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 clasif...

Full description

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

id	REPOUAO2_b7ca8ed0432232d4664c96ef1c90cf27
oai_identifier_str	oai:red.uao.edu.co:10614/14209
network_acronym_str	REPOUAO2
network_name_str	RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv	Clasificador de residuos sólidos haciendo uso de deep learning
title	Clasificador de residuos sólidos haciendo uso de deep learning
spellingShingle	Clasificador de residuos sólidos haciendo uso de deep learning 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
title_short	Clasificador de residuos sólidos haciendo uso de deep learning
title_full	Clasificador de residuos sólidos haciendo uso de deep learning
title_fullStr	Clasificador de residuos sólidos haciendo uso de deep learning
title_full_unstemmed	Clasificador de residuos sólidos haciendo uso de deep learning
title_sort	Clasificador de residuos sólidos haciendo uso de deep learning
dc.creator.fl_str_mv	Giraldo Quiñones, Jhonatan David
dc.contributor.advisor.none.fl_str_mv	López Sotelo, Jesús Alfonso
dc.contributor.author.none.fl_str_mv	Giraldo Quiñones, Jhonatan David
dc.subject.spa.fl_str_mv	Ingeniería Mecatrónica
topic	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
dc.subject.armarc.spa.fl_str_mv	Inteligencia artificial Redes neurales (Computadores) Reciclaje
dc.subject.armarc.eng.fl_str_mv	Artificial intelligence Neural networks (Computer science) Recycling (Waste, etc.)
dc.subject.proposal.eng.fl_str_mv	Deep Learning Transfer learning
dc.subject.proposal.spa.fl_str_mv	Residuos reciclables Aprendizaje profundo Transferencia de aprendizaje Red neuronal convolucional
description	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.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-08-23T18:34:21Z
dc.date.available.none.fl_str_mv	2022-08-23T18:34:21Z
dc.date.issued.none.fl_str_mv	2022-07-07
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_71e4c1898caa6e32
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.eng.fl_str_mv	https://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10614/14209
dc.identifier.instname.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.identifier.reponame.spa.fl_str_mv	Repositorio Educativo Digital
dc.identifier.repourl.spa.fl_str_mv	https://red.uao.edu.co/
url	https://hdl.handle.net/10614/14209 https://red.uao.edu.co/
identifier_str_mv	Universidad Autónoma de Occidente Repositorio Educativo Digital
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.cites.spa.fl_str_mv	Giraldo Quiñones, J. D. (2022). Clasificador de residuos sólidos haciendo uso de deep learning. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14209
dc.relation.references.none.fl_str_mv	Acodal. (2017). Alerta ambiental por el manejo de basuras en el relleno sanitario de Yotoco. http://www.acodal.org.co/alerta-ambiental-por-el-manejo-debasuras-en-el-relleno-sanitario-de-yotoco/ Agarwal, V. (2021). Complete Architectural Details of all EfficientNet Models. https://towardsdatascience.com/complete-architectural-details-of-allefficientnet-models-5fd5b736142 AI4ALL. (2020). Results. https://ai-4-all.org/about/results/ Bagnato, J. I. (2020). Clasificación de Imágenes en Python. Aprende Machine learning. https://www.aprendemachinelearning.com/clasificacion-deImagenes-en-python/ Bhatt, B. (2020). bhattbhavesh91/tflite-tutorials. GitHub. https://github.com/bhattbhavesh91/tflite-tutorials/blob/master/tflite-part1.ipynb Bhattiprolu, S. (2021). bnsreenu/python_for_microscopists. GitHub. https://github.com/bnsreenu/python_for_microscopists/tree/master/237_tflite _using_malaria_binary_classification Brownlee, J. (2020). Softmax Activation Function with Python. Machine Learning Mastery. https://machinelearningmastery.com/softmax-activation-functionwith-python/ Chen, B. (2021). 