CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
35
Uso de la visión artificial para la clasificación de residuos solidos
Use of machine vision for solid waste classification
Darío Castillo
1
; Luis Aguas
2
1,2
Universidad Tecnológica Israel–Carrera de Sistemas de Información, 170516, Quito, Ecuador
Fecha de recepción: marzo 2023 Fecha de aprobación: mayo 2023
RESUMEN
La tecnología de visión artificial se ha
utilizado con éxito en el proceso de gestión
y clasificación de basura. Esta tecnología
permite a las máquinas percibir el mundo
que las rodea a través de imágenes y videos,
y se utiliza para clasificar la basura por tipo
y color, así como para detectar objetos no
permitidos en los contenedores. La gestión
de residuos es uno de los mayores desafíos a
los que se enfrenta hoy en día, y se estima
que cuesta 200.000 millones de dólares al
año. La visión artificial puede ayudar a
reducir este costo mediante la
automatización del proceso de clasificación
de residuos, lo que permite una gestión más
eficiente y precisa. La tecnología de visión
artificial se basa en el uso de sensores
ópticos que capturan imágenes de los
residuos y luego se analizan mediante
algoritmos de aprendizaje profundo. Esto
permite una clasificación rápida y precisa de
los residuos, lo que contribuye a una mejor
gestión y a reducir el impacto ambiental.
Además, el uso de la visión artificial para la
gestión de residuos permite una mayor
eficiencia en el proceso.
Palabras Calve: Algoritmos, aprendizaje
automático, inteligencia artificial.
ABSTRACT
Machine vision technology has been
successfully used in the waste management
and sorting process. This technology allows
machines to perceive the world around them
through images and videos, and is used to
classify garbage by type and color, as well as
to detect objects not allowed in containers.
Waste management is one of the biggest
challenges facing it today, costing an
estimated $200 billion a year. Machine
vision can help reduce this cost by
automating the waste sorting process,
enabling more efficient and accurate
management. Machine vision technology is
based on the use of optical sensors that
capture images of waste and are then
analyzed using deep learning algorithms.
This allows fast and accurate sorting of
waste, which contributes to better
management and reduced environmental
impact. In addition, the use of machine
vision for waste management allows greater
efficiency in the process.
Key Words: Algorithms, machine learning,
artificial intelligence.
1
Estudiante de Ingeniería en Sistemas, e1105090888@uisrael.edu.ec
2
Magíster en Redes de Comunicaciones, aguaszoft@outlook.es
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
36
1. INTRODUCCIÓN
La visión por computadora es una tecnología emergente y poderosa con una variedad
de aplicaciones potenciales. Uno de los usos más prometedores de la visión artificial es
la clasificación de residuos, clasificar los desechos lleva mucho tiempo y puede ser
peligroso hacerlo manualmente, pero la visión por computadora tiene la capacidad de
hacerlo de manera rápida y precisa.
La visión artificial es una rama de la inteligencia artificial que se ocupa del
procesamiento y la comprensión de imágenes. Se ha utilizado para muchos propósitos,
incluida la clasificación de imágenes, el reconocimiento de objetos y la navegación de
robots.
En los últimos años, con el desarrollo de la inteligencia artificial, ha mejorado mucho
el potencial de la visión artificial para las soluciones de clasificación de basura. El proceso
de clasificación al reconocer diferentes tipos de desechos y luego transportarlos a sus
respectivos contenedores con la ayuda de la visión artificial, la clasificación de basura se
está volviendo más eficiente y precisa que nunca.
El desarrollo de la inteligencia artificial en la clasificación de basura no es solo una
tendencia del pasado, sino también del presente con más y más empresas que buscan
mejorar sus procesos utilizando IA, esta tendencia seguirá creciendo en el futuro.
Además, la visión artificial también se puede utilizar para desarrollar sistemas
automatizados de clasificación de residuos que funcionan sin intervención humana. Estos
sistemas pueden detectar y clasificar automáticamente los residuos mediante cámaras y
sensores, lo que acelera el proceso de clasificación y reduce la necesidad de personal para
realizar esta tarea. Otra forma en que la visión por computadora puede ayudar con la
clasificación de desechos es mediante el uso de sistemas de visión por computadora en la
nube. Estos sistemas le permiten procesar de manera rápida y eficiente grandes cantidades
de imágenes y videos no deseados utilizando potentes servidores en la nube. Esto permite
a las empresas y organizaciones manejar la clasificación de residuos de manera más
eficiente y a costos más bajos.
En resumen, la visión artificial es una tecnología que se puede utilizar de muchas
maneras en la clasificación de residuos. Esta tecnología permite que las máquinas
analicen y clasifiquen los desechos de manera precisa y automática, lo que ayuda a reducir
el impacto ambiental y a conservar los recursos naturales.
