dc.contributorSolarte Astaiza, Zeida María
dc.creatorDelgado Rodríguez, Daniel
dc.creatorGuerrero Figueroa, Juan Fernando
dc.date.accessioned2020-05-14T20:28:01Z
dc.date.accessioned2022-09-22T18:37:26Z
dc.date.available2020-05-14T20:28:01Z
dc.date.available2022-09-22T18:37:26Z
dc.date.created2020-05-14T20:28:01Z
dc.date.issued2020-05-04
dc.identifierhttp://red.uao.edu.co//handle/10614/12344
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3455392
dc.description.abstractLa presente propuesta de proyecto de grado pretende contribuir a la enseñanza de la cultura del reciclaje, ser una fuente de información de la disposición y mejorar procesos de separación de residuos. El prototipo está encaminado a empresas que desean mejorar la recolección y aprovechamiento de residuos reciclables no peligrosos. Se desarrolla un sistema de identificación de residuos interactivo, su funcionamiento es el siguiente: el usuario le muestra el residuo (este proceso de identificación se realiza con una cámara) y en su interfaz muestra una imagen del residuo identificado. Después se ejecuta el proceso de apertura que permite al usuario ingresar el residuo al contenedor adecuado. Además, tiene la capacidad para detectar múltiples residuos y realizar el proceso anteriormente mencionado. Para la identificación del residuo a depositar se implementa una red neuronal convolucional en un ordenador de placa reducida de bajo costo. El sistema se desarrolla con hardware y software libre. Los programas y dispositivos con licencia pública general (GPL) permiten realizar mejoras a partir de nuevas actualizaciones que estén optimizadas u agreguen nuevas funciones. El uso de estas licencias paralelamente aporta información a estas comunidades que usan hardware y software libre, expandiendo sus aplicaciones
dc.description.abstractThis draft grade proposal aims to contribute to the teaching of the culture of recycling, be a source of disposition information and improve waste separation processes. The prototype is aimed at companies that want to improve the collection and use of non-hazardous recyclable waste. An interactive waste identification system is developed, the operation is as follows: the user shows the residue (this identification process is given utilizing a camera) and on its interface shows an image of the identified residue. The opening process is then executed, allowing the user to enter the waste into the appropriate container. It also can detect multiple wastes and perform the above-mentioned process. For the identification of the residue to be deposited, a convolutional neural network is implemented on a low-cost reduced board computer. The system has been developed with free hardware and software. Programs and devices with general public license (GPL) allow improvements to be made from new updates that are optimized or add new features. The use of these licenses in parallel provides information to these communities that use free hardware and software, expanding their applications
dc.languagespa
dc.publisherUniversidad Autónoma de Occidente
dc.publisherIngeniería Electrónica y Telecomunicaciones
dc.publisherDepartamento de Automática y Electrónica
dc.publisherFacultad de Ingeniería
dc.relationCOMUNIDAD DE DESARROLLO TENSORFLOW. Tensorflow detection model zoo [en línea]. Repositorio oficial Api Tensorflow Object detection. [Consultado: 30 de noviembre de 2019]. Disponible en: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/ detection_model_zoo.md COLOMBIA. DECRETO 2676 DE 2002. --------. Gestión ambiental: residuos sólidos, guía para la separación en la fuente [En línea]. Norma técnica colombiana. 20 de mayo de 2009. [Consultado: 5 de marzo de 2019]. Disponible en: https://tienex.co/media/b096d37fcdee87a1f193271978cc2965.pdf --------. Guía de planeación estratégica para el manejo de residuos sólidos de pequeños municipios de Colombia [En línea]. Ministerio de vivienda, 2 de enero de 2017. [Consultado: 5 de marzo de 2019]. Disponible en: http://www.minvivienda.gov.co/Documents/Gu%C3%ADa%20de%20Manejo%20d e%20Residuos%202017.pdf ECOBOT. Página Oficial de Ecobot [En línea]. Santiago de Cali. [Consultado: 10 de junio de 2018]. Disponible en: http://www.ecobot.com.co/ El País. En Cali se generan 1700 toneladas diarias de residuos sólidos y solo se recicla el 10 % [En línea]. En: El País. Santiago de Cali. 17 de mayo de 2017. [Consultado: 10 de junio de 2018]. Disponible en: https://www.elpais.com.co/cali/ense- generan-1700-toneladas-diarias-de-residuos-solidos-y-solo-se-recicla-el- 10.html ESMARCITY. La plataforma Smart Waste lleva IoT y Big Data a la gestión de la recogida y el reciclaje de residuos [En línea]. España. 