Sistema inteligente utilizando deep learing y gamificación para la clasificación de residuos sólidos del programa institucional integrador CISUSAT

Abstract

La investigación se centró en el desarrollo de un sistema inteligente para abordar el desafío de la clasificación de residuos sólidos en la localidad de Luis Alberto Sánchez, dentro del marco del Programa Institucional de Ciudad Sustentable, Saludable, Ambiental y Territorial (CISUSAT) en Chiclayo, Perú. Actualmente, la mayoría de los pobladores entregan sus residuos de manera inadecuada, a menudo mezclados con desechos no reciclables. Esta situación ha convertido el proceso de clasificación y separación en una tarea manual tediosa para la asociación de recicladores de la zona, compuesta por 10 miembros de los cuales solo están 5 activos, además en su mayoría personas de la tercera edad. En este contexto, se construyó un sistema que aproveché la potencia del aprendizaje profundo, en particular, las redes neuronales convolucionales (CNN), para identificar y separar diversos tipos de residuos utilizando imágenes como entrada. La implementación se materializó en forma de una aplicación móvil nativa para dispositivos Android. La metodología SCRUM guió el proceso de desarrollo, complementada por la metodología de ciencia de datos de IBM, para la creación del modelo de deep learning. En cuanto a la tecnología, se utilizaron los lenguajes de programación Kotlin para la aplicación móvil y Python para el modelo y la API de comunicación. Los resultados obtenidos mostraron una alta precisión del 96.89% en la clasificación de residuos sólidos. Además, se agregaron elementos de gamificación, lo que podría resultar en una mayor participación y conciencia ambiental por parte de los usuarios.

The study aimed to create an intelligent system to tackle the problem of inappropriate waste segregation in the community of Luis Alberto Sánchez as part of the Institutional Program for Sustainable, Healthy, Environmental, and Territorial City (CISUSAT) in Chiclayo, Peru. At present, the populace tends to intermix their waste with non-recyclable materials. This scenario has transformed the process of sorting and segregating into a laborious manual task for the community of local recyclers, consisting of ten members of whom only five are currently active, and many of whom are elderly. Consequently, a solution was developed that employed the capacity of deep learning, specifically Convolutional Neural Networks (CNN), to classify and segregate various types of waste utilizing images as input. This was implemented through a native mobile app for Android devices. The development process was guided by the SCRUM methodology with IBM's data science methodology complementing the creation of the deep learning model. Kotlin was used for the mobile application, while Python was utilized for the model and communication API. The accuracy achieved in solid waste classification was high with a precise percentage of 96.89%. Furthermore, gamification features were included to encourage user participation and promote environmental awareness.