7 popular activation functions you should know in Deep Learning and how to use them with Keras and TensorFlow 2. https://towardsdatascience.com/7-popular-activation-functions-you-shouldknow-in-deep-learning-and-how-to-use-them-with-keras-and-27b4d838dfe6 COLOMBIA, MINISTERIO DE AMBIENTE Y DESARROLLO SOSTENIBLE. (2020). Colombia iniciará el 2021 con nuevo código de colores para la separación de residuos. Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/index.php/noticias/4920-colombia-iniciarael-2021-con-nuevo-codigo-de-colores-para-la-separacion-de-residuos Comité de Reciclaje / Cámara de la Industria de Pulpa, Papel y Cartón ANDI. (2020). Calidades de materiales para reciclaje. http://www.andi.com.co/Uploads/CARTILLA%20DE%20CALIDADES%20DE %20MATERIALES%20PARA%20RECICLAJE.pdf Delgado Rodríguez, D., y Guerrero Figueroa, J. F. (2020). Contenedores de reciclaje interactivo con IoT. [Tesis de pregrado, Universidad Autónoma de Occidente]. Repositorio Educativo Digital UAO. https://red.uao.edu.co/bitstream/handle/10614/12344/T09205.pdf?sequence=5&isAllowed=y Dickson, B. (2022). TinyML is bringing deep learning models to microcontrollers. TNW \| Neural. https://thenextweb.com/news/tinyml-deep-learningmicrocontrollers-syndication Flores, A. (2021). +15 librerías de Python que te ayudarán a transformar el mundo digital sin complicarte. Crehana. https://www.crehana.com/blog/desarrolloweb/librerias-python/ Goodfellow, L. Bengio, Y. Courville, A. (2016). Deep Learning. Cambridge, Massachusetts: The MIT Press. Disponible en: https://www.deeplearningbook.org/ Google LLC. (2020). Get started with the Dev Board. Coral. https://Coral.ai/docs/dev-board/get-started/ Google. (2021). Te damos la bienvenida a Colaboratory. Google Colaboratory. https://colab.research.google.com/?hl=es#scrollTo=5fCEDCU_qrC0 ICHI.PRO. (2020). Aprendizaje supervisado o no supervisado en 2 minutos. https://ichi.pro/es/aprendizaje-supervisado-o-no-supervisado-en-2-minutos126284139655746 Jaimovich, D. (2018). Estudiantes argentinos, destacados por crear un separador de residuos inteligente. infobae. https://www.infobae.com/tecno/2018/06/11/estudiantes-argentinosdestacados-por-crear-un-separador-de-residuos-inteligente/ Jupyter. (2022). Project Jupyter. https://jupyter.org/ Khandelwal, R. (2021). A Basic Introduction to TensorFlow Lite - Towards Data Science. https://towardsdatascience.com/a-basic-introduction-to-tensorflowlite-59e480c57292 Luchetti, S. (2021). Sistema embebido y sus características \| Conceptos fundamentales. Tribalyte Technologies. https://tech.tribalyte.eu/blogsistema-embebido-caracteristicas Mina, J. (2017). En Cali se generan 1700 toneladas diarias de residuos sólidos y solo se recicla el 10%. Elpais. https://www.elpais.com.co/cali/en-se-generan1700-toneladas-diarias-de-residuos-solidos-y-solo-se-recicla-el10.html#:%7E:text=Jamir%20Mina-,En%20Cali%20se%20generan%201700%20toneladas%20diarias%20de%20residuos,solo%20se%20recicla%20el%2010%20%25&text=Actualmente%2C%20la%20Alcald%C3%ADa%20de%20Cali,hogares%20para%20fome ntar%20el%20reciclaje Naik, S. (2021). Dataset Labelling. EDUCBA. https://www.educba.com/datasetlabelling/?source=leftnav NVIDIA