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.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