Contenedor de residuos educativo inteligente

«Aprendí que nunca somos demasiado pequeños para hacer la diferencia»

Greta Thunberg

Latinoamérica en línea. Segunda Edición. 2021

La frase recuerda que los jóvenes pueden contribuir a cambiar el mundo y construir su futuro.

Pero, si ese futuro se ve gris y contaminado, ¿cómo pueden marcar la diferencia hoy?

Mascota de conciencIA ecológica

La preocupación de muchos jóvenes por el medioambiente nos animó a crear ConciencIA Ecológica: una propuesta para enseñar a clasificar residuos de forma divertida. Combinamos tecnología e IA para promover las cuatro erres: reducir, reutilizar, reciclar y recuperar.

Nuestro equipo de siete personas de Ecuador, México y Venezuela participó en la segunda edición de Saturdays.AI LATAM. Con el enfoque construir para aprender desarrollamos ConciencIA Ecológica, un proyecto de deep learning orientado al alumnado de educación básica de Guayaquil, Ecuador.

Si quieres saber más te invito a seguir leyendo.

Integrantes del equipo del proyecto ConciencIA Ecológica

El problema

De acuerdo al Instituto Nacional de Estadísticas y Censo (INEC), en 2017 cada ecuatoriano generó unos 860 gramos diarios de residuos sólidos, por debajo del kilogramo diario citado para América Latina y el Caribe. Las cifras históricas que reunimos señalaban un aumento del 48% respecto al año anterior y motivaron nuestro interés por mejorar la clasificación.

Los datos consultados para el proyecto indicaban que el 96% de los residuos recogidos se destinaba a rellenos sanitarios, celdas emergentes o vertederos abiertos, y el 4% se reciclaba. En una encuesta de hogares de 2016, el INEC realizó una encuesta de hogares detectando que el 59% de los hogares no clasificaron residuos.

Cuando se le preguntó las razones por las cuales no clasificaban, el 43% respondió por la falta de contenedores específicos. Sin embargo, el 57% restante se debió a problemas culturales: “no saben clasificar” (18%), “no le interesa” la clasificación de residuos (16%), dicen “no conocer los beneficios” (15%) o el restante (8%) no confía en los sistemas de recolección de basura.

De esta realidad, Guayaquil es la primera ciudad que produce basura generando el 28% del total de desechos diarios del país, y la más elevada a nivel de porcentaje de desinterés: el 29% de los ciudadanos no le interesa clasificar, el 15% no conoce los beneficios y el 6% no sabe clasificar, este desinterés es seguido por Ambato (20%), Machala (14%), Quito (11%), Cuenca (9%).

Por esta razón nuestro proyecto centra sus esfuerzos en esta ciudad y abre su primer capítulo llamado Guayaquil.

Problema detectado

Los niños no sólo son el futuro, también son el presente del mundo

Los niños de hoy serán los adultos del mañana, si queremos cambiar la forma como las personas interactúan con nuestro planeta, debemos empezar desde edades tempranas creando hábitos amigables con el ambiente, y estos pueden estimularse en la escuela a través de la educación y la creación de espacios destinados a las buenas prácticas ambientales.

De esta idea nació ConciencIA Ecológica: aprender a clasificar residuos jugando.

Este proyecto se enfoca en disminuir el desinterés y el desconocimiento en la clasificación de residuos de estudiantes de educación básica en la ciudad de Guayaquil, a través de contenedores con visión inteligente que oriente a niños desde los 5 años hasta los 14 años, en la correcta clasificación y gestión de residuos, promoviendo las prácticas de Reducir, Reutilizar, Reciclar y Recuperar (4R).

La propuesta une varios conceptos, primero buscando que el niño desde la edad escolar se familiarice con la gestión de residuos, orientándose a través de audio y luces hacia el contenedor correcto, también que gestione correctamente el residuo en su contenedor contribuyendo a la clasificación desde el origen, y creando conciencia en el niño a través de mensajes educativos.

