Análisis de la detección e identificación de residuos mediante ultralytics YOLOV8
Palabras clave:
contaminación, redes neuronales convolucionales, detección de residuos, visión por computadora, inteligencia artificialResumen
En México la generación de residuos sólidos es un desafío diario significativo, una proporción considerable de estos pertenecen a plásticos, cartón y latas de aluminio. Sin embargo, solo una pequeña parte de estos materiales se somete a reciclaje, mientras que el resto termina en vertederos o afecta a los ecosistemas. La presente investigación propone una metodología basada en redes neuronales convolucionales (cnns) mediante el uso de yolov8 para la detección y segmentación de residuos sólidos como plásticos, cartón y latas en áreas naturales y urbanas. La investigación aborda las limitaciones de los métodos tradicionales de recolección y destaca la precisión de los modelos de visión por computadora en la identificación y clasificación de desechos, el modelo entrenado obtuvo precisiones de hasta 92.3 % en condiciones controladas y 40 % en entornos complejos con alta densidad de residuos, demostrando su eficiencia. La tecnología generada no solo mejora la cuantificación de desechos, sino que a su vez facilita la planificación de estrategias de remoción de estos, contribuyendo como una herramienta innovadora para la gestión ambiental en México.
Referencias
Bashkirova, D., Abdelfattah, M., Zhu, Z., Akl, J., Alladkani, F., Hu, P., y Saenko, K. (2022). Zerowaste dataset: Towards deformable object segmentation in cluttered scenes. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022: 21147–21157.
Basu, J. K., Bhattacharyya, D. y Kim, T. H. (2010). Use of artificial neural network in pattern recognition. International Journal of Software Engineering and Its Applications, 4(2): 23–34.
Bening, C. R., Kahlert, S. y Asiedu, E. (2022). The true cost of solving the plastic waste challenge in developing countries: The case of Ghana. Journal of Cleaner Production, 330: 129649. https://doi.org/10.1016/j.jclepro.2021.129649
Chen, X., Girshick, R., He, K. y Dollár, P. (2019). Tensormask: A foundation for dense object segmentation. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 2061–2069.
Gursch, H., Schlager, E., Thaler, F., Waltner, G., Ganster, H., Rinnhofer, A., Jaschik, M., Oberwinkler, C., Meisenbichler, R., Bischof, H., et al. (2024). Image capturing, segmentation and data analysis of shredded refuse streams. Waste Management & Research, 42(9): 738–746.
Hijazi, S., Kumar, R. y Rowen, C. (2015). Using convolutional neural networks for image recognition. Cadence Design Systems Inc. https://www.edge-ai-vision.com/2015/11/using-convolutional-neural-networks-for-image-recognition/
Hong, J., Fulton, M., & Sattar, J. (2020). Trashcan: A semantically-segmented dataset towards visual detection of marine debris. arXiv preprint arXiv:2007.08097.
Jiménez, B. E. (2001). La contaminación ambiental en México. Editorial Limusa.
Khona’ah, B., Rosiliani, D. y Yani, I. (2019). Identification and classification of plastic color images based on the RGB method. Journal of Multidisciplinary Engineering Science and Technology (JMEST), 6(5): 543–549.
Loaiza Alejandro, B. J. (2024). Sistema de clasificación de botellas mediante el reconocimiento de imágenes para el tratamiento de basura (B.S. thesis). Universidad Nacional de Chimborazo, Riobamba.
Ocampo, M., & Santa Catarina, C. (2019). Plásticos en los océanos. INCyTU Of. Inf. Científica y Tecnológica para el Congr. la Unión, 34(6): 9-034.
Ortiz Zamora, F. G. (2002). Procesamiento morfológico de imágenes en color: Aplicación a la reconstrucción geodésica. Tesis Doctoral. Departamento de Física, Ingeniería de Sistemas y Teoría de la Señal. Universidad de Alicante. https://rua.ua.es/dspace/handle/10045/10053
Pérez-Careta, E., Guzmán-Sepúlveda, J. R., Lozano-García, J. M., Torres-Cisneros, M. y Guzmán-Cabrera, R. (2022). Clasificación de imágenes médicas mediante aprendizaje automático. DYNA, 97(1): 35–38. https://doi.org/10.60 36/10117
Perazzi, F., Khoreva, A., Benenson, R., Schiele, B. y Sorkine-Hornung, A. (2017). Learning video object segmentation from static images. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2663–2672. https://doi.org/10.1109/CVPR.2017.284
Singh, P. y Sharma, V. S. (2016). Integrated plastic waste management: Environmental and improved health approaches. Procedia Environmental Sciences, 35: 692–700.
Rivas, M. y Garelli, O. (2021). Impacto de la contaminación por plásticos en la biodiversidad y patrimonio biocultural de México. Heinrich Böll Stiftung (ING, México). https://mx.boell.org/es/2021/03/10/impacto-de-la-contaminacion-porplasticos-en-la-biodiversidad-y-patrimonio-biocultural (Activo Febrero de 2022).
Salina, M., Pezet, B., Osés, L., Cappelletti, M., Osio, J. y Morales, M. (2024). Técnicas de deep learning aplicadas a un sistema de clasificación de objetos para un recolector de residuos inteligente. Electronic Journal of SADIO (EJS), 23(1): 81–98.
Segura, D., Noguez, R. y Espín, G. (2007). Contaminación ambiental y bacterias productoras de plásticos biodegradables. Biotecnología, 14(3): 361–372.
Singh, D. y Valdenegro-Toro, M. (2021). The Marine Debris Dataset for Forward-Looking Sonar Semantic Segmentation. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021: 3741–3749.
Suasnavas Flores, D. F. (2017). Degradación de materiales plásticos “PET” (Polyethylene Terephthalate), como alternativa para su gestión. [Formato por definir].
Wang, H., Jiang, X., Ren, H., Hu, Y. y Bai, S. (2021). SwiftNet: Real-time video object segmentation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 1296–1305.
Weinstein, B. G. (2017). A computer vision for animal ecology. Journal of Animal Ecology, 87: 1–15.
Yáñez, J. M. S. y Benavides, L. M. (2024). Gestión de residuos sólidos y la inteligencia artificial en el contexto mexicano. Ciencia Nicolaita, 90: 121–134.