2. MARCO TEÓRICO
La visión artificial es una solución prometedora al problema de la clasificación de
objetos en la gestión de residuos. Se puede usar para automatizar el proceso de
clasificación y recolección al reconocer objetos en los desechos y luego guiar la
maquinaria para recolectarlos. También es una forma más eficiente y sostenible de
realizar esta tarea. La contaminación es la raíz de muchos de los problemas sociales
actuales. El tratamiento y eliminación de desechos crea muchos problemas ambientales y
de salud graves. Estas preguntas son cada vez más relevantes a medida que aumenta el
número de personas; al observar la naturaleza de los desechos, vemos que los desechos
sólidos se pueden dividir en cuatro categorías principales.
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
37
Estas categorías son residuos de alimentos, papel y plástico, residuos de construcción,
demolición y vidrio; cada grupo tiene características diferentes que ayudan a
identificar y gestionar adecuadamente los residuos. Primero, necesitamos entender
cómo el ojo humano interpreta diferentes texturas y colores. Cuando miramos un
objeto, nuestros ojos se enfocan en diferentes partes del objeto en diferentes momentos.
Esto se llama visión binocular y nos permite ver claramente a pesar de las diferencias en
la agudeza de nuestros ojos. Nuestra visión binocular nos permite ver claramente los
objetos que están cerca o lejos, también podemos movernos de un punto focal a otro al
mismo tiempo, una habilidad llamada convergencia u ojo convergente, que nos
permite ver objetos de cerca. Esto es útil cuando se comprueban los productos en busca
de defectos; además, nuestros ojos tienden a enfocarse en áreas claras y oscuras en
diferentes momentos, esto se llama diplopía o visión doble y se usa para ayudarnos a ver
en la oscuridad o con poca luz.
La clasificación de los residuos sólidos por visión artificial es una técnica de reciclaje
automatizado que permite identificar y separar los diferentes tipos de residuos sólidos.
Esta técnica utiliza una cámara para capturar imágenes de los residuos sólidos y un
algoritmo para clasificar las imágenes, los algoritmos utilizados para esta técnica suelen
ser clasificadores basados en aprendizaje automático. Los algoritmos de aprendizaje
automático se entrenan con datos anteriores de los residuos sólidos para aprender a
identificar los diferentes tipos de residuos sólidos, esto significa que el algoritmo puede
identificar los distintos tipos de residuos sólidos sin la necesidad de etiquetar
manualmente cada residuo. Una vez que el algoritmo ha aprendido a identificar los
diferentes tipos de residuos sólidos, puede ser utilizado para clasificar los residuos en
varias categorías. Esto representa que los residuos sólidos pueden ser clasificados en
categorías como plásticos, vidrio, papel, metal y otros; esta clasificación es útil para los
programas de reciclaje como el programa de separación de residuos. La clasificación de
los residuos sólidos por visión por computadora es una técnica relativamente nueva, pero
ha demostrado ser una herramienta eficaz para la identificación automatizada de los
diferentes tipos de residuos sólidos, esta técnica puede ayudar a reducir los costos de
reciclaje al eliminar la necesidad de etiquetar manualmente los residuos. Además, los
programas de reciclaje pueden beneficiarse de la categorización automatizada de los
residuos, permitiendo un mejor procesamiento y reciclaje de los mismos.
La clasificación de residuos sólidos por visión computacional es una tecnología que
ayuda a los usuarios a separar adecuadamente los residuos sólidos para su reciclaje o
disposición. El objetivo principal de esta tecnología es clasificar los residuos sólidos en
grupos a partir de los caracteres visibles de sus componentes básicos. La clasificación de
residuos sólidos por visión computacional se basa principalmente en la recopilación de
datos, el procesamiento de imágenes y la identificación de patrones con la ayuda de
computadoras. La intención es que los usuarios vean un objeto y la computadora pueda
identificar de qué tipo de residuo se trata y determinar los pasos adecuados para su
tratamiento. El entrenamiento es vital para que un sistema de clasificación de residuos
sólidos por visión computacional funcione correctamente. El entrenamiento debe incluir
una gran cantidad de datos de los residuos sólidos para que el sistema los reconozca
correctamente, estos datos se pueden obtener a partir de una variedad de fuentes, como
imágenes de cámara, descripciones textuales o mediante la recopilación manual de datos
en el lugar. Una vez que se tienen los datos apropiadamente clasificados, es necesario
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
38
utilizar técnicas de procesamiento de imágenes para extraer características relevantes de
los residuos sólidos, estas características incluyen forma, color, textura y tipo de material.
Posteriormente, se usan algoritmos avanzados para poder llevar a cabo la clasificación.
Las tecnologías de clasificación de residuos sólidos por visión computacional ayudan a
reducir la carga de trabajo de los usuarios al tiempo que mejoran sustancialmente los
procesos de reciclado y disposición, estos sistemas pueden ayudar a construir un planeta
más saludable para futuras generaciones.
