Implementación de un sistema de detección de residuos reciclables basado en visión computacional

Abstract

Chile es el mayor productor de residuos sólidos municipales (RSM) de toda América Latina y el Caribe, produciendo 1,25 kg/día por habitante. Al 2016, la mayor parte de los RSM acabaron en rellenos sanitarios. Desde el 2015 existe en Chile la "ley de fomento al reciclaje" (ley 20.920) que establece metas de recolección y valorización incrementales para 6 productos prioritarios. Uno de ellos es "envases y embalajes", compuestos por: vidrios, plásticos, papeles y cartones, metales y cartón para bebidas. En Chile existe actualmente una industria recicladora para gran parte de estos productos y hay reciclaje del tipo Single Stream donde llegan materiales reciclables a las plantas y se separan con el uso de cintas transportadoras y uso intensivo de mano de obra. En este trabajo se implementa un sistema de detección de residuos reciclables a través del uso de una red neuronal convolucional con el objetivo de ser la parte de identificación y localización de un separador automático de materiales reciclables en las plantas de reciclaje. Dada la aplicación, el sistema funciona en un dispositivo embebido u on the edge y es capaz de detectar cuatro tipos de materiales reciclables presentes en los residuos domiciliarios: vidrio, PET, tetrapak y aluminio a una tasa promedio de 9,47 frames por segundo. La metodología permite resolver el problema planteado de principio a fin. Desde el diseño del montaje y la adquisición de imágenes, hasta la implementación en el dispositivo on the edge. Se escoge como dispositivo la NVIDIA Jetson Nano, debido a su bajo coste y compatibilidad con frameworks de deep learning. Dada la capacidad de la Jetson Nano y que la aplicación en una cinta transportadora implica que debe funcionar a una alta velocidad de inferencia, se escoge como red a entrenar SSD MobileNetV2. Antes de entrenar la red es necesario a crear una base de datos de imágenes de materiales reciclables etiquetadas con bounding boxes pues no existe una base de datos específica para este problema. Las imágenes son etiquetadas o reetiquetadas en la plataforma online Labelbox. Para entrenar se utiliza el framework abierto Tensorflow Object Detection API y un modelo preentrenado en COCO. Para realizar el entrenamiento de se utiliza una máquina virtual de Google Cloud Platform. Los resultados del trabajo muestran que se detectan los materiales en la simulación experimental del montaje con un mean average precision (mAP) de 0,53. Al revisar en profundidad los datos de entrenamiento se observa que hay errores en las marcas, tales como marcas falsas, objetos altamente ocluidos y marcas de grupos como un solo elemento. Estos resultados muestran que se puede realizar detección de materiales reciclables on the edge y que hay un amplio margen para seguir mejorando el modelo a través de la corrección y la obtención de más datos.