Autora: Marina Martín Moreno
Tutor: Nicolás Sáenz Lechón
Fecha de lectura: 18 de julio de 2022
La falta de reciclaje supone un problema en la actualidad, este proyecto tiene como principal motivación colaborar para alcanzar un futuro más sostenible. De forma paralela, se busca la mejora de los datos de reciclaje, puesto que en España estos se encuentran por debajo de la media europea. Por otra parte, con este proyecto se hace un buen uso de la tecnología contribuyendo socialmente hacía un futuro tecnológico y responsable. Unificando la inteligencia artificial con el reciclaje, apostamos por desarrollar este proyecto siguiendo una serie de objetivos. Principalmente, crear un software para clasificar los residuos en 5 categorías (cartón, papel, vidrio, orgánico y plástico), es decir, crear una red neuronal. Por otra parte, planteamos como otro objetivo el uso de la cámara web, para captura de imágenes y videos de los residuos.
A la hora de desarrollar el proyecto, dentro de la inteligencia artificial hemos optado por el aprendizaje profundo, debido a su gran eficacia y diversidad. Este aprendizaje entrena sistemas para que reconozcan patrones y sean inteligentes, a través de los datos. Para implementar esta tecnología, se ha utilizado Google Colab. Teniendo en cuenta que permite reducir la carga computacional, dado que realiza el entrenamiento de la red neuronal en la nube, por lo que este proceso se reduce de días a horas. Con respecto al desarrollo del proyecto en primer lugar ha sido necesario encontrar un conjunto de datos con las 5 categorías de residuos, en este caso se ha obtenido fusionando dos datasets, pertenecientes a repositorios públicos.
En la fase desarrollo de la red neuronal se ha utilizado transfer learning, que es una metodología donde se parte de un modelo ya entrenado para desarrollar un modelo que realiza una tarea similar; esto ha ayudado a reducir el tiempo de entrenamiento de la red. En este caso el modelo central que se ha usado ha sido DenseNet121. Una vez realizados los ajustes y añadidas las nuevas capas para mejorar el modelo central, se pasa a la fase de entrenamiento. En nuestro proyecto realizamos dos versiones del modelo, la segunda versión tenía un incremento de los datos con respecto a la primera. Finalmente incorporamos la cámara web, tanto para capturar imágenes como vídeos.
Con el primer modelo conseguimos una precisión del 91,60 %, pero observamos que algunos residuos de la categoría de plástico no los clasificaba de forma correcta, por lo que creamos una nueva versión incrementando los datos de esta. En esta segunda versión del modelo obtuvimos una precisión del 92,75%. Por último, este modelo fue el que se usó para usarlo como modelo central del reentrenamiento. Finalmente, en el reentrenamiento donde incorporamos nuevos residuos a algunas categorías, obtuvimos una precisión del 92,92%.
Concluimos destacando que, al realizar pruebas con 100 imágenes aleatorias, el modelo las predijo correctamente el 97% de las ocasiones. Además de lograr todos los objetivos propuestos.