Los contenedores están pensados para poder medir el volumen de residuos y emitir una señal al encontrarse el recipiente lleno, esto permitirá a la escuela vaciarlo a tiempo y evitar daños en la compuerta del recipiente.

Génesis de conciencia ecológica

Consideramos dos opciones para el módulo central: una Nvidia Jetson Nano conectada a una cámara y un microcontrolador, o una tableta reutilizada que aportara cámara, cómputo y coordinación de las señales hacia contenedores, altavoces y luces.

Optamos por la tableta reutilizada por su menor coste y su posible accesibilidad para las escuelas. En 2021, el equipo estimó un presupuesto de 70 dólares, suponiendo que la tableta fuera donada.

Luego de decidir cómo realizar la clasificación, se pensó en qué se quería clasificar y utilizando la Norma Ecuatoriana INEN 2841, 2014, referente a la estandarización de colores para recipientes de depósito y almacenamiento temporal de residuos sólidos, se establecieron 5 clases: vidrio, papel, cartón, plástico, orgánico.

Que finalmente se agruparon en:

• En un contenedor de color verde: Orgánicos.
• En un contenedor de color azul: Plástico.
• En un contenedor de color blanco. Vidrio.
• En un contenedor de color gris: Cartón y Papel.
• Contenedor negro: residuos sin una clasificación suficientemente clara según el umbral del modelo. Una puntuación baja no demuestra por sí sola que el residuo no sea reciclable.

Pasos para seguir

1. Conjunto de datos

Los datos fueron seleccionados de tres fuentes: Un repositorio abierto de imágenes de desechos llamado “Revisión de conjuntos de datos de residuos”, en particular con el data set Trashnet, que contiene 2527 imágenes; fotos en páginas web especializadas de fotografías y fotos captadas desde el celular relacionadas con productos que se consideró etiquetar relacionadas al ámbito escolar.

El dataset se construyó con un total de 5000 imágenes en 5 clases: vidrio, papel, cartón, plástico, orgánico. Para el proyecto no se consideró la clase metal. El dataset se dividió en 80% entrenamiento y 20% para validar.

2. Procesamiento: el ABC

Esta fue la fase más larga por el tiempo invertido para hacer los cuadros delimitadores (bounding box). Para el procesamiento se utilizó LabelImg, una herramienta gratuita para anotar imágenes, utilizada con Python.

Para cada etiquetado se cuidó encerrar el objeto dentro del cuadro delimitador, lo más ajustado posible a la imagen y haciendo tantos cuadros como objetos existieran.

Ejemplo de la utilización de la herramienta LabelImg

Las anotaciones se guardaron en archivos TXT con formato YOLO. Cada línea contiene la clase y las coordenadas normalizadas del cuadro delimitador: (c, xn, yn, wn, hn).

Formato de anotaciones YOLO (*.txt)

Donde:

• c : es el número de la clase, en este proyecto hay 5 clases, donde c puede tomar el valor 0 para cartón, 1 papel, 2 vidrio, 3 plástico y 4 orgánico.
•  xn: centro del cuadro delimitador normalizado en la dirección x.
• yn: centro del cuadro delimitador normalizado en la dirección y.
• wn: ancho normalizado del cuadro delimitador (x).
• hn: alto normalizado del cuadro delimitador (y).

3. El modelo

El modelo seleccionado fue el YOLOv5 (Sólo miras una vez). Este es un sistema de código abierto para la detección de objetos en tiempo real pre-entrenado con el dataset COCO, el cual hace uso de una única red neuronal convolucional (CNN) para detectar objetos en imágenes.

De acuerdo con la revisión bibliográfica, Yolo en su quinta versión es un buen algoritmo para detectar objetos en el campo de la alimentación, robótica, salud, entre otros. Seleccionamos YOLOv5 por los resultados que encontramos en trabajos de detección y por su adecuación a los recursos del proyecto.

