Comparativa de un sistema de visión por computador aun clasificador de desechos controlado por una red neuronal convolucional para la categorizacion de desechos de manera predeterminada en un entorno exterior

Abstract

El presente estudio tuvo como objetivo comparar y evaluar cuatro arquitecturas diferentes de Redes Neuronales Convolucionales (CNN, por sus siglas en inglés) para la detección de calcificaciones en imágenes relacionadas con el reciclaje. Se recopilaron un total de 150 imágenes de internet y 50 fotografías de residuos reciclables, obtenidas del pabellón G de la Universidad Privada Antenor Orrego (UPAO), para ser utilizadas en el entrenamiento de las diferentes arquitecturas de redes neuronales. A partir de este conjunto de datos, se realizó una separación aleatoria en dos grupos distintos: uno para el entrenamiento y otro para las pruebas de las redes neuronales. Para llevar a cabo el entrenamiento y la evaluación de estas redes, se empleó la biblioteca TensorFlow, haciendo uso de TensorBoard para la visualización de los gráficos de precisión y pérdida de cada una de las arquitecturas evaluadas. Los resultados obtenidos revelaron diferencias significativas entre las distintas arquitecturas de redes neuronales en términos de su desempeño en la tarea de detección de calcificaciones en imágenes relacionadas con el reciclaje. En conclusión, tras el análisis exhaustivo de los resultados, se determinó que la arquitectura ""ResNet50"" destacó como la más prometedora en relación con la precisión y la pérdida durante el entrenamiento. Esta elección se basa en la búsqueda de una red neuronal profunda con una capacidad excepcional para representar características de alto nivel en las imágenes relacionadas con el reciclaje, lo que la convierte en la opción óptima para futuras investigaciones en este campo.

The present study aimed to compare and evaluate four different Convolutional Neural Network (CNN) architectures for the detection of calcifications in recycling- related images. A total of 150 internet images and 50 photographs of recyclable waste were collected, obtained from pavilion G of the Antenor Orrego Private University (UPAO), to be used in the training of the different neural network architectures. From this data set, a random separation was carried out into two different groups: one for training and another for testing the neural networks. To carry out the training and evaluation of these networks, the TensorFlow library was used, using TensorBoard to display the precision and loss graphs of each of the evaluated architectures. The results obtained revealed significant differences between the different neural network architectures in terms of their performance in the task of detecting calcifications in images related to recycling. In conclusion, after exhaustive analysis of the results, it was determined that the ""ResNet50"" architecture stood out as the most promising in relation to accuracy and loss during training. This choice is based on the search for a deep neural network with an exceptional ability to represent high-level features in images related to recycling, making it the optimal choice for future research in this field.