3 de mayo de 2018. [Consultado: 10 de junio de 2018]. Disponible en: https://www.esmartcity.es/2018/03/16/plataforma-smart-waste-lleva-iot-big-datagestion- recogida-reciclaje-residuos EVERLET A. y PASTOR J. Introducción al internet de las cosas [En línea]. 2013. 31 diapositivas. Disponible en: https://www.altairsmartworks.com/newFrontend/imgcarriots/ press_room/Construyendo_un_proyecto_de_IOT.pdfFUNDACIÓN DE LA INNOVACIÓN BANKINTER. El internet de las cosas. España: Accenture grupo editor S.A., 2011. 78 p. [Consultado: 5 de julio de 2019]. Disponible en: http://boletines.prisadigital.com/El_internet_de_las_cosas.pdf GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning: Convolutional Networks [en línea]. The MIT Press. Cambridge, Massachussetts. 2016. 781 p. [Consultado: 5 de enero de 2020]. Disponible en: https://www.deeplearningbook.org/ --------. --------: Introduction [en línea]. Cambridge, Massachusetts: The MIT Press. 2016. 781 p. [Consultado: 5 de enero de 2020]. Disponible en: https://www.deeplearningbook.org/ GREYPARROT. Página oficial de Greyparrot [En línea]. Londres. 2019. [Consultado: 30 de enero de 2020]. Disponible en internet: https://greyparrot.ai/ KURTAEV, D. TensorFlow Object Detection API [en línea]. 15 de julio de 2019. Disponible en: https://github.com/opencv/opencv/wiki/TensorFlow-Object- Detection-API LOPEZ, R. Introducción al Deep Learning [En línea]. Argentina, 13 de junio de 2017. [Consultado: 11 de junio de 2018]. Disponible en: https://iaarhub.github.io/capacitacion/2017/06/13/introduccion-al-deep-learning/ MINISTERIO DE AMBIENTE Y DESARROLLO SOSTENIBLE. Ministerio de ambiente cambia uso de bolsas en Colombia para promover reciclaje y separación en la fuente [en línea]. Bogotá: Página Oficial del Ministerio de Ambiente. 29 de noviembre de 2017. [Consultado: 10 de junio de 2018]. Disponible en: http://www.minambiente.gov.co/index.php/noticias/3417-minambiente-cambia-usode- bolsas-en-colombia-para-promover-reciclaje-y-separacion-en-la-fuente REDACCIÓN NACIONAL. ¿Cómo vamos con el reciclaje? [En línea]. El Nuevo Siglo: Bogotá. 2018. Disponible en: http://elnuevosiglo.com.co/articulos/04-2018- como-vamos-con-el-reciclaje ROSEBROCK, Adrian. How to (quickly) build a deep learning image dataset [En línea]. PyImageSearch. 9 de abril de 2018. [Consultado: 10 de junio de 2019]. Disponible en: https://www.pyimagesearch.com/2018/04/09/how-to-quickly-build-adeep- learning-image-dataset/--------. Intro to anomaly detection with OpenCV, Computer Vision, and scikit-learn [En línea]. PyImageSearch. 20 de enero de 2020. [Consultado: 20 de enero de 2020]. Disponible en: https://www.pyimagesearch.com/2020/01/20/intro-toanomaly- detection-with-opencv-computer-vision-and-scikit-learn/ TORRES, J. Deep Learning, Introducción práctica con Keras [En línea]. España. 2018. [Consultado: 3 de julio de 2019]. Disponible en: https://torres.ai/deep-learninginteligencia- artificial-keras/ UNIVERSIDAD NACIONAL DE MEDELLÍN. Canecas de basura interactivas generan conciencia ambiental. [En línea]. Colombia. 2016. [Consultado: 10 de junio de 2018]. Disponible en: http://agenciadenoticias.unal.edu.co/detalle/article/canecas-de-basura-interactivasgeneran- conciencia-ambiental.html VLADIMIROV, Lyudmil.TenwsorFlow Object Detection API tutorial [En línea]. 2018. [Consultado: 10 de junio de 2019]. Disponible en: https://tensorflow-objectdetection- api-tutorial.readthedocs.io/en/latest/ ZHANG, Chengwei. How to train an object detection model easy for free. [blog]. DLology. 2019. [Consultado: 10 de junio de 2019]. Disponible en: https://ww.dlology.com/blog/how-to-train-an-object-detection-model-easy-for-free/
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rightsDerechos Reservados - Universidad Autónoma de Occidente
dc.sourceinstname:Universidad Autónoma de Occidente
dc.sourcereponame:Repositorio Institucional UAO
dc.subjectIngeniería Electrónica y Telecomunicaciones
dc.subjectResiduos reciclables
dc.subjectRedes convolucionales
dc.subjectDeep learning
dc.subjectInternet of thing (IoT)
dc.subjectDeep learning
dc.subjectRecyclable waste
dc.subjectConvolutional networks
dc.titleContenedores de reciclaje interactivos con IoT
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución