Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Pinillos, JuanOcampo Botero, Darién AlexanderDomínguez Triana, Daniel Alejandro2024-06-042024-06-042023https://repositorio.uniremington.edu.co/handle/123456789/3297El inadecuado manejo de los residuos sólidos representa un grave problema ambiental en la actualidad. Se estima que menos del 10 por-ciento de los desechos son reciclados correctamente en la mayoría de países (PNUMA, 2018), lo cual se debe en gran medida a la falta de una cultura de separación de materiales reciclables desde los hogares y fuentes de origen. Ante esta problemática, la presente investigación propone el desarrollo de un prototipo de módulo automatizado para la detección y clasificación de residuos plásticos y metálicos, buscando facilitar y motivar el reciclaje efectivo mediante una solución tecnológica innovadora. El prototipo consiste en una estructura modular con bandas transportadoras y una cámara para la detección de residuos e identificación de plásticos, con módulos microcontroladores de automatización mediante algoritmos programados en lenguaje C++ y Python. Su funcionamiento se basa en la detección de los materiales con Deep Learning implementando y entrenando el modelo YOLO (You Only Look Once) y sus capas de detección, para clasificarlos y dirigirlos hacia contenedores específicos a través del accionamiento de bandas. El marco teórico de la investigación se complementa con tangentes interdisciplinarias en la programación neurolingüística y teorías del aprendizaje cognitivas y conductuales que exploran brevemente conceptos de otras disciplinas que se conectan con la investigación. Según autores como Bandler y Grinder (1975), los patrones mentales y conductuales arraigados se pueden reestructurar generando nuevas conexiones neuronales y reforzando experiencias que modelen los comportamientos deseados. Por ello, la interacción vivencial con este prototipo busca modificar creencias e instaurar hábitos de separación responsable de residuos, mediante la observación, modelamiento y retroalimentación implícita que permitirá esta tecnología mimetizarse sutilmente con la vida humana. La metodología consistió en el diseño mecánico, electrónico y de software del prototipo, seleccionando componentes óptimos. Luego se realizaron pruebas experimentales para validar su precisión en la clasificación de materiales reciclables, analizando métricas como exactitud, sensibilidad y especificidad con la inferencia de las imágenes y observando como los mecanismos tradicionales como sensores no eran lo óptimo para este tipo de mecanismos de detección y clasificación. Los resultados preliminares fueron prometedores en el uso de IA, con una efectividad de detección superior al 85 por-ciento. No obstante, se requiere aún refinar el prototipo y hacer nuevas pruebas en condiciones reales... Asimismo, se complementará con estrategias enfocadas en el cambio cultural, utilizando elementos motivacionales y de concientización. De esta manera, esta solución integral busca atacar las causas conductuales y estructurales... Con adecuadas iteraciones y pruebas en campo, y en sinergia con intervenciones socio-culturales, esta innovación tiene el potencial de optimizar los procesos de separación y reciclaje desde el origen, mitigando el impacto ambiental de los residuos sólidos.48 p.application/pdfspaDerechos Reservados - Corporación Universitaria Remington, 2024Proceso automático híbridoRecuperación de energíaProceso semiautomáticoTrabajo de grado - Pregradoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Residuos sólidosAutomatizaciónInteligencia artificial