Dr. Dexmont Alejandro Peña Carrillo

El doctor Dr. Dexmont Alejandro Peña Carrillo tiene una licenciatura en ciencias computacionales y es maestro en ciencias en ingeniería de sistemas por la UANL. Es doctor en aplicaciones computacionales por la Universidad de la Ciudad de Dublín y cuenta con más de diez años de experiencia en la industria del desarrollo del software y más de cuatro años como investigador de inteligencia artificial y robótica. Está interesado en navegación autónoma, visión computacional, aprendizaje automático, entre otros. En la actualidad es CTO de la empresa Senzi, de la cual es cofundador.

IA para el bien social— Reconocimiento de reciclables para mejorar la circularidad

 08/octubre/2021  Seminario PISIS-UANL 2021      Asistencia : 18

Introducción

La circularidad de materiales reciclables va en descenso debido principalmente a la dificultad para re-aprovechar materia prima debido a la contaminación cruzada de materiales.
En esta charla el doctor Dexmont Alejandro nos habla sobre como disminuir la contaminación cruzada de los materiales a reciclar, utilizando una estrategia de segregación de productos como botellas a través de máquinas capaces de reconocer objetos basados en apariencia, utilizando herramientas de inteligencia artificial para identificar dichos objetos. El proceso inicia cuando los productos son insertados por consumidores y termina cuando la máquina devuelve al consumidor un incentivo (cupones, descuentos, etc).

Resumen

Aunque ya existen estrategias para incentivar a la población para reutilizar y reciclar, muchas de las estrategias que se intentan implementar no han sido exitosas debido a las costumbres, falta de interés o de respaldo gubernamental, o incluso el incremento en la carga de trabajo para los comerciantes. Otro factor importante es la falta de practicidad para los consumidores, en donde el proceso de separación de basura para reciclar resulta tedioso o a veces complicado. Es en este contexto es que la empresa Senzi busca facilitar este proceso de separación a través de un proyecto en el que se desarrollen máquinas que seleccionen los objetos a reciclar con mayor eficiencia.

Una parte muy importante en el desarrollo de este proyecto, es el reconocimiento de los objetos basados en apariencia. Se utiliza la técnica de aprendizaje profundo, como lo son las redes neuronales, las cuales han probado ser unas de las principales herramientas en el procesamiento y reconocimiento de imágenes. Primeramente es necesaria la creación de una base de datos de objetos reciclables/reutilizables para el entrenamiento de dichas redes.

La base de datos Sensiwaste tiene más de 200,000 imágenes etiquetadas, las cuales se actualizan constantemente. Uno de los retos a los que se enfrentó este proyecto es reconocer objetos que no tienen un número de serie o código de barras. Es decir, el reconocimiento sólo con base en la apariencia para actualizar la base de datos, aceptando objetos nunca vistos con anterioridad por el modelo. Además agregando las limitaciones que pueden encontrarse las máquinas, como el poder computacional y conectividad a internet reducida.

Otros retos de esta tecnología están relacionados con el uso y control de las máquinas. Es necesario un modelo robusto de reconocimiento para situaciones tales como: baja iluminación, iluminación no uniforme, objetos difuminados por movimiento o ruido en las imágenes.

En el proceso de entrenamiento de los modelos de redes neuronales se usó lo que se conoce como “transferencia de aprendizaje”, la cual es una práctica común en el aprendizaje profundo cuando se tiene una base de datos limitada o poca capacidad computacional disponible. Con esta herramienta se fue capaz de ir explorando y evaluando diferentes redes neuronales ya existentes como MobileNet, SSD, efficientNet, centerNet, Faster-RCNN entre otras; comparando precisión y tiempos de respuesta.

Conclusiones

El proyecto logró generar una red neuronal con un modelo personalizado cuya precisión en la base de datos Sensiwaste es de al menos 98%. Además, fue necesario implementar una estrategia para que el usuario/consumidor aumentará su satisfacción al asegurarse que está llevando a cabo correctamente el proceso.
Como trabajo a futuro se tiene pensado cambiar de el aprendizaje supervisado a aprendizaje continuo o active learning, comparación visual entre dos objetos e integración de sensores adicionales para saber si el objeto contiene, por ejemplo, residuos orgánicos o líquidos.