3. METODOLOGÍA
Para desarrollar el proyecto se utilizó el método de investigación deductivo (Abreu,
2014), mediante el cual se puede realizar el análisis de lo general a lo específico, y luego
llegar a los resultados de la investigación. En resumen, el método deductivo permite
generalizar a partir de casos particulares y ayuda progresar en el conocimiento de las
realidades estudiadas. En este sentido, los futuros objetos de estudio, parecidos a los
recopilados en la formulación científica general que se ha inducido, podrán ser
entendidos, explicados y pronosticados sin que aun ocurran, y, además serán susceptibles
de ser estudiados analítica o comparativamente.
La población a la cual va dirigida el proyecto es a la comunidad estudiantil de la
Universidad de Israel. Para la muestra se cuenta con una población de aproximadamente
de 800 estudiantes matriculados en las diferentes carreas de la Universidad Israel, de los
cuales se toman como muestra a los estudiantes de la carrera de informática que cuenta
con una población de 24 estudiantes matriculados.
4. RESULTADOS
Para la primera iteración de este modelo tomamos los pesos de las capas que están por
defecto, agregando una capa de aplanado (flatten) para darle paso a una capa más
densamente conectada para entrenarse con las imágenes de nuestro conjunto de datos. Por
último, agregamos una capa con 7 posibles salidas, las cual se activa con una función
exponencial normalizada (softmax). Como resultado obtuvimos un ‘Accuracy’ de 80%
en entrenamiento y 86% en validación.
Figura 1. Métricas primer entrenamiento modelo DenseNet121
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
39
Como parte de las mejoras, hicimos un cambio al modelo construido. El último
conjunto de capas densas se dejó como entrenable, es decir, a partir de la capa 313.
Después de volver a entrenar el nuevo modelo, obtuvimos un ‘Accuracy’ de 92% en
entrenamiento, 88% en validación.
Como se puede ver en la matriz de confusión, el modelo tuvo problemas con aquellos
que pudieran considerarse similares como cartón y papel, o metal y vidrio.
Figura 2. Métricas segundo entrenamiento modelo DenseNet121
4.1 VGG-16 e InceptionRestNetV2
También evaluamos estos dos modelos previamente entrenados con los datos de
imágenes. En cuanto a la parte de implementación, la VGG-16 es mucho más simple,
pero su tiempo de ejecución contra sus resultados nos hizo descartarla rápidamente.
InceptionResNetV2 considera una ejecución más rápida, pero también los resultados no
fueron tan buenos como con DenseNet121, es por ello que esta se descartó.
En ambos modelos se hizo un proceso similar con DenseNet121, se utilizaron los pesos
por defecto exceptuando la última capa, la cual se entrenó con nuestro set de datos, de la
misma manera se agregó una capa final para tener el número de salidas requeridas para
nosotros.
Para VGG-16 obtuvimos un ‘Accuracy’ de 92% en entrenamiento, 85% en validación.
Pero a la hora de hacer las predicciones, se puede ver en la matriz de confusión que no se
obtuvo buenos resultados. Este modelo lo descartamos para seguir con un proceso de
mejoras.
Figura 3. Métricas de entrenamiento modelo VGG-16
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
40
Para InceptionResNetV2, se le agregó una nueva capa densa y una capa más de salida
con los 7 posibles valores. Los resultados arrojados con los pesos por defecto fueron un
‘Accuracy’ de 87% en entrenamiento, 73% en validación.
Figura 4. Métricas primer entrenamiento modelo InceptionResNet
Al igual que en el de DenseNet121, se dejó la última parte como entrenable, a partir de
la capa 779. Los resultados obtenidos para ‘Accuracy’ fueron de 90% en entrenamiento,
74% en validación. Como se puede ver en la matriz de confusión, presentó más falsos
negativos que el DenseNet121.
Figura 5. Métricas segundo entrenamiento modelo InceptionResNet
De este modelo concluimos que es muy probable que tenga un sobre ajuste en el
entrenamiento, en las publicaciones este modelo es de los mejores para clasificación de
imágenes. Necesitamos un estudio más profundo de este modelo para entenderlo mejor,
entender cómo sacar todo el potencial y que nos dé mejores predicciones.
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
41
5. DISCUSIÓN
La visión artificial es una tecnología que permite a las máquinas percibir y comprender
el mundo que las rodea a través de imágenes y videos. Esta tecnología se utiliza en una
amplia gama de aplicaciones, incluyendo la clasificación de basura.