Developer. (2020). Getting Started with Jetson Nano 2GB Developer Kit. https://developer.Nvidia.com/embedded/learn/get-started-jetson-nano-2gbdevkit#prepare Papers with Code. (2021). Image Classification on ImageNet. https://paperswithcode.com/sota/Image-classification-on-Imagenet Pedamkar, P. (2021a). Deep Learning Model. EDUCBA. https://www.educba.com/deep-learning-model/ Pedamkar, P. (2021b). Loss Functions in Machine Learning. EDUCBA. https://www.educba.com/loss-functions-in-machine-learning/?source=leftnav Pedamkar, P. (2022, mayo 5). What is Supervised Learning? EDUCBA. https://www.educba.com/what-is-supervised-learning/?source=leftnav Pocho Costa. (2020). Transfer learning ¿qué es y para que sirve? https://pochocosta.com/podcast/transfer-learning-que-es-y-para-que-sirve/ Programa de las Naciones Unidas para el Desarrollo. (2022). Objetivos de Desarrollo Sostenible \| Programa De Las Naciones Unidas Para El Desarrollo. UNDP. https://www.undp.org/es/sustainable-developmentgoals#produccion-consumo-responsables Quintero, N. M. (2020). Las 2500 toneladas de basuras que se generan en Cali tienen desbordados a operadores de aseo. Elpais. https://www.elpais.com.co/cali/las-2500-toneladas-de-basuras-que-segeneran-en-tienen-desbordados-a-operadores-de-aseo.html RECECO - Reciclaje Ecológico. (2019). Consecuencias de no reciclar. https://gestorderesiduosmadrid.es/consecuencias-de-no-reciclar/ Rolnick, D., y Donti, P. L. (2019). Tackling Climate Change with Machine Learning. Arxiv:1906.05433. https://arxiv.org/pdf/1906.05433.pdf RS Components. (2020). Offline page \| RS Components. https://offline.rsdelivers.com/ Rueda, J. P. (2019). Crecimiento de basuras de Cali, bajo la lupa de entes de control. El Tiempo. https://www.eltiempo.com/colombia/otrasciudades/crecimiento-de-basuras-de-cali-esta-bajo-la-lupa-de-los-entes-decontrol-336892 Ruiz, A. (2020). Caminar con éxito hacia la Industria 4.0: Capítulo 14 – Dispositivos (I) Internet de las cosas (IoT). Tecnología para los negocios. https://ticnegocios.camaravalencia.com/servicios/tendencias/caminar-conexito-hacia-la-industria-4-0-capitulo-14-dispositivos-i-internet-de-las-cosasiot/ Salcedo, P. (2021). Aprueban Ley General de Fomento al Reciclaje. La Tribuna. https://www.latribuna.cl/cronica/2015/06/11/aprueban-ley-general-defomento-al-reciclaje.html scikit-learn developers. (s. f.). Confusion matrix. https://scikitlearn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html sitio big data. (2019). Machine Learning: Seleccion Metricas de clasificacion. https://sitiobigdata.com/2019/01/19/machine-learning-metrica-clasificacionparte-3/# Tan, M., y Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv:1905.11946. [1905.11946v5] EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (arxiv.org) Tensorflow. (2022). TensorFlow Core \| Machine Learning for Beginners and Experts. https://www.tensorflow.org/overview Tensorflow. (s.f.). Module:tf.keras.losses. https://www.tensorflow.org/api_docs/python/tf/keras/losses Torres, J. (2018). Deep Learning – Introducción práctica con Keras. Jordi TORRES.AI. https://torres.ai/deep-learning-inteligencia-artificial-keras/ Wikipedia. (2022a). Raspberry Pi. https://es.wikipedia.org/wiki/Raspberry_Pi Wikipedia. (2022b). Pandas (software). https://es.wikipedia.org/wiki/Pandas_(software) Wikipedia. (2022c). Docker (software). https://es.wikipedia.org/wiki/Docker_(software) Wikipedia. (2022d). Python. https://es.wikipedia.org/wiki/Python Wikipedia. (2022e). Fully-connected layer. https://en.wikipedia.org/wiki/Data_augmentation Yeung, T. (2022). What Is Edge AI and How Does It Work? NVIDIA Blog. https://blogs.nvidia.com/blog/2022/02/17/what-is-edge-ai/ Yixing, F. (2020). Keras documentation: Image classification via fine-tuning with Efficientnet. Keras. https://keras.io/examples/vision/Image_classification_efficientnet_fine_tunin g/
