Clasificación de residuos sólidos por medio del reconocimiento de imágenes

Abstract

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

Manual classification of waste has certain limitations, such as high labor intensity, low sorting efficiency and poor working environment, as pointed out by Yulong et al. (2021). Therefore, it is important to seek solutions to improve the sorting process and its efficiency. Currently, the aim is to promote integrated waste management that allows its transformation into inputs for products, thus reducing the environmental impact and generating economic and social benefits.

This project contributes to this objective through the implementation of an automatic solid waste sorter that allows its efficient and sustainable classification. Therefore, the use of artificial intelligence technologies for solid waste classification could not only improve the efficiency of the process, but also reduce human costs in the process.

The model was trained through the ResNet architecture and a physical prototype was implemented to validate its operation. It demonstrates a satisfactory performance in situations where the images present a high resolution and the objects of interest are centered. However, certain challenges have been identified that affect recognition in some conditions. Specifically, It has been observed that improper camera positioning and the presence of objects that are too small can have a negative impact on the accuracy of the model.