IMPLEMENTACIÓN DE REDES NEURONALES PARA LA CLASIFICACIÓN DE DESECHOS DENTRO DE UN CESTO INTELIGENTE

José J Pascasio G; Robinson H Mela R; María Luisa Vélez; José Carlos Rangel

Enviado diciembre 15, 2021

Publicado 2022-01-05

Artículos

Vol. 11 Núm. 1 (2022): Centros: Revista Científica Universitaria

IMPLEMENTACIÓN DE REDES NEURONALES PARA LA CLASIFICACIÓN DE DESECHOS DENTRO DE UN CESTO INTELIGENTE

José J Pascasio G⁺⁻
Robinson H Mela R⁺⁻
María Luisa Vélez⁺⁻
José Carlos Rangel⁺⁻

PDF

Citación:

DOI: ND

Publicado: 2022-01-05

Cómo citar

Pascasio G, J. J., Mela R, R. H., Vélez, M. L., & Rangel, J. C. (2022). IMPLEMENTACIÓN DE REDES NEURONALES PARA LA CLASIFICACIÓN DE DESECHOS DENTRO DE UN CESTO INTELIGENTE. Centros: Revista Científica Universitaria, 11(1), 229–245. Recuperado a partir de https://revistas.up.ac.pa/index.php/centros/article/view/2542

Aviso de derechos de autor/a

Resumen

Este artículo presenta la implementación de herramientas de hardware como (Raspberry Pi, cámaras, sensores, motores, controladores) y software como (redes neuronales convolucionales, aplicación móvil) para la clasificación de desechos. A futuro, la implementación del recolector y clasificador propuesto contribuirá al cuidado del ambiente y a la educación ambiental. La innovación del proyecto radica en la automatización del proceso de clasificación de desechos mediante la integración de redes neuronales, la generación de notificaciones de forma automática desde el prototipo que son transmitidas por medio del servidor web a la aplicación móvil desarrollada cuando un contenedor se encuentre lleno y la flexibilidad del prototipo de manera que puede implementarse en diversos entornos desde educativos, oficinas, industrias, entre otros. Los avances que se presentan son: Creación de una aplicación móvil que permite visualizar el nivel de los contenedores, diseño del prototipo, resultados del entrenamiento de las redes neuronales seleccionadas, evaluación de la red final con imágenes de prueba.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Acosta Casatillo, F. (2017). Detección automática de células mitóticas en imágenes histológicas usando redes neuronales convolucionales profundas. Universidad Pontifica Católica de Valparaíso.
Agencia Internacional de Cooperación Del Japón (JICA) y Municipio de Panamá (2003). Estudio sobre el plan de manejo de los desechos sólidos para la Municipalidad de Panamá. (2003).
Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications.
Bai, J., Lian, S., Liu, Z., Wang, K., & Liu, D. (2018). Deep Learning Based Robot for Automatically Picking up Garbage on the Grass. IEEE Transactions on Consumer Electronics. https://doi.org/10.1109/TCE.2018.2859629
Bircano?lu, C., Atay, M. S., Beser, F., Genc, O., & Kizrak, M. A. (2018). RecycleNet: Intelligent Waste Sorting Using Deep Neural Networks. https://doi.org/10.1109/INISTA.2018.8466276.
Bose, S. R., & Kumar, V. S. (2020). Efficient inception V2 based deep convolutional neural network for real-time hand action recognition. IET Image Processing. https://doi.org/10.1049/iet-ipr.2019.0985
Chen, G., & Wang, H. (2019). Application of Image Recognition Technology in Garbage Classification Education Platform. 2019 5th International Conference on Control, Automation and Robotics (ICCAR).
Diaz C, C., & Caldas V, J. (2018). Sistema de control automático para el reconocimiento y clasificación de residuos reciclables. Universidad Católica de Colombia.
Dominguez, F. (2015). Proyecto de separación y recolección de basura en México.
Farfán, J. (2014). Proyecto de innovación con enfoque ambiental.
Guzmán, A. (2019). Proyecto de reciclaje cambiando hábitos, transformando vidas.
Haußecker, B. J. and H. (2000). Computer Vision and Applications, A Guide for Students and Practitioners. Academic Press.
Keras | TensorFlow Core. (2019). https://www.tensorflow.org/guide/keras?hl=es.
LeCun, Y, et.al. (1989). Backpropagation applied to handwritten zip code recognition.
LeCun, Y, et al. (1990). Handwritten digit recognition with a back-propagation network. Touretzky, D. S.
Martínez Llamas, J.. (2015). Reconocimiento de Imágenes mediante Redes Neuronales Convolucionales. Universidad Politécnica de Madrid: ETSI Sistemas Informáticos.
Poole, D. (2018). Computational Intelligence: A Logical Approach. Oxford University Press.
Quintero, C & F. M. (2008). Uso de Redes Neuronales Convolucionales para el reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. Universidad Tecnológica Panamá.
Spadafora, A. (2015). Programa Basura Cero 2015-2035. https://basuracero.mupa.gob.pa/wp-content/uploads/2018/03/LIBRO-BASURA-CERO-2016-1era-Edicio?n.pdf
Sreelakshmi, K., Akarsh, S., Vinayakumar, R., & Soman, K. P. (2019). Capsule Neural Networks and Visualization for Segregation of Plastic and Non-Plastic Wastes. 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS).
TensorFlow. (2018). TensorFlow. https://www.tensorflow.org/learn?hl=es-419.
Tammina, S. (2019). Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images. International Journal of Scientific and Research Publications (IJSRP). https://doi.org/10.29322/ijsrp.9.10.2019.p9420
Uribe, S. (2017). Implementación de redes neuronales y análisis de rendimiento para sistemas empotrados. Universidad Autónoma de Barcelona (UAB).