dc.rights.spa.fl_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2022
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2022 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.spa.fl_str_mv	122 páginas
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.coverage.spatial.none.fl_str_mv	Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv	Ingeniería Mecatrónica
dc.publisher.department.spa.fl_str_mv	Departamento de Automática y Electrónica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv	Cali
institution	Universidad Autónoma de Occidente
bitstream.url.fl_str_mv	https://red.uao.edu.co/bitstreams/c5b6de52-c203-41a1-b8a3-6632190d6636/download https://red.uao.edu.co/bitstreams/fcc01f1e-78f8-4829-9bce-35fccb5af470/download https://red.uao.edu.co/bitstreams/b6be7215-086c-4474-9797-4410c0199457/download https://red.uao.edu.co/bitstreams/c5e15a93-e0ca-43a1-a02c-260c1c138e67/download https://red.uao.edu.co/bitstreams/aaddffb9-bfd5-45e6-bb87-7af215322e1c/download https://red.uao.edu.co/bitstreams/2b195052-0609-4935-8bd8-7989172b76d9/download https://red.uao.edu.co/bitstreams/73c2c2f2-226f-4d01-afa4-7247c5808741/download
bitstream.checksum.fl_str_mv	b3ac9b9c2e131540dd28aa4630855ccc a13bef33e5c0d38ebdf52e38e12cca4a 20b5ba22b1117f71589c7318baa2c560 9494fb0642cb62333decc7753b32730e dce99ebc10f96954582d0312bfb33d14 10159ecb9af6424bc06e61aed5627d51 0e5da7e1c73b9f0f90e0831dfbf548fb
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Digital Universidad Autonoma de Occidente
repository.mail.fl_str_mv	repositorio@uao.edu.co
_version_	1814259898027868160
spelling	López Sotelo, Jesús Alfonsovirtual::2933-1Giraldo Quiñones, Jhonatan Davidda7995891b728a4456732d5449b51423Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi2022-08-23T18:34:21Z2022-08-23T18:34:21Z2022-07-07https://hdl.handle.net/10614/14209Universidad Autónoma de OccidenteRepositorio Educativo Digitalhttps://red.uao.edu.co/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.This degree work aims to contribute to the future automation of waste separation processes for recycling purposes, seeking to increase these tasks in places where they are already performed and encourage more places willing to do so. The work is aimed at the classification of recyclable waste, seeking to generate groups that facilitate the separation tasks that people currently perform, which separate between press, file, cardboard, folding, glass, plastic, scrap, among others. A convolutional neural network (CNN) was developed using transfer learning, which is capable of classifying among 12 groups of waste such as paper, cardboard, folding paper, cans, plastic, plastic bottles, magazines, among others; which are commonly found at home or in highly staffed places like universities. These groups were chosen according to those that already exist and taking into account opinions gathered in the interviews that were conducted with respect to waste conditioning or notorious difficulties in terms of their differentiation. An efficientnet neural network was used, which was trained with a dataset created from a bank of its own images and extracted from the Internet. The system was