Deep Learning aplicada para la detección y clasificación de desechos en fuentes de agua

Abstract

La acumulación de basura en fuentes de agua es un problema a nivel global que afecta a los seres humanos, animales, plantas, actividades económicas y la salud pública. La basura puede entrar en los cuerpos de agua a través de diversas fuentes, como vertederos mal administrados, eliminación inadecuada de residuos y basura que se arroja en las calles y termina en el agua. Para abordar este problema, un factor clave es la detección de basura para que esta detección sea automática se utiliza modelos de redes neuronales profundas y redes neuronales convolucionales (CNN) para la clasificación y detección automática de desechos en fuentes de agua. El presente trabajo se enfocó en la clasificación y detección de cinco tipos de desechos (botellas, bolsas, vasos, platos y redes de pesca) utilizando el algoritmo Yolov5 (You Only Look Once). Se realizaron varias pruebas con diferentes épocas de entrenamiento y congelando las capas del algoritmo para obtener mejores resultados. Los resultados obtenidos demostraron una precisión del 83% en la detección y clasificación de los cinco tipos de desechos. Además, se demostró que la técnica propuesta es eficiente en términos de tiempo, lo que sugiere su potencial aplicación en proyectos de monitoreo ambiental a gran escala. La detección y clasificación de desechos sólidos en fuentes de agua utilizando Deep learning y redes neuronales convolucionales es una técnica prometedora para abordar el problema de la contaminación del agua. Este estudio llega a mejorar la detección de basura en fuentes de agua ayudando proporciona información valiosa para los expertos en medio ambiente y permite tomar medidas oportunas para la eliminación de los mismos.