dc.contributor | Solarte Astaiza, Zeida María | |
dc.creator | Delgado Rodríguez, Daniel | |
dc.creator | Guerrero Figueroa, Juan Fernando | |
dc.date.accessioned | 2020-05-14T20:28:01Z | |
dc.date.accessioned | 2022-09-22T18:37:26Z | |
dc.date.available | 2020-05-14T20:28:01Z | |
dc.date.available | 2022-09-22T18:37:26Z | |
dc.date.created | 2020-05-14T20:28:01Z | |
dc.date.issued | 2020-05-04 | |
dc.identifier | http://red.uao.edu.co//handle/10614/12344 | |
dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3455392 | |
dc.description.abstract | La 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.abstract | This 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.language | spa | |
dc.publisher | Universidad Autónoma de Occidente | |
dc.publisher | Ingeniería Electrónica y Telecomunicaciones | |
dc.publisher | Departamento de Automática y Electrónica | |
dc.publisher | Facultad de Ingeniería | |
dc.relation | COMUNIDAD 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.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights | Derechos Reservados - Universidad Autónoma de Occidente | |
dc.source | instname:Universidad Autónoma de Occidente | |
dc.source | reponame:Repositorio Institucional UAO | |
dc.subject | Ingeniería Electrónica y Telecomunicaciones | |
dc.subject | Residuos reciclables | |
dc.subject | Redes convolucionales | |
dc.subject | Deep learning | |
dc.subject | Internet of thing (IoT) | |
dc.subject | Deep learning | |
dc.subject | Recyclable waste | |
dc.subject | Convolutional networks | |
dc.title | Contenedores de reciclaje interactivos con IoT | |
dc.type | Trabajo de grado - Pregrado | |