trained using the Google tool "Colab", within which the model reached an accuracy of between 80% and 98% with the images seen and never seen before. The network was tested in 3 different embedded systems, which were “Nvidia Jetson Nano”, “Dev Board Coral” and “Rasberry pi”; in which the network worked as expected, managing to classify all the different residues that were selected for the network to learn. In these embedded devices, inference times between 0.6 and 1.4 seconds were obtained.Proyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2022PregradoIngeniero(a) Mecatrónico(a)122 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería MecatrónicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2022https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería MecatrónicaInteligencia artificialRedes neurales (Computadores)ReciclajeArtificial intelligenceNeural networks (Computer science)Recycling (Waste, etc.)Deep LearningTransfer learningResiduos reciclablesAprendizaje profundoTransferencia de aprendizajeRed neuronal convolucionalClasificador de residuos sólidos haciendo uso de deep learningTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Giraldo Quiñones, J. D. (2022). Clasificador de residuos sólidos haciendo uso de deep learning. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14209Acodal. (2017). Alerta ambiental por el manejo de basuras en el relleno sanitario de Yotoco. http://www.acodal.org.co/alerta-ambiental-por-el-manejo-debasuras-en-el-relleno-sanitario-de-yotoco/Agarwal, V. (2021). Complete Architectural Details of all EfficientNet Models. https://towardsdatascience.com/complete-architectural-details-of-allefficientnet-models-5fd5b736142AI4ALL. (2020). Results. https://ai-4-all.org/about/results/Bagnato, J. I. (2020). Clasificación de Imágenes en Python. Aprende Machine learning. https://www.aprendemachinelearning.com/clasificacion-deImagenes-en-python/Bhatt, B. (2020). bhattbhavesh91/tflite-tutorials. GitHub. https://github.com/bhattbhavesh91/tflite-tutorials/blob/master/tflite-part1.ipynbBhattiprolu, S. (2021). bnsreenu/python_for_microscopists. GitHub. https://github.com/bnsreenu/python_for_microscopists/tree/master/237_tflite _using_malaria_binary_classificationBrownlee, J. (2020). Softmax Activation Function with Python. Machine Learning Mastery. https://machinelearningmastery.com/softmax-activation-functionwith-python/Chen, B. (2021). 7 popular activation functions you should know in Deep Learning and how to use them with Keras and TensorFlow 2. https://towardsdatascience.com/7-popular-activation-functions-you-shouldknow-in-deep-learning-and-how-to-use-them-with-keras-and-27b4d838dfe6COLOMBIA, MINISTERIO DE AMBIENTE Y DESARROLLO SOSTENIBLE. (2020). Colombia iniciará el 2021 con nuevo código de colores para la separación de residuos. Ministerio de Ambiente y Desarrollo Sostenible. https://www.minambiente.gov.co/index.php/noticias/4920-colombia-iniciarael-2021-con-nuevo-codigo-de-colores-para-la-separacion-de-residuosComité de Reciclaje / Cámara de la Industria de Pulpa, Papel y Cartón ANDI. (2020). Calidades de materiales para reciclaje. http://www.andi.com.co/Uploads/CARTILLA%20DE%20CALIDADES%20DE %20MATERIALES%20PARA%20RECICLAJE.pdfDelgado Rodríguez, D., y Guerrero Figueroa, J. F. (2020). Contenedores de reciclaje interactivo con IoT. [Tesis de pregrado, Universidad Autónoma de Occidente]. Repositorio Educativo Digital UAO. https://red.uao.edu.co/bitstream/handle/10614/12344/T09205.pdf?sequence=5&isAllowed=yDickson, B. (2022). TinyML