4. Resultados:

Realizamos cuatro entrenamientos mediante transferencia de aprendizaje. El equipo observó mejoras entre el primero y el último; las métricas finales se detallan a continuación. Configuramos estas variables:

• Modelo: utilizamos YOLOv5s, la variante Small, para realizar pruebas con un coste de entrenamiento manejable. Elegir una variante más grande supondría valorar el equilibrio entre recursos, velocidad y rendimiento.
• Pesos: comenzamos con pesos preentrenados en COCO. Al terminar cada ejecución, guardamos el checkpoint con mejor resultado y lo utilizamos como punto de partida para la siguiente.
• Épocas: Se inició el entrenamiento con 10 épocas, llegando hasta 30 épocas.
• Batch, se mantuvo fijo en 6 para todo el entrenamiento.
• Tamaño de imágenes: El data set se configuro para que cada imagen tuviera un tamaño de 640 x 640.

Configuración de la última ejecución

Los resultados de

• Matriz de confusión
• Precisión y Sensibilidad (Recall)

La matriz de confusión indica que tipo de error está cometiendo el modelo, en el caso de Yolo para el cálculo empleamos un umbral de confianza de 0,25 y un umbral de IoU de 0,45. Son criterios distintos: la confianza filtra las detecciones y la IoU mide el solapamiento entre cuadros. Ninguno implica una probabilidad del 50% de pertenecer a una clase.

La clase para la matriz de confusión en el cálculo de confianza de 0,25 y un límite de IoU (Intersection over Union) de 0,45

Yolo presenta su matriz en valores relativos, donde cada elemento de la matriz está normalizado al total de la columna, por lo que la suma de los valores de cada columna es igual a 1.

Los porcentajes principales de la matriz fueron: cartón, 72% de detecciones correctas y 24% de casos no detectados; vidrio, 85% correctos y 10% confundidos con plástico; papel, 59% correctos, 8% confundidos con cartón y 32% no detectados; plástico, 64% correctos y 34% no detectados; orgánico, 85% correctos y 13% no detectados. Son valores redondeados y no enumeran todos los errores de cada clase.

La precisión media reportada fue 0,748 y el recall, 0,723. La precisión relaciona las detecciones correctas con todas las detecciones realizadas; el recall relaciona los objetos detectados correctamente con los que debían detectarse. Los casos que faltan en recall son falsos negativos, no falsos positivos. Estas cifras se refieren a detecciones de objetos, no directamente al porcentaje de imágenes completas bien clasificadas.

Resultados de las métricas que nos muestra al obtener de la matriz de confusión

5. Desarrollo del prototipo

El alcance se limitó a un prototipo: despliegue del modelo, simulación del hardware y boceto de una aplicación que conecta ambos. Se entrenaron cinco clases; «desechos» se planteó como categoría de reserva para resultados con poca confianza, no como una sexta clase aprendida.

A continuación se explicará el funcionamiento del prototipo.

ConciencIA Ecológica se diseñó con cinco contenedores de distintos colores y un módulo central con una tableta y cámara. El tamaño y la apertura de los contenedores se pensaron para facilitar su uso por niños.

Diseño propuesto

El niño mostraría un residuo a la cámara. El modelo estimaría una de sus cinco clases, con una opción de reserva para resultados inciertos. La aplicación mostraría la categoría y reproduciría el nombre del material y el color del contenedor correspondiente.

Se presenta un bosquejo del proceso del prototipo

Al mismo tiempo, la Tablet enviará una señal a un micro controlador para abrir el contenedor destinado a recolectar el residuo y se enviará una señal que encenderá una luz ubicada en el contenedor. La App emitirá información sobre la práctica de las 4R para promover su uso. El niño finalmente se dirigirá al contenedor señalado y deposita el residuo.

Se presenta un bosquejo del proceso del prototipo

En cada contenedor se instalará un sensor ultrasónico para medir el volumen de residuos acumulados, el sensor enviará una señal a tres led´s que indicarán tres niveles: Disponible (verde), Intermedio (amarillo) y Lleno (rojo). Esto con el fin de evitar que los contenedores rebasen su capacidad, ya que, de producirse, pueden obstaculizar la apertura de la puerta con la entrada de residuos produciendo daños a los servomotores.

