (Computadores); Reciclaje; Artificial intelligence; Neural networks (Computer science); Recycling (Waste, etc.); Deep Learning; Transfer learning; Residuos reciclables; Aprendizaje profundo; Transferencia de aprendizaje; Red neuronal convolucional
• Rights: openAccess
• License: Derechos reservados - Universidad Autónoma de Occidente, 2022