Clasificación de residuos sólidos por medio del reconocimiento de imágenes

La clasificación manual de los residuos presenta ciertas limitaciones, como una alta intensidad de mano de obra, baja eficiencia de clasificación y un entorno de trabajo deficiente, tal como señala Yulong et al. (2021). Por ello, es importante buscar soluciones que permitan mejorar el proceso de clasificación y su eficiencia. En la actualidad, se busca promover una gestión integral de residuos que permita su transformación en insumos para productos, reduciendo así el impacto ambiental y generando beneficios económicos y sociales. Este proyecto contribuye a este objetivo mediante la implementación de un clasificador automático de residuos sólidos que permite su clasificación eficiente y sostenible. Por lo tanto, el empleo de tecnologías de inteligencia artificial para la clasificación de residuos sólidos podría no solo mejorar la eficiencia del proceso, sino también reducir los costos humanos en el mismo. Se realizó el entrenamiento del modelo a través de la arquitectura ResNet y se implementó un prototipo físico en el cual se validó su funcionamiento. Este demuestra un desempeño correcto en situaciones donde las imágenes presentan una alta resolución y los objetos de interés se encuentran centrados. Sin embargo, se han identificado ciertos desafíos que afectan el reconocimiento en algunas condiciones. Específicamente, se ha observado que el posicionamiento inadecuado de la cámara y la presencia de objetos demasiado pequeños pueden impactar negativamente en la precisión del modelo

• Autores: Hoyos Meza, Yony Yeseth; Mendivil Torres, Gabriel Eli; Mendoza Berdugo, Julio Cesar
• Fecha de publicación: 2023
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/11881
• Acceso en línea: http://hdl.handle.net/10584/11881
• Palabra clave: Machine learning, ResNet101, CNN, Automatización, Clasificación de residuos, Deep learning; Machine learning, ResNet101, CNN, Automation, Waste classification, Deep learning
• License: Universidad del Norte