is bringing deep learning models to microcontrollers. TNW \| Neural. https://thenextweb.com/news/tinyml-deep-learningmicrocontrollers-syndicationFlores, A. (2021). +15 librerías de Python que te ayudarán a transformar el mundo digital sin complicarte. Crehana. https://www.crehana.com/blog/desarrolloweb/librerias-python/Goodfellow, L. Bengio, Y. Courville, A. (2016). Deep Learning. Cambridge, Massachusetts: The MIT Press. Disponible en: https://www.deeplearningbook.org/Google LLC. (2020). Get started with the Dev Board. Coral. https://Coral.ai/docs/dev-board/get-started/Google. (2021). Te damos la bienvenida a Colaboratory. Google Colaboratory. https://colab.research.google.com/?hl=es#scrollTo=5fCEDCU_qrC0ICHI.PRO. (2020). Aprendizaje supervisado o no supervisado en 2 minutos. https://ichi.pro/es/aprendizaje-supervisado-o-no-supervisado-en-2-minutos126284139655746Jaimovich, D. (2018). Estudiantes argentinos, destacados por crear un separador de residuos inteligente. infobae. https://www.infobae.com/tecno/2018/06/11/estudiantes-argentinosdestacados-por-crear-un-separador-de-residuos-inteligente/Jupyter. (2022). Project Jupyter. https://jupyter.org/ Khandelwal, R. (2021). A Basic Introduction to TensorFlow Lite - Towards Data Science. https://towardsdatascience.com/a-basic-introduction-to-tensorflowlite-59e480c57292Luchetti, S. (2021). Sistema embebido y sus características \| Conceptos fundamentales. Tribalyte Technologies. https://tech.tribalyte.eu/blogsistema-embebido-caracteristicasMina, J. (2017). En Cali se generan 1700 toneladas diarias de residuos sólidos y solo se recicla el 10%. Elpais. https://www.elpais.com.co/cali/en-se-generan1700-toneladas-diarias-de-residuos-solidos-y-solo-se-recicla-el10.html#:%7E:text=Jamir%20Mina-,En%20Cali%20se%20generan%201700%20toneladas%20diarias%20de%20residuos,solo%20se%20recicla%20el%2010%20%25&text=Actualmente%2C%20la%20Alcald%C3%ADa%20de%20Cali,hogares%20para%20fome ntar%20el%20reciclajeNaik, S. (2021). Dataset Labelling. EDUCBA. https://www.educba.com/datasetlabelling/?source=leftnavNVIDIA Developer. (2020). Getting Started with Jetson Nano 2GB Developer Kit. https://developer.Nvidia.com/embedded/learn/get-started-jetson-nano-2gbdevkit#preparePapers with Code. (2021). Image Classification on ImageNet. https://paperswithcode.com/sota/Image-classification-on-ImagenetPedamkar, P. (2021a). Deep Learning Model. EDUCBA. https://www.educba.com/deep-learning-model/Pedamkar, P. (2021b). Loss Functions in Machine Learning. EDUCBA. https://www.educba.com/loss-functions-in-machine-learning/?source=leftnavPedamkar, P. (2022, mayo 5). What is Supervised Learning? EDUCBA. https://www.educba.com/what-is-supervised-learning/?source=leftnavPocho Costa. (2020). Transfer learning ¿qué es y para que sirve? https://pochocosta.com/podcast/transfer-learning-que-es-y-para-que-sirve/Programa de las Naciones Unidas para el Desarrollo. (2022). Objetivos de Desarrollo Sostenible \| Programa De Las Naciones Unidas Para El Desarrollo. UNDP. https://www.undp.org/es/sustainable-developmentgoals#produccion-consumo-responsablesQuintero, N. M. (2020). Las 2500 toneladas de basuras que se generan en Cali tienen desbordados a operadores de aseo. Elpais. https://www.elpais.com.co/cali/las-2500-toneladas-de-basuras-que-segeneran-en-tienen-desbordados-a-operadores-de-aseo.htmlRECECO - Reciclaje Ecológico. (2019). Consecuencias de no reciclar. https://gestorderesiduosmadrid.es/consecuencias-de-no-reciclar/Rolnick, D., y