Point écologique automatisé pour le tri et la classification des déchets utilisant un neurone artificiel
Mots-clés :
ML5.js, Raspberry Pi, Point écologique, K plus proches voisins, Culture environnementale, ArduinoRésumé
Ce projet visait à créer un éco-point automatisé de tri et de classification des déchets, afin de promouvoir une culture environnementale au sein de la communauté universitaire de l'Université de Cordoue. Le projet a été développé à l'aide de la bibliothèque ML5.js, qui fournit des modèles d'apprentissage et des algorithmes permettant la création de systèmes d'apprentissage automatique intelligents pour la reconnaissance d'objets (Shiffman, 2019). Un système de reconnaissance d'objets a été développé à l'aide de l'algorithme des k plus proches voisins pour trier et classer les déchets. L'éco-point a été construit à l'aide de divers dispositifs électroniques, notamment un Raspberry Pi, des servomoteurs, une carte Arduino, une webcam et un écran LCD. L'interaction de tous ces dispositifs a été réalisée avec succès, permettant au système de reconnaissance de classer des déchets tels que le plastique, les sachets de snacks, le papier et le carton.
Références
Alcaldía Mayor de Bogotá D.C. (1993). LEY 99 DE 1993. Obtenido de https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=297
Blanco, D., García, A., Galván, C., & José, C. (2018). Comparación del nivel de precisión de los clasificadores Support Vector Machines, k Nearest Neighbors, Random Forests, Extra Trees y Gradient Boosting en el reconocimiento de actividades infantiles utilizando sonido ambiental. Research in Computing Science, 147(5), 281–290.
Diaz, C., & Caldas, J. (2018). Sistema de control automático para el reconocimiento y clasificación de residuos reciclables (plástico, vidrio, papel y metal) para un Punto Ecológico. Bogotá: Universidad Católica de Colombia - Facultad de Ingeniería. Obtenido de https://hdl.handle.net/10983/22412
DNP. (2016). CONPES 3874 - POLÍTICA NACIONAL PARA LA GESTIÓN INTEGRAL DE RESIDUOS SÓLIDOS. Bogotá.
Escalona, F. (2017). Reconocimiento de objetos y obtención de mapas 3D. Alicante: UNIVERSIDAD DE ALICANTE - Departamento de Ciencia de la Computación e Inteligencia Artificial.
Fernández, A. (2 de Octubre de 2018). Contaminación Ambiental: Definición, Tipos y Causas. Obtenido de https://www.revistaciencias.com/contaminacion-definicion-causas-tipos/
Fernández, A. (2018). Contaminación Ambiental: Definición, Tipos y Causas. Obtenido de https://www.revistaciencias.com/contaminacion-definicion-causas-tipos/#Contaminacion_por_basura_y_residuos
Gómez, J. (2017). El internet de las cosas oportunidades y desafíos. Ingeniería E Innovación, 5(1). doi:https://doi.org/10.21897/23460466.1085
Gutiérrez, L. (2015). Problemática de la educación ambiental en las instituciones educativas. Revista Científica - Universidad Francisco José de Caldas(23), 57-76. doi:10.14483/udistrital.jour.RC.2015.23.a5
Martinez, A., Rueda, C., Cardenas, O., & Nuñez, R. (2018). Software: Punto ecológico inteligente. Bucaramanga: Unidades Tecnológicas de Santander. Obtenido de http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/1646
Ministerio de Ambiente. (2018). Resolución 1407 de 2018. Obtenido de http://www.andi.com.co/Uploads/RES%201407%20DE%202018.pdf
Ministerio de Ambiente. (2019). Resolución No. 2184 de 2019. Obtenido de https://www.minambiente.gov.co/images/normativa/app/resoluciones/res%202184%202019%20colores%20bolsas-41.pdf
MINVIVIENDA. (2017). Guía de Planeación Estratégica para el Manejo de Residuos Sólidos de Pequeños Municipios en Colombia. Obtenido de https://www.minvivienda.gov.co/sites/default/files/2020-07/guia-de-manejo-de-residuos-2017.pdf
Pinzón, J., Aragón, M., Correa, N., & Perdomo, P. (2017). Diseño e implementación de un prototipo de caneca inteligente para la recolección de heces caninas SUNCAN. Bogotá: Corporación Universitaria Minuto de Dios- Facultad de Ingeniería. Obtenido de http://hdl.handle.net/10656/5306
Pita, L. (2016). LÍNEA DE TIEMPO: EDUCACIÓN AMBIENTAL EN COLOMBIA. Revista Praxis, 12, 118 - 125. doi:http://dx.doi.org/10.21676/23897856.1853
RECIMED. (2017). El Punto ecológico, una motivación para aprender a reciclar. Medellín. Obtenido de https://reciclaje.com.co/blog/aprende-a-reciclar/el-punto-ecologico/
Rodríguez, M. (2018). Raspberry pi como plataforma de algoritmos de Machine Learning: Reconocimiento de imágenes y datos financieros en streaming. Sevilla : Dep. de Electrónica Escuela Técnica Superior de Ingeniería Universidad de Sevilla. Obtenido de https://core.ac.uk/reader/187420510
Ronquillo, C. (2020). Diseño de un prototipo para sistema de monitoreo del nivel de llenado en contenedores de basura por protocolo de comunicación inalámbrica IEEE 802.15.4 (Zigbee). Universidad Internacional SEK - Facultad de Arquitectura e Ingeniería. Obtenido de http://repositorio.uisek.edu.ec/handle/123456789/3851
Semana, R. (2020). El 78% de los hogares colombianos no recicla. Obtenido de https://www.semana.com/medio-ambiente/articulo/el-78-de-los-hogares-colombianos-no-recicla/44231/
Shiffman, D. (12 de 12 de 2019). Beginner's Guide to Machine Learning with ml5.js. ml5.js community. Obtenido de https://ml5js.org/community/
