Técnicas de Deep Learning aplicadas a un sistema de clasificación de objetos para un recolector de residuos inteligente

BRAIAN PEZET; LUCIA OSÉS; CAPPELLETTI MARCELO; MAURO SALINA; JORGE OSIO; DANIEL MARTÍN MORALES

Bernal

Jornada; V Jornadas de Investigadores e Investigadoras en Formación en Ciencia y Tecnología (JIF 2023); 2023

Universidad Nacional de Quilmes (UNQ)

El enfoque central de este proyecto se dirige hacia la creación de unsistema de detección y categorización de elementos reciclables contenidos en imágenespara su integración en un recolector de desechos inteligente. Este sistema empleaestrategias relacionadas con el Aprendizaje Profundo, más conocido como Deep Learning.Fueron desarrolladas arquitecturas de redes neuronales convolucionales (CNN) con lacapacidad de reconocer diversos objetos reciclables, en tiempo real y a partir de imágenesdiversas. Se llevaron a cabo evaluaciones tanto en un contexto binario de clasificación(reciclable o no-reciclable) como en un escenario multiclase (plástico, vidrio, metal, papelcartón,orgánico y no-reciclable). Además, se realizaron experimentos mediante laincorporación de modelos pre-entrenados utilizando la técnica de Transfer Learning, a finde llevar a cabo una comparación exhaustiva de los resultados obtenidos. Laimplementación práctica de estos modelos se materializó a través de la programación enPython, aprovechando la infraestructura de fondo proporcionada por “TensorFlow” yhaciendo uso de la librería de alto nivel denominada “Keras”. En términos de validación, elmodelo definitivo fue puesto a prueba en una aplicación (versión beta) desarrollada enPython. Dicha aplicación se ejecutó en una Raspberry Pi, una computadora de tamañoreducido, y se utilizó un módulo de cámara (picam) para capturar fotogramas. El sistemapermitió la evaluación en tiempo real de los fotogramas capturados y aplicando el modelode categorización de manera inmediata. De esta forma, se obtuvieron las coordenadas delos objetos identificados en los fotogramas, facilitando así su recolección y separación confines de reciclaje posterior. Actualmente se está trabajando en la reducción de los modelosde clasificación para lograr su implementación en un microcontrolador de bajo costoEsp32-cam, lo que reducirá considerablemente el costo del hardware utilizado y elconsumo de energía necesario para el sistema.