Universidad Tecnológica de Honduras

Tema:
Propuesta de proyecto

“Detector y clasificador de residuos por visión artificial”

Asignatura:
Inteligencia Artificial

Catedrático:
Ing. Wilson Villanueva

Presentado por:
David Mejía
201810060357

Fecha:
2 de marzo del 2024

Lugar:
Tegucigalpa M.D.C.
 INTRODUCCIÓN

Este proyecto explorará en detalle el diseño y la implementación del

detector y clasificador de residuos por visión artificial. Se abordarán los
componentes clave del sistema, desde la captura de imágenes hasta
los algoritmos de aprendizaje profundo utilizados para la clasificación.
Además, se evaluará la eficacia del sistema mediante pruebas y se
discutirán las posibles mejoras y aplicaciones futuras. En última
instancia, este proyecto busca destacar el papel transformador de la
inteligencia artificial en la gestión de residuos y su contribución a un
futuro más sostenible, en este caso por medio de la visión artificial.
Antecedentes:

En muchos países entre ellos Honduras han tenido un grave problema con la
acumulación de residuos sin lugares apropiados para el reciclaje o eliminación de
estos. Honduras ha enfrentado desafíos en términos de infraestructura y recursos
para la gestión adecuada de estos residuos. La falta de instalaciones de
tratamiento y vertederos adecuados puede dar lugar a la acumulación de basura
en áreas no designadas.
La falta de una gestión de residuos eficiente puede conducir a la contaminación
del suelo, agua y aire. La quema de residuos a cielo abierto también es una
práctica común, lo que contribuye a la emisión de contaminantes atmosféricos.
Aunque existen esfuerzos para promover el reciclaje, aún se enfrenta a desafíos
en términos de conciencia pública y acceso a instalaciones de reciclaje. La falta de
programas de reciclaje formales puede limitar la capacidad de reducir la cantidad
de residuos enviados a los vertederos o crematorios.
La acumulación de basura y la falta de gestión adecuada suele tener un impacto
negativo en la salud pública hondureña. Los desechos mal gestionados pueden
atraer plagas, generar olores desagradables y contribuir a la propagación de
enfermedades.
Problema a Abordar:
En la actualidad, la gestión eficiente de residuos se ha convertido en un imperativo
global para abordar los desafíos ambientales y promover prácticas sostenibles.
Uno de los elementos fundamentales en este contexto es la separación adecuada
de los residuos, lo cual a menudo se dificulta por la falta de conciencia y la
intervención manual en los procesos de clasificación.
La inteligencia artificial (IA) emerge como una solución innovadora para mejorar la
eficiencia en la gestión de residuos, y en este contexto, el desarrollo de un
detector y clasificador de residuos basado en visión artificial se presenta como una
herramienta prometedora.
En Honduras lamentablemente el sistema de clasificación de residuos no suele
aplicarse en muchos sectores del país, por lo que todos los residuos van juntos a
los crematorios municipales, esto provoca que la descomposición de ciertos
residuos sea mas lento y dañino para el medio ambiente, cada residuo tiene una
composición distinta y poder diferenciar entre los residuos y separarlos por su
clasificación es un paso en la dirección correcta en contra de la contaminación.
La clasificación manual de residuos es un proceso laborioso y propenso a errores
que puede resultar ineficiente y poco preciso. La falta de una segregación precisa
contribuye a la contaminación ambiental y dificulta la implementación efectiva de
políticas de reciclaje. Un sistema automatizado basado en visión artificial busca
superar estos desafíos al ofrecer una solución precisa, rápida y escalable para la
clasificación de residuos.

Objetivo del Sistema:

El objetivo principal de nuestro detector y clasificador de residuos basado en visión
artificial es identificar y separar diferentes tipos de residuos de manera automática
y eficiente. Utilizando algoritmos avanzados de aprendizaje profundo, el sistema
analizará imágenes de residuos y asignará categorías específicas, como papel,
plástico, vidrio o residuos orgánicos. Esta clasificación precisa facilitará la posterior
gestión de residuos, permitiendo un enfoque más efectivo en la recolección
selectiva y el reciclaje.

Beneficios Potenciales:
La implementación de este sistema de visión artificial ofrece varios beneficios
clave. En primer lugar, mejora la velocidad y precisión de la clasificación de
residuos, reduciendo la carga de trabajo manual y minimizando los errores.
Además, fomenta la conciencia ambiental al promover prácticas de reciclaje más
efectivas. También contribuye a la optimización de recursos al permitir una gestión
más eficiente de los residuos, lo que tiene un impacto positivo en la sostenibilidad
ambiental.

