Evaluación comparativa del rendimiento de modelos de detección de residuos en entornos urbanos
DOI:
https://doi.org/10.24054/raaas.v15i1.2922Palabras clave:
Modelos de detección, procesamiento de imágenes, rendimiento, precisión, residuosResumen
El presente artículo tuvo como objetivo evaluar y comparar el rendimiento de tres modelos de detección de residuos: Faster R-CNN ResNet101, SSD MobileNet V2, SSD MobileNet V2 FPNLite. Se utilizó un conjunto de imágenes propio obtenido por medio de fotografías tomadas en un entorno urbano como lo es el Canal Bogotá de la ciudad de Cúcuta, este conjunto de imágenes se utilizó para el entrenamiento y evaluación de los modelos de detección. Se evaluaron aspectos clave como lo son la precisión, Recall, F1-Score, función de pérdida, tiempo de ejecución y tamaño de los modelos. el modelo que presento mejores características de rendimiento fue el modelo Faster R-CNN ResNet101, con un valor de F1-Score del 83.8%, una precisión del 89.3% y un 78.9% de Recall.
Descargas
Citas
Aljabri, M., AlAmir, M., AlGhamdi, M., Abdel-Mottaleb, M., & Collado-Mesa, F. (2022). Towards a better understanding of annotation tools for medical imaging: a survey. Multimedia Tools and Applications, 81(18), 25877–25911. https://doi.org/https://doi.org/10.1007/s11042-022-12100-1 DOI: https://doi.org/10.1007/s11042-022-12100-1
Barba-Guamán, L. R. (2021). Uso de técnicas deep learning para reconocimiento de objetos en áreas rurales (Disertación Doctoral). Universidad Politécnica De Madrid. Madrid, España.
Bisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress, Berkeley, CA. https://doi.org/https://doi.org/10.1007/978-1-4842-4470-8_7 DOI: https://doi.org/10.1007/978-1-4842-4470-8_7
Corso, C. L. (2009). Aplicación de algoritmos de clasificación supervisada usando Weka. Universidad Tecnológica Nacional, Facultad Regional Córdoba.
Daroca-Capell, T. (2014). Dimensión y características de los factores que inciden en la contaminación ambiental por residuos sólidos (Tesis de maestría). Universidad de San Martín de Porres. Lima, Perú.
El Tiempo. (2022). Remueven 4 toneladas de basuras del Canal de Bogotá. https://diarioeltiempo.co/nacional/remueven-4-toneladas-de-basuras-del-canal-bogota/1797/
Frutos, V., Pérez, B., Campos, S., Barrera, A., García, O., García, F., & Al-Kaff, A. (2023). Detección de residuos urbanos mal ubicados mediante visión por ordenador e IA. XLIV Jornadas de Automática, 855–860. https://doi.org/https://doi.org/10.17979/spudc.9788497498609.855 DOI: https://doi.org/10.17979/spudc.9788497498609.855
Hernández-Rodríguez, J. D. (2022). Mejora del modelo de detección de huecos y bolsas de basura basado en deep learning implementado en una Raspberry Pi (en Bogotá, Colombia) (Proyecto final de grado). Universidad de los Andes. Bogotá, Colombia.
Saiful Bahri, I. Z., Saon, S., Mahamad, A. K., Isa, K., Fadlilah, U., Ahmadon, M. A. Bin, & Yamaguchi, S. (2023). Interpretation of Bahasa Isyarat Malaysia (BIM) Using SSD-MobileNet-V2 FPNLite and COCO mAP. Information (Switzerland), 14(6). https://doi.org/https://doi.org/10.3390/info14060319 DOI: https://doi.org/10.3390/info14060319
Shamsuddin, M. F., Azami, M. H., Mohd Zaki, H. F., & Abdullah, N. A. (2022). Effect of Color Contrast to the Accuracy of SSD-MobileNetV2. International Journal of Intelligent Systems and Applications in Engineering, 10(3), 18–21.
Vrigazova, B. (2021). The Proportion for Splitting Data into Training and Test Set for the Bootstrap in Classification Problems. Business Systems Research, 12(1), 228–242. https://doi.org/https://doi.org/10.2478/bsrj-2021-0015 DOI: https://doi.org/10.2478/bsrj-2021-0015
Zhou, Y., Wen, S., Wang, D., Mu, J., & Richard, I. (2021). Object detection in autonomous driving scenarios based on an improved faster-RCNN. Applied Sciences (Switzerland), 11(24). https://doi.org/https://doi.org/10.3390/app112411630 DOI: https://doi.org/10.3390/app112411630
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 REVISTA AMBIENTAL AGUA, AIRE Y SUELO
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