Estructura interna del contenedor (arriba sensor ultrasónico)

6. Despliegue

En esta fase, la aplicación centralizaría la salida del modelo y coordinaría la pantalla, los sonidos, las luces y la apertura de los contenedores; la interacción se encontraba todavía en fase de diseño.

La App debe ser iniciada por el administrador, el cual podrá comenzar a ejecutar Conciencia Ecológica a través de su usuario y contraseña.

Diseño de la aplicación propuesta

Inmediatamente, se despliega un menú el cual mostrará un botón de “comenzar a reciclar” que pondrá a Conciencia Ecológica en modo de reconocimiento de residuos. Al darle al botón se enciende el sensor de aproximación y el sensor óptico (cámara); a futuro se tiene pensado implementar un módulo de estadísticas visible en el menú, a los efectos de esta idea de proyecto se colocará como deshabilitado.

Diseño de la aplicación propuesta-iniciando el proceso

En el modo reconocimiento, cuando el sensor de aproximación se activa, se mostrará un mensaje para que el niño presente el objeto a la cámara, cuando detecte el objeto se realizará la predicción.

App en Android para clasificación, mostrando la categorización en tiempo real.

Una vez realizada, se mostrará en la pantalla la clase identificada y emitirá un sonido con el nombre del contenedor, luego emitirá un corto mensaje educativo.

Diseño de la aplicación propuesta con la interacción del sonido

Al mismo tiempo la App enviará la información por bluetooth al micro controlador, el cual se encargará de abrir la compuerta correcta y emitir la señal para encender los led´s. Abajo se muestra un diagrama simulado en Tinkercad.

Bosquejo del circuito

El futuro: próximos pasos

Hasta este punto, tenemos una idea de cómo Conciencia Ecológica de una forma sencilla puede orientar a los niños en la creación de hábitos para Reducir, Reutilizar, Reciclar y Recuperar. Pero…

¿hasta aquí llegamos?

A corto plazo, lo primero sería llevar esta conceptualización a la realidad, mejorando cada uno de los aspectos técnicos contemplados en el prototipo. El financiamiento de la Municipalidad de Guayaquil o una institución interesada seria la chispa para propulsar el proyecto.

A mediano plazo, aumentar la base datos e incluir otros materiales para la clasificación, como por ejemplo metal e incluso escalarse el proyecto a empresas para materiales peligrosos como baterías, bombillos ahorradores, bombillo fluorescentes, que están ocasionando un grave problema al ambiente.

El diseño se puede adaptar a los colores, materiales y sistemas de recogida de cada región. Antes de implantarlo, habría que comprobar las normas y las prácticas locales.

¿Por qué no buscamos que la inteligencia artificial le responda al niño sus inquietudes y dudas?. La App puede ser mejorada para incluir la interacción con el niño y se podría tener una conversación de reciclaje y de aspectos de interés para la educación de los niños de acuerdo a los programas educativos de cada región o país.

Los sensores ultrasónicos también permitirían estimar el volumen de residuos y estudiar su evolución por contenedor, categoría y escuela.

Una base de datos y un panel de indicadores permitirían revisar volúmenes, dispositivos fuera de servicio y contenedores llenos pendientes de vaciar. La idea es ayudar a las escuelas a mantener el sistema y apoyar el aprendizaje mediante el juego.

Integrantes:

• Luis Reyes
• Lady Sangacha
• Jostin Maldonado
• Karely Mayorquín
• Jorge Chiquito
• Verónica Abad
• Carlos González

Presentación del proyecto: DemoDay

Abrir vídeo o recurso

Repositorio:

GitHub: https://github.com/SaturdaysAI/Projects/tree/master/LATAM_remote/ConcienciaEcologica

¡Más inteligencia artificial!

Saturdays.AI acerca la IA a más personas a través del aprendizaje en comunidad y de proyectos con impacto social. Nuestro lema es AI4ALL IS AI4GOOD.

Conoce la comunidad de Saturdays.AI