Resumen
La gestión eficiente de los residuos desempeña un papel crucial para garantizar un entorno limpio y ecológico en las ciudades inteligentes. Este estudio investiga el papel fundamental de la clasificación eficiente de la basura para lograr una gestión sostenible de los residuos sólidos en entornos de ciudades inteligentes. Llevamos a cabo un análisis comparativo de varios métodos de clasificación de basura utilizando modelos de aprendizaje profundo basados en redes neuronales convolucionales (CNN). Aprovechando el marco de código abierto PyTorch y el conjunto de datos TrashBox, realizamos experimentos que involucran diez modelos únicos de redes neuronales profundas. Nuestro enfoque tiene como objetivo maximizar la precisión del entrenamiento. A través de una amplia experimentación, observamos la superioridad constante del modelo ResNext-101 en comparación con otros, logrando una capacitación, validación y precisión de prueba excepcionales. Estos hallazgos iluminan el potencial de las técnicas basadas en CNN para avanzar significativamente en la clasificación de basura para optimizar la gestión de residuos sólidos dentro de las iniciativas de ciudades inteligentes. Por último, este estudio presenta un marco distribuido basado en el aprendizaje federado que se puede utilizar para optimizar el rendimiento de una combinación de modelos CNN para la detección de basura.
Conclusiones
Este estudio evaluó una variedad de modelos de aprendizaje profundo para probar a fondo su eficacia en la detección y clasificación de diferentes tipos de residuos. El conjunto de datos TrashBox se utilizó en todos los modelos, que se probaron en la misma plataforma de hardware. Después de rigurosas pruebas, este estudio encontró que dos modelos, a saber, el ResNeXt-101 y el ResNeXt-50, superaron consistentemente a otros modelos tanto en el entrenamiento como en la validación posterior a la inferencia. De estos dos, ResNeXt-101 logró la mayor precisión de prueba de 89,62% y la puntuación más alta de prueba F1 de 89,66%. ResNeXt-50 fue comparable con una precisión del 88,68% y una puntuación de la prueba F1 del 87,01%. ShuffleNetV2 mostró potencial con una validación comparable y precisiones de prueba con una puntuación de prueba F1 ligeramente más baja. Esto puede sugerir un posible caso de sobreajuste en los modelos basados en ResNeXt. Entre los modelos basados en ResNet, ResNet-34 tiene un rendimiento encomiable, seguido de ResNet-50 y ResNet-101. Superan claramente a todos los modelos basados en MobileNet. Esto podría deberse a que los modelos MobileNet son modelos ligeros creados para requisitos computacionales relativamente más bajos, lo que da lugar a un posible ajuste insuficiente.
En conclusión, si bien ResNeXt-101 se destaca como el modelo superior, manteniendo una alta precisión y puntuación F1 confiables, muchos de los otros modelos fueron consistentemente precisos. haciéndolos viables para ser aplicados en un sistema de clasificación de basura. La clave es equilibrar la complejidad del modelo con el rendimiento del modelo. Esta compensación se observó entre los modelos ResNeXt y MobileNet, donde los modelos ResNeXt eran claramente óptimos para el rendimiento, mientras que los modelos MobileNet estaban diseñados para ejecutarse en plataformas computacionales de gama baja. La capacidad de ejecutarse en plataformas integradas de bajo costo puede ser una consideración crucial en un contexto práctico. Este análisis comparativo enfatiza la importancia de seleccionar el modelo DNN más adecuado para la clasificación efectiva de la basura, si se utiliza para la gestión de residuos de las ciudades inteligentes.
Por último, en este estudio se ha presentado una propuesta de marco basado en el aprendizaje federado, que utiliza 4 modelos de clasificación de imágenes en cada centro de gestión de residuos. El concepto es integrar los parámetros del modelo de varios de estos sitios en un servidor federado, que consolidaría los parámetros del modelo, específicamente, sus pesos y sesgos, para desarrollar una sabiduría global. Sobre la base de las pruebas y los puntos de referencia realizados en este estudio, los cuatro modelos más adecuados que deben implementarse son ResNeXt-101, ShuffleNetV, ResNet-34 y MobileNetV3-Large respectivamente.
Tomado y traducido del Repositorio Nature.
