Sistema de detección de plásticos PET en plantas de reciclaje mediante inteligencia artificial

Abstract

[ES] El plástico es uno de los materiales de uso cotidiano que más contamina. El Polietileno Tereftalato es el plástico con mayor facilidad para ser reciclado, debido a esto la recolección de los desechos PET en las plantas de residuos adquiere una gran importancia, ya que ayuda a prevenir la contaminación derivada de la elaboración y extracción de nuevos materiales. Los procedimientos que existen hoy en día para la separación de estos plásticos son la clasificación de manera manual realizada por los trabajadores de la planta o, excepcionalmente, mediante el uso de máquinas muy complejas y de gran coste. En esta tesis se realiza un estudio de la elaboración de un sistema de inteligencia artificial que tenga la capacidad de localizar este material por medio del uso de redes neuronales convolucionales basadas en regiones. Estas redes se entrenan con fotografías de los objetos que se desean detectar y tienen la capacidad de ubicarlos en una o varias zonas de la imagen mediante el análisis de la forma y los colores propios de estos. Entre los tipos de redes basadas en regiones existen dos que analizaremos y compararemos: las Faster RCNN, las cuales localizan los objetos mediante cuadros delimitadores y las Mask RCNN que son capaces de detectar los objetos dibujando su contorno mediante un polígono. El PET lo encontramos en gran medida en las botellas de bebidas y de agua, por lo que el objeto que debe detectar nuestra RCNN son estas botellas. La implementación de este método en una planta de residuos sería simple y económica debido a que solo haría falta una cámara para captar las imágenes de los residuos en cada momento y un ordenador con el sistema RCNN implementado que detectase los materiales de PET. En este trabajo vamos a analizar la capacidad de un sistema con tecnología RCNN, creado en este proyecto, de detectar residuos o materiales deformables, en este caso se analizará con las botellas de PET.

[EN] Plastic is one of the most polluting household materials nowadays. Polyethylene Terephthalate is the plastic that is most easily recycled, which is why the collection of PET refuse in waste plants is of great importance, as it helps to prevent contamination derived from the production and extraction of new materials. The procedures that exist today for the separation of these plastics are manual sorting by plant workers or, exceptionally, by using very complex and expensive machines. In this thesis we study the development of an artificial intelligence system that could locate this material through the use of region-based convolutional neural networks. These networks are trained with pictures of the objects to be detected and could locate them in one or several areas of the image by analysing their shape and colours. Among the types of region-based networks there are two that we will analyse and compare: Faster RCNNN, which locate objects by means of bounding boxes, and Mask RCNNN, which are able to detect objects by drawing their outline using a polygon. PET is found to a large extent in drinks and water bottles, so the objects to be detected by our RCNNN are these bottles. The implementation of this method in a waste plant would be simple and economical because it would only require a camera to capture images of the waste in real time and a computer with the RCNN system implemented to detect the PET materials. In this work we are going to analyse the capacity of a system with RCNN technology, created in this project, to detect waste or deformable materials, in this case it will be analysed with PET bottles.