Donti, P. L. (2019). Tackling Climate Change with Machine Learning. Arxiv:1906.05433. https://arxiv.org/pdf/1906.05433.pdfRS Components. (2020). Offline page \| RS Components. https://offline.rsdelivers.com/Rueda, J. P. (2019). Crecimiento de basuras de Cali, bajo la lupa de entes de control. El Tiempo. https://www.eltiempo.com/colombia/otrasciudades/crecimiento-de-basuras-de-cali-esta-bajo-la-lupa-de-los-entes-decontrol-336892Ruiz, A. (2020). Caminar con éxito hacia la Industria 4.0: Capítulo 14 – Dispositivos (I) Internet de las cosas (IoT). Tecnología para los negocios. https://ticnegocios.camaravalencia.com/servicios/tendencias/caminar-conexito-hacia-la-industria-4-0-capitulo-14-dispositivos-i-internet-de-las-cosasiot/Salcedo, P. (2021). Aprueban Ley General de Fomento al Reciclaje. La Tribuna. https://www.latribuna.cl/cronica/2015/06/11/aprueban-ley-general-defomento-al-reciclaje.htmlscikit-learn developers. (s. f.). Confusion matrix. https://scikitlearn.org/stable/auto_examples/model_selection/plot_confusion_matrix.htmlsitio big data. (2019). Machine Learning: Seleccion Metricas de clasificacion. https://sitiobigdata.com/2019/01/19/machine-learning-metrica-clasificacionparte-3/#Tan, M., y Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv:1905.11946. [1905.11946v5] EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (arxiv.org)Tensorflow. (2022). TensorFlow Core \| Machine Learning for Beginners and Experts. https://www.tensorflow.org/overviewTensorflow. (s.f.). Module:tf.keras.losses. https://www.tensorflow.org/api_docs/python/tf/keras/lossesTorres, J. (2018). Deep Learning – Introducción práctica con Keras. Jordi TORRES.AI. https://torres.ai/deep-learning-inteligencia-artificial-keras/Wikipedia. (2022a). Raspberry Pi. https://es.wikipedia.org/wiki/Raspberry_PiWikipedia. (2022b). Pandas (software). https://es.wikipedia.org/wiki/Pandas_(software)Wikipedia. (2022c). Docker (software). https://es.wikipedia.org/wiki/Docker_(software)Wikipedia. (2022d). Python. https://es.wikipedia.org/wiki/PythonWikipedia. (2022e). Fully-connected layer. https://en.wikipedia.org/wiki/Data_augmentationYeung, T. (2022). What Is Edge AI and How Does It Work? NVIDIA Blog. https://blogs.nvidia.com/blog/2022/02/17/what-is-edge-ai/Yixing, F. (2020). Keras documentation: Image classification via fine-tuning with Efficientnet. Keras. https://keras.io/examples/vision/Image_classification_efficientnet_fine_tunin g/Comunidad generalPublicationhttps://scholar.google.com.au/citations?user=7PIjh_MAAAAJ&hl=envirtual::2933-10000-0002-9731-8458virtual::2933-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249106virtual::2933-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2933-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2933-1ORIGINALT10373_Clasificador de residuos sólidos haciendo uso de deep learningT10373_Clasificador de residuos sólidos haciendo uso de deep learningTexto archivo completo del trabajo de grado, PDFapplication/pdf3093036https://red.uao.edu.co/bitstreams/c5b6de52-c203-41a1-b8a3-6632190d6636/downloadb3ac9b9c2e131540dd28aa4630855cccMD51TA10373_Autorización trabajo de gradoTA10373_Autorización trabajo de gradoAutorización publicación del trabajo de gradoapplication/pdf270408https://red.uao.edu.co/bitstreams/fcc01f1e-78f8-4829-9bce-35fccb5af470/downloada13bef33e5c0d38ebdf52e38e12cca4aMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/b6be7215-086c-4474-9797-4410c0199457/download20b5ba22b1117f71589c7318baa2c560MD53TEXTT10373_Clasificador de residuos