Desarrollar un detector y clasificador de residuos por visión artificial con Python

implica varias etapas, desde la adquisición de imágenes hasta la implementación
de modelos de aprendizaje profundo para la clasificación. Para el desarrollo de
dicho sistema se necesita:
1. Adquisición de Datos:
Colección de Imágenes:
Hay que reunir un conjunto de imágenes representativas de diferentes tipos
de residuos que deseamos clasificar (papel, plástico, vidrio, orgánico, etc.).

2. Preprocesamiento de Datos:
Etiquetado de Datos:
Etiquetar cada imagen con la categoría correspondiente (papel, plástico,
etc.).
División de Datos:
Dividir el conjunto de datos en conjuntos de entrenamiento y probar para
evaluar el rendimiento del modelo.

3. Desarrollo del Modelo:

Selección del Modelo:
Escoger un modelo de visión artificial preentrenado o construir uno desde
cero.
Transfer Learning:
Utilizar el aprendizaje por transferencia para adaptar un modelo
preentrenado a nuestra tarea específica. Esto acelera el proceso de
entrenamiento y mejora la precisión del modelo.
4. Entrenamiento del Modelo:
Configuración del entrenamiento:
Definir parámetros como la tasa de aprendizaje, la función de pérdida y el
optimizador.
 Entrenamiento del modelo:
Alimentar el modelo con datos de entrenamiento y ajusta los pesos del
modelo para minimizar la función de pérdida.

5. Evaluación del Modelo:

Validación del Modelo:
Evaluar el modelo con el conjunto de datos de prueba para medir su
precisión y rendimiento.

6. Implementación del Detector y Clasificador:

Integración con Cámara o Imágenes:
Desarrollaremos un código que capture imágenes de una cámara en tiempo
real o procese imágenes ya existentes.
Procesamiento de Imágenes:
Utilizaremos el modelo entrenado para clasificar los objetos presentes en
las imágenes.
Visualización de Resultados:
Ver los resultados de la clasificación, resaltando las categorías
identificadas.
7. Despliegue:
Despliegue en Aplicación o Sistema:
Integrar el detector y clasificador en una aplicación, sistema embebido o
interfaz de usuario para su uso práctico.
8. Mejoras y Optimización:
Ajuste de Parámetros:
Experimentar con diferentes parámetros para mejorar el rendimiento del
modelo.
Aumento de Datos:
Utilizar técnicas de aumento de datos para enriquecer tu conjunto de datos
y mejorar la generalización del modelo.
 Optimización del Modelo:
Implementar técnicas de optimización para reducir el tamaño del modelo y
acelerar la inferencia.
Recursos Útiles:
Bibliotecas de Python:
Utilizaremos una biblioteca como lo es PyTorch para implementar y entrenar
modelos de aprendizaje profundo.
Frameworks de Visión Artificial:
Examinaremos frameworks como OpenCV para el procesamiento de
imágenes y detección de objetos.
Este es un enfoque general de mi proyecto. La implementación detallada puede
variar según vayamos trabajando en el proyecto y la disponibilidad de recursos.
 CONCLUSIONES

• Analizar la eficiencia del modelo en términos de velocidad de

procesamiento y capacidad para trabajar en tiempo real. Si el modelo es
capaz de manejar imágenes en tiempo real, esto puede considerarse un
éxito en términos de eficiencia.

• Reconocer cualquier desafío o limitación enfrentada durante el desarrollo e

implementación del sistema. Esto podría incluir problemas específicos de
datos, dificultades en la captura de imágenes, o cualquier otro obstáculo
que pueda surgir.

• Analizar la aplicabilidad práctica del detector y clasificador de residuos en

entornos del mundo real. Evaluar si el sistema podría ser implementado con
éxito en situaciones cotidianas, como instalaciones de gestión de residuos,
plantas de reciclaje o sistemas de recolección de basura.

• Considerar el posible impacto ambiental y social de la implementación del

sistema. Discutir cómo la tecnología podría contribuir a prácticas de gestión
de residuos más sostenibles y conciencia ambiental.

Bibliografía
https://www.youtube.com/watch?v=PSFw_ipK3ug
https://recycleye.com/es/la-ia-y-el-reconocimiento-des-residuos-por-que-funciona-
tan-bien/