DETECCIÓN Y CLASIFICACIÓN DE DESPERDICIOS HUMANOS A TRAVÉS DE YOLOV8 Y UNA CÁMARA WEB (GARBAGE CLASSIFICATION DETECTION USING YOLOV8 AND A WEBCAM)
Resumen
En la actualidad, la clasificación de basura no se lleva a cabo de manera adecuada, lo que ocasiona la pérdida de materia prima indispensable para la industria. La cantidad de residuos en diversas áreas del mundo aumenta cada año debido a la utilización de materiales reutilizados.
Este estudio propone la implementación de Yolov8 con el fin de detectar y clasificar los desperdicios humanos mediante una cámara web. El modelo fue entrenado mediante la utilización de una base de datos de diversos materiales en contenedores de basura.
Los resultados del entrenamiento revelaron una precisión general del 86 % con una velocidad de inferencia de 50.2 ms por imagen. Este modelo puede detectar y clasificar correctamente la mayoría de los desechos humanos e implementarse en una cámara web con una velocidad de procesamiento por fotograma inferior a 51 ms.
Palabras Clave: Desperdicios humanos, Redes Neuronales Convolucionales, Yolov8.
Abstract
Currently, the classification of garbage is not carried out adequately, which causes the loss of essential raw materials for the industry. The amount of waste in various areas of the world increases every year due to the use of reused materials.
This paper proposes the implementation of Yolov8 to detect and classify garbage through a webcam. The model was trained by utilizing a database comprising diverse materials in garbage containers.
The training results showed an overall accuracy of 86 % with an inference speed of 50.2 ms per image. This model can correctly detect and classify most garbage and can be implemented on a webcam with a frame rate of less than 51 ms.
Keywords: Convolutional Neural Network, Garbage, Yolov8.
Texto completo:
203-218 PDFReferencias
Aboah, A., Wang, B., Bagci, U., & Adu-Gyamfi, Y. Real-time multi-class helmet violation detection using few-shot data sampling technique and yolov8. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 5349-5357, 2023.
Amaya, L. D. E. Diseño e implementación de un prototipo para detección de envases en residuos sólidos por medio de visión artificial [Tesis doctoral, Universidad Santo Tomás]. Repositorio Institucional de la Universidad Santo Tomás https://repository.usta.edu.co/handle/11634/48494, 2022.
Bawankule, R., Gaikwad, V., Kulkarni, I., Kulkarni, S., Jadhav, A., & Ranjan, N. Visual Detection of Waste using YOLOv8. In 2023 International Conference on Sustainable Computing and Smart Systems (ICSCSS), 869-873, 2023.
Chen, Q., & Xiong, Q. Garbage classification detection based on improved YOLOv4. Journal of Computer and Communications, vol. 8, 285-294, 2020.
De, C. B., Ladogana, F., & Macchiarulo, N. Yolo trashnet: Garbage detection in video streams. In 2020 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1-7, 2020.
Giraldo, Q. J. D. Clasificador de residuos sólidos haciendo uso de deep learning. Universidad Autónoma de occidente, https://red. uao. edu. co/bitstream/handle/10614/14209/T10373_ Clasificador% 20de% 20residuos % 20sólidos% 20haciendo% 20uso% 20de% 20deep% 20learning, 2022.
Gómez, V. D. L., & Tamayo, S. A. K. Clasificador de residuos sólidos para la ie Juan XXIII del municipio de Algeciras con aplicación de Machine Learning. Revista Sennova: Revista del Sistema de Ciencia, Tecnologı́a e Innovación, 2022.
Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. A Review of Yolo algorithm developments. Procedia Computer Science, vol. 199, 1066-1073, 2022.
Landrum, G. A., Penzotti, J. E., & Putta, S. Machine-learning models for combinatorial catalyst discovery. Measurement Science and Technology, vol. 16, No. 1, 270, 2004.
Markoulidakis, I., Kopsiaftis, G., Rallis, I., & Georgoulas, I. Multi-class confusion matrix reduction method and its application on net promoter score classification problem. In The 14th pervasive technologies related to assistive environments conference, 412-419, 2021.
Mudemfu, M. K. Intelligent solid waste classification system using deep learning [Tesis Doctoral, Purdue University], https://hammer.purdue.edu/ /articles/thesis/INTELLIGENT_SOLID_WASTE_CLASSIFICATION_SYSTEM _USING_DEEP_LEARNING/23786484, 2023.
Muhammad, L. J., Algehyne, E. A., Usman, S. S., Ahmad, A., Chakraborty, C., & Mohammed, I. A. Supervised machine learning models for prediction of COVID-19 infection using epidemiology dataset. SN computer science, vol. 2, No. 1, 1-13, 2021.
Pachón, E. D. L. Prototipo de sistema automatizado con visión artificial para la selección de empaques de plástico, vidrio y lata en el proceso de reciclaje [Tesis de licenciatura, Universidad de Cundinamarca Extensión Chía]. Repositorio Institucional de la Universidad de Cundinamarca Extensión Chía, https://repositorio.ucundinamarca.edu.co/handle/20.500.12558/2497, 2019.
Redmon, J., Divvala, S., Girshick R., & Farhadi, A. You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, 779-788, 2016.
Sharma, N., Baral, S., Paing, M. P., & Chawuthai, R. Parking Time Violation Tracking Using YOLOv8 and Tracking Algorithms. Sensors, vol. 23, No. 13, 5843, 2023.
Simón, A. R., & Gómez, R. R. Evaluación de algoritmos de machine learning para conducción [Trabajo Fin de Grado, Universidad Complutence Madrid], https://docta.ucm.es/rest/api/core/bitstreams/bb1a8e13-13dd-4707-9658-973fc6a58fb1/content, 2020.
Terven, J., Cordova-Esparza, D. A., & Romero-Gonzáles, J. A. A comprehensive review of yolo architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-nas. Machine Learning and Knowledge Extraction, vol. 5, No. 4, 1680-1716, 2023.
Vilet, J. R. M. Procesamiento digital de imágenes. http://read.pudn.com/downloads159/ebook/711796/ProcesamientoDigitaldeImagenes.pdf, 2005.
Vikram, K., & Padmavathi, S. Facial parts detection using Viola Jones algorithm. In 2017 4th international conference on advanced computing and communication systems (ICACCS), 1-4, 2017.
Wu, Z., Zhang, D., Shao, Y., Zhang, X., Zhang, X., Feng, Y., & Cui, P. Using YOLOv5 for garbage classification. In 2021 4th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), 35-38, 2021.
Ye, A., Pang, B., Jin, Y., & Cui, J. A YOLO-based neural network with VAE for intelligent garbage detection and classification. Proceedings of the 2020 3rd International Conference on Algorithms, Computing and Artificial Intelligence, 1-7, 2020.
URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es
Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada. 
TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA
Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México
Tel. 461 61 17575 Ext 5450 y 5146
pistaseducativas@itcelaya.edu.mx