Desarrollo de un sistema inteligente para la clasificación de residuos sólidos

La falta de reciclaje supone un problema en la actualidad, este proyecto tiene como principal motivación colaborar para alcanzar un futuro más sostenible. De forma paralela, se busca la mejora de los datos de reciclaje, puesto que en España estos se encuentran por debajo de la media europea. Por otra parte, con este proyecto se hace un buen uso de la tecnología contribuyendo socialmente hacía un futuro tecnológico y responsable. Unificando la inteligencia artificial con el reciclaje, apostamos por desarrollar este proyecto siguiendo una serie de objetivos. Principalmente, crear un software para clasificar los residuos en 5 categorías (cartón, papel, vidrio, orgánico y plástico), es decir, crear una red neuronal. Por otra parte, planteamos como otro objetivo el uso de la cámara web, para captura de imágenes y videos de los residuos. A la hora de desarrollar el proyecto, dentro de la inteligencia artificial hemos optado por el aprendizaje profundo, debido a su gran eficacia y diversidad. Este aprendizaje entrena sistemas para que reconozcan patrones y sean inteligentes, a través de los datos. Para implementar esta tecnología, se ha utilizado Google Colab. Teniendo en cuenta que permite reducir la carga computacional, dado que realiza el entrenamiento de la red neuronal en la nube, por lo que este proceso se reduce de días a horas. Con respecto al desarrollo del proyecto en primer lugar ha sido necesario encontrar un conjunto de datos con las 5 categorías de residuos, en este caso se ha obtenido fusionando dos datasets, pertenecientes a repositorios públicos. En la fase desarrollo de la red neuronal se ha utilizado transfer learning, que es una metodología donde se parte de un modelo ya entrenado para desarrollar un modelo que realiza una tarea similar; esto ha ayudado a reducir el tiempo de entrenamiento de la red. En este caso el modelo central que se ha usado ha sido DenseNet121. Una vez realizados los ajustes y añadidas las nuevas capas para mejorar el modelo central, se pasa a la fase de entrenamiento. En nuestro proyecto realizamos dos versiones del modelo, la segunda versión tenía un incremento de los datos con respecto a la primera. Finalmente incorporamos la cámara web, tanto para capturar imágenes como vídeos. Con el primer modelo conseguimos una precisión del 91,60 %, pero observamos que algunos residuos de la categoría de plástico no los clasificaba de forma correcta, por lo que creamos una nueva versión incrementando los datos de esta. En esta segunda versión del modelo obtuvimos una precisión del 92,75%. Por último, este modelo fue el que se usó para usarlo como modelo central del reentrenamiento. Finalmente, en el reentrenamiento donde incorporamos nuevos residuos a algunas categorías, obtuvimos una precisión del 92,92%. Concluimos destacando que, al realizar pruebas con 100 imágenes aleatorias, el modelo las predijo correctamente el 97% de las ocasiones. Además de lograr todos los objetivos propuestos. Abstract: The lack of recycling is a problem nowadays, and the main motivation of this project is to collaborate in order to achieve a more sustainable future. At the same time, it seeks to improve recycling data, since in Spain these are below the European average. On the other hand, this project makes good use of technology, contributing socially towards a technological and responsible future. Unifying artificial intelligence with recycling, we are committed to developing this project following a series of objectives. Mainly, to create a software to classify waste into 5 categories (cardboard, paper, glass, organic and plastic), i.e.to create a neural network. On the other hand, we also set as another objective the use of a webcam to capture images and videos of the waste. When developing the project, within artificial intelligence we have opted for deep learning, due to its great efficiency and diversity. Deep learning trains systems to recognise patterns and be intelligent through data. Google Colab has been used to implement this technology, taking into account that it allows reducing the computational load, since it performs the training of the neural network in the cloud, so this process is reduced from days to hours. With regard to the development of the project, it was first necessary to find a dataset with the 5 categories of waste, in this case it was obtained by merging two datasets belonging to public repositories. In the development phase of the neural network, transfer learning has been used, which is a methodology where a trained model is used to develop a model that performs a similar task; this has helped to reduce the training time of the network. In this case, the central model used was DenseNet121. Once the adjustments have been made and new layers have been added to improve the core model, we move on to the training phase. In our project we made two versions of the model, the second version had an increase of the data with respect to the first one. Finally, we incorporated the webcam, both for capturing images and videos. With the first model we achieved an accuracy of 91.60%, but we observed that some waste in the plastic category was not classified correctly, so we created a new version increasing the data of this one. In this second version of the model, we obtained an accuracy of 92.75%. Finally, this model was used as the central model for the retraining. Lastly, in the retraining where we incorporated new residuals to some categories, we obtained an accuracy of 92.92%. We conclude by highlighting that, when testing 100 random images, the model predicted them correctly 97% of the time. In addition to achieving all the proposed objectives