sólidos haciendo uso de deep learning.txtT10373_Clasificador de residuos sólidos haciendo uso de deep learning.txtExtracted texttext/plain140131https://red.uao.edu.co/bitstreams/c5e15a93-e0ca-43a1-a02c-260c1c138e67/download9494fb0642cb62333decc7753b32730eMD54TA10373_Autorización trabajo de grado.txtTA10373_Autorización trabajo de grado.txtExtracted texttext/plain4461https://red.uao.edu.co/bitstreams/aaddffb9-bfd5-45e6-bb87-7af215322e1c/downloaddce99ebc10f96954582d0312bfb33d14MD56THUMBNAILT10373_Clasificador de residuos sólidos haciendo uso de deep learning.jpgT10373_Clasificador de residuos sólidos haciendo uso de deep learning.jpgGenerated Thumbnailimage/jpeg5865https://red.uao.edu.co/bitstreams/2b195052-0609-4935-8bd8-7989172b76d9/download10159ecb9af6424bc06e61aed5627d51MD55TA10373_Autorización trabajo de grado.jpgTA10373_Autorización trabajo de grado.jpgGenerated Thumbnailimage/jpeg13348https://red.uao.edu.co/bitstreams/73c2c2f2-226f-4d01-afa4-7247c5808741/download0e5da7e1c73b9f0f90e0831dfbf548fbMD5710614/14209oai:red.uao.edu.co:10614/142092024-03-07 16:48:48.301https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2022open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.coRUwgQVVUT1IgYXV0b3JpemEgYSBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgT2NjaWRlbnRlLCBkZSBmb3JtYSBpbmRlZmluaWRhLCBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgbGEgTGV5IDQ0IGRlIDE5OTMsIGxhIERlY2lzacOzbiBhbmRpbmEgMzUxIGRlIDE5OTMsIGVsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbGV5ZXMgeSBqdXJpc3BydWRlbmNpYSB2aWdlbnRlIGFsIHJlc3BlY3RvLCBoYWdhIHB1YmxpY2FjacOzbiBkZSBlc3RlIGNvbiBmaW5lcyBlZHVjYXRpdm9zLiBQQVJBR1JBRk86IEVzdGEgYXV0b3JpemFjacOzbiBhZGVtw6FzIGRlIHNlciB2w6FsaWRhIHBhcmEgbGFzIGZhY3VsdGFkZXMgeSBkZXJlY2hvcyBkZSB1c28gc29icmUgbGEgb2JyYSBlbiBmb3JtYXRvIG8gc29wb3J0ZSBtYXRlcmlhbCwgdGFtYmnDqW4gcGFyYSBmb3JtYXRvIGRpZ2l0YWwsIGVsZWN0csOzbmljbywgdmlydHVhbCwgcGFyYSB1c29zIGVuIHJlZCwgSW50ZXJuZXQsIGV4dHJhbmV0LCBpbnRyYW5ldCwgYmlibGlvdGVjYSBkaWdpdGFsIHkgZGVtw6FzIHBhcmEgY3VhbHF1aWVyIGZvcm1hdG8gY29ub2NpZG8gbyBwb3IgY29ub2Nlci4gRUwgQVVUT1IsIGV4cHJlc2EgcXVlIGVsIGRvY3VtZW50byAodHJhYmFqbyBkZSBncmFkbywgcGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIGVsYWJvcsOzIHNpbiBxdWVicmFudGFyIG5pIHN1cGxhbnRhciBsb3MgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MsIHkgZGUgdGFsIGZvcm1hLCBlbCBkb2N1bWVudG8gKHRyYWJham8gZGUgZ3JhZG8sIHBhc2FudMOtYSwgY2Fzb3MgbyB0ZXNpcykgZXMgZGUgc3UgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgw6lzdGUuIFBBUkFHUkFGTzogZW4gY2FzbyBkZSBwcmVzZW50YXJzZSBhbGd1bmEgcmVjbGFtYWNpw7NuIG8gYWNjacOzbiBwb3IgcGFydGUgZGUgdW4gdGVyY2VybywgcmVmZXJlbnRlIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGVsIGRvY3VtZW50byAoVHJhYmFqbyBkZSBncmFkbywgUGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBlbiBjdWVzdGnDs24sIEVMIEFVVE9SLCBhc3VtaXLDoSBsYSByZXNwb25zYWJpbGlkYWQgdG90YWwsIHkgc2FsZHLDoSBlbiBkZWZlbnNhIGRlIGxvcyBkZXJlY2hvcyBhcXXDrSBhdXRvcml6YWRvczsgcGFyYSB0b2RvcyBsb3MgZWZlY3RvcywgbGEgVW5pdmVyc2lkYWQgIEF1dMOzbm9tYSBkZSBPY2NpZGVudGUgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4gVG9kYSBwZXJzb25hIHF1ZSBjb25zdWx0ZSB5YSBzZWEgZW4gbGEgYmlibGlvdGVjYSBvIGVuIG1lZGlvIGVsZWN0csOzbmljbyBwb2Ryw6EgY29waWFyIGFwYXJ0ZXMgZGVsIHRleHRvIGNpdGFuZG8gc2llbXByZSBsYSBmdWVudGUsIGVzIGRlY2lyIGVsIHTDrXR1bG8gZGVsIHRyYWJham8geSBlbCBhdXRvci4gRXN0YSBhdXRvcml6YWNpw7NuIG5vIGltcGxpY2EgcmVudW5jaWEgYSBsYSBmYWN1bHRhZCBxdWUgdGllbmUgRUwgQVVUT1IgZGUgcHVibGljYXIgdG90YWwgbyBwYXJjaWFsbWVudGUgbGEgb2JyYS4K

Clasificador de residuos sólidos haciendo uso de deep learning

Publicaciones similares