Sistema inteligente utilizando deep learing y gamificación para la clasificación de residuos sólidos del programa institucional integrador CISUSAT

• Autor: Vasquez Fernandez, Jordan Oxalc
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Católica Santo Toribio de Mogrovejo
• Repositorio: USAT-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.usat.edu.pe:20.500.12423/7739
• Enlace del recurso: http://hdl.handle.net/20.500.12423/7739
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial, gestión de residuos, sostenibilidad; Aprendizaje profundo, clasificación de imágenes, aplicaciones móviles; Participación ciudadana, conciencia ambiental, comunidades locales; Artificial intelligence, waste management, sustainability; Deep learning, image classification, mobile applications; Citizen participation, environmental awareness, local communities; http://purl.org/pe-repo/ocde/ford#2.02.04

La investigación se centró en el desarrollo de un sistema inteligente para abordar el desafío de la clasificación de residuos sólidos en la localidad de Luis Alberto Sánchez, dentro del marco del Programa Institucional de Ciudad Sustentable, Saludable, Ambiental y Territorial (CISUSAT) en Chiclayo, Perú. Actualmente, la mayoría de los pobladores entregan sus residuos de manera inadecuada, a menudo mezclados con desechos no reciclables. Esta situación ha convertido el proceso de clasificación y separación en una tarea manual tediosa para la asociación de recicladores de la zona, compuesta por 10 miembros de los cuales solo están 5 activos, además en su mayoría personas de la tercera edad. En este contexto, se construyó un sistema que aproveché la potencia del aprendizaje profundo, en particular, las redes neuronales convolucionales (CNN), para identificar y separar diversos tipos de residuos utilizando imágenes como entrada. La implementación se materializó en forma de una aplicación móvil nativa para dispositivos Android. La metodología SCRUM guió el proceso de desarrollo, complementada por la metodología de ciencia de datos de IBM, para la creación del modelo de deep learning. En cuanto a la tecnología, se utilizaron los lenguajes de programación Kotlin para la aplicación móvil y Python para el modelo y la API de comunicación. Los resultados obtenidos mostraron una alta precisión del 96.89% en la clasificación de residuos sólidos. Además, se agregaron elementos de gamificación, lo que podría resultar en una mayor participación y conciencia ambiental por parte de los usuarios.