La clasificación de basura es un proceso importante para gestionar de manera eficiente
los residuos generados en una sociedad. Esto permite separar la basura de manera
adecuada y reciclar aquellos materiales que pueden ser reutilizados, lo que contribuye a
reducir el impacto ambiental y a ahorrar recursos naturales, la visión artificial puede
ayudar en este proceso de clasificación de basura mediante el uso de sistemas de visión
por computadora que son capaces de analizar imágenes y videos de los residuos y
clasificarlos de acuerdo a sus características. Estos sistemas utilizan algoritmos de
aprendizaje automático que se entrenan con un gran conjunto de imágenes etiquetadas de
diferentes tipos de basura, lo que les permite detectar y clasificar la basura de manera
precisa.
Para entrenar estos sistemas de visión por computadora, se utilizan técnicas de
aprendizaje supervisado. Esto implica proporcionar al sistema un gran conjunto de
imágenes etiquetadas de diferentes tipos de basura, junto con las etiquetas
correspondientes. El sistema utiliza estas imágenes etiquetadas para aprender a detectar
y clasificar la basura de manera precisa.
Una vez que el sistema ha sido entrenado, se puede utilizar para analizar imágenes y
videos de basura en tiempo real y clasificarlos de acuerdo a sus características. Para hacer
esto, el sistema utiliza técnicas de procesamiento de imágenes para detectar y extraer
características de las imágenes de basura, como formas, colores y tamaños. Estas
características se utilizan como entrada para el algoritmo de aprendizaje automático, que
las utiliza para clasificar la basura de manera precisa.
Además, la visión artificial también puede ser utilizada para diseñar sistemas de
clasificación de basura automatizados que pueden funcionar sin la intervención humana;
estos sistemas pueden utilizar cámaras y sensores para detectar y clasificar la basura de
manera automática, lo que permite acelerar el proceso de clasificación.
Sin embargo, la implementación de la visión artificial en la clasificación de basura no
está exenta de controversias y desafíos. Uno de los principales problemas es el costo de
esta tecnología, ya que los sistemas de visión por computadora pueden ser bastante caros
y pueden requerir una inversión significativa en hardware y software. Además, la
implementación de la visión artificial en la clasificación de basura puede requerir la
capacitación de trabajadores para utilizar esta tecnología, lo que puede generar un costo
adicional.
6. CONCLUSIONES
A partir de lo discutido en el texto anterior, se pueden mencionar algunas conclusiones
acerca de la visión artificial para la clasificación de basura:
La visión artificial es una tecnología que puede ser utilizada para mejorar la
eficiencia y precisión en el proceso de clasificación de basura.
CREANDO INGENIOS
ISSN: 3028-8924
Correo: editor.revista@tecnologicoismac.edu.ec
URL: https://ismaconline.net/investigacion/index.php/CreaIngenio_2021/index
Volumen 3, Número 1 / Enero – Junio 2023 pp. 35-42
42
La visión artificial se basa en sistemas de visión por computadora que utilizan
algoritmos de aprendizaje automático para analizar y clasificar la basura de
manera precisa.
La implementación de la visión artificial en la clasificación de basura puede ser
costosa y requerir la capacitación de trabajadores.
La precisión de la visión artificial en la clasificación de basura puede estar
limitada por ciertas restricciones técnicas.
La implementación de la visión artificial en la clasificación de basura también
puede generar preocupaciones en cuanto a la privacidad y seguridad de los datos.
La visión por computadora se puede utilizar en el proceso de clasificación de
basura mediante el uso de sistemas de visión por computadora que son capaces de
analizar imágenes y videos de los residuos y clasificarlos de acuerdo a sus
características.
La tecnología de visión artificial se basa en el uso de sensores ópticos que capturan
imágenes de los residuos y luego se analizan mediante algoritmos de aprendizaje
automático.
La visión artificial puede contribuir a reducir el impacto ambiental y ahorrar
recursos naturales
El uso de la visión artificial para la gestión de residuos puede ayudar a reducir el
costo del proceso.
La visión artificial puede clasificar los residuos de manera rápida y precisa.
Mediante la visión artificial puede detectar objetos no permitidos en los
contenedores de basura.
La visión artificial puede mejorar la eficiencia en el proceso de clasificación de
basura.
REFERENCIAS
1. Liu, Y. y Chen, Y. (2017). Una revisión sobre la clasificación de residuos
mediante visión artificial. Gestión de residuos, 67, 37-46.
2. Fan, Y., Chen, Y. y Zhang, X. (2018). Una encuesta de algoritmos de aprendizaje
profundo para la detección de anomalías no supervisadas y semisupervisadas.
Acceso IEEE, 6, 52138-52149
3. Zhang, Y. y Liu, Z. (2018). Una revisión de la tecnología de visión artificial para
la clasificación de residuos. Gestión de residuos, 76, 127-136.
4. Zhang, J. y Chen, Y. (2017). Clasificación de residuos basada en aprendizaje
profundo utilizando redes neuronales convolucionales. Gestión de residuos, 68,
125-134.
