Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
47
Uso de la Visión Artificial para la Clasificación de Residuos Solidos
Darío Javier Castillo Ochoa
1
; Luis Fernando Aguas Bucheli
2
1,2,
Universidad Tecnologica Israel - Carrera de Ingenieria de Sistemas, Quito – Ecuador
laguas@uisrael.edu.ec
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 de aprendizaje automático, inteligencia artificial para clasificación de
basura
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.
Keywords: : machine learning algorithms, artificial intelligence for garbage sorting
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
48
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
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
49
a reducir el impacto ambiental y a
conservar los recursos naturales.
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.
Estas
categorías son residuos de alimentos, pape
l 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.
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
50
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
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
51
textuales o mediante la recopilación
manual de datos en el lugar. Una vez que
se tienen los datos apropiadamente
clasificados, es necesario 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.
MATERIALES Y MÉTODOS
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.
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.
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
52
Figura 1: Métricas primer entrenamiento
modelo DenseNet121
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
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
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
53
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
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
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
54
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.
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
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
55
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.
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.
• La visión artificial se basa en
sistemas de visión por computadora que
Revista Nexos Científicos
Junio-Diciembre 2021 pp. 48-57
Volumen 8, Número 2
Fecha de recepción: julio 2021
ISSN: 2773-7489
Correo: editor@istvidanueva.edu.ec
URL: http://nexoscientificos.vidanueva.edu.ec/index.php/ojs/index
Fecha de aceptación: septiembre 2021
56
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
• Liu, Y. y Chen, Y. (2017). Una
revisión sobre la clasificación de
residuos mediante visión artificial.
Gestión de residuos, 67, 37-46.
• 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
• 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.
• Zhang, J. y Chen, Y. (2017).
Clasificación de residuos basada en
aprendizaje profundo utilizando
redes neuronales convolucionales.
Gestión de residuos, 68, 125-134.
