Publicación:
Sistema inteligente para la clasificación de residuos recibot

Vista sencilla de ítem
dc.contributor.advisorPorras Vega, John Jairo
dc.contributor.authorGarzón Garzón, Arnol Arley Stivel
dc.contributor.authorTapiero Leiva, Fredy
dc.contributor.authorMuñoz Tibavizco, Daniel Alejandro
dc.creator.id1000159830
dc.creator.id1007535388
dc.creator.id1034396204
dc.date.accessioned2025-09-22T23:08:29Z
dc.date.issued2025-09-09
dc.description.abstractLa gestión ineficiente de residuos en Colombia genera un impacto ambiental significativo y dificulta la implementación de procesos de reciclaje efectivos. En respuesta a esta problemática, el proyecto ReciBot propone el desarrollo de una aplicación basada en inteligencia artificial para la identificación y clasificación automática de residuos a partir de imágenes. Esta solución busca optimizar la disposición final de los desechos y fomentar una cultura de reciclaje en la población.spa
dc.description.abstractInefficient waste management in Colombia generates a significant environmental impact and hinders the implementation of effective recycling processes. In response to this problem, the ReciBot project proposes the development of an artificial intelligence-based application for the automatic identification and classification of waste based on images. This solution seeks to optimize final waste disposal and foster a recycling culture among the population.eng
dc.description.degreelevelTrabajo de gradospa
dc.description.degreenameIngeniero de Sistemasspa
dc.description.tableofcontentsResumen ejecutivo 5 Introducción 6 Objetivos 8 Objetivo General 8 Objetivos Específicos 8 Planteamiento del Problema 9 Pregunta de Investigación 10 Delimitación del Proyecto 11 Justificación 12 Análisis de Requerimientos 13 Intención del Producto 14 Verificación de Parámetros de Diseño 14 Estimación de Características de Diseño 15 Marco Teórico 15 Concepto 15 El Reciclaje 16 Beneficios del Reciclaje: 16 Tecnologías y Bibliotecas Utilizadas 17 OpenCV 17 TensorFlow y Keras 18 PyTorch y YOLO 18 Flask 18 NumPy y PIL 19 CustomTkinter 19 Visual Studio Code 19 Modelos de Procesamiento de Imágenes 20 Preprocesamiento de Imágenes 21 Integración Online y de Escritorio 22 Implementación Online 22 Implementación en Escritorio 22 Datasets Utilizados 23 Metodología para la Selección y Desarrollo de la Solución 24 Identificación y Descarte de Soluciones Ilógicas 24 Comparación con Soluciones Existentes 25 Evaluación de Alternativas y Selección de la Mejor Solución 25 Solución de Ingeniería 27 Arquitectura del Sistema 27 Módulo de Adquisición de Imágenes 27 Módulo de Preprocesamiento de Imágenes 27 Módulo de Inteligencia Artificial 28 Módulo de Integración Backend 28 Módulo de Interfaz de Usuario 28 Diseño de Ingeniería de los Aplicativos Desarrollados 29 Diseño de Ingeniería – Aplicativo Web 29 Explicación detallada del código del aplicativo web 32 templates/index.html — estructura, UI y flujo de interacción 32 app.py — backend Flask, preprocesamiento e inferencia con TensorFlow/Keras 33 train_model.py — preparación del dataset, data augmentation, arquitectura CNN y persistencia del modelo 35 Consideraciones de diseño y mejoras sugeridas 37 Diseño de Ingeniería – Aplicativo de Escritorio 38 Explicación detallada de los códigos del aplicativo de escritorio 40 Entrenamiento con YOLOv8 — Train.py 40 Especificación del dataset — dataset.yaml 41 Aplicación de escritorio y predicción en vivo — app.py 42 Coherencia “train–serve” y buenas prácticas 44 Cómo “lee” el sistema al usuario 45 Características y Beneficios de la Solución 45 Precisión y optimización. 46 Análisis de Costos 47 Costos Operacionales 48 Costos Directos (Variables) 48 Costos Fijos 49 Gastos Generales 49 Costos de Inversión 50 Costos Directos de Inversión 50 Costos Indirectos de Inversión 51 Costos Fijos de Operación 51 Capital de Trabajo Inicial 52 Análisis de restricción 52 Restricciones Técnicas 52 Restricciones Culturales 53 Restricciones Ambientales 54 Restricciones Económicas 54 Restricciones Tecnológicas 54 Limitaciones del Proyecto 55 Cobertura y variabilidad del dataset 56 Dependencia de recursos de hardware. 56 Escalabilidad funcional. 56 Mantenimiento y sostenibilidad. 57 Cumplimiento de Objetivos 57 Objetivo general. 57 Objetivos específicos. 58 Tabla de análisis de Cumplimiento de Objetivos 59 Conclusiones 61 Referencias Bibliográficas 63spa
dc.formatpdf
dc.format.extent64 paginas, 1 anexo.
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad Eanspa
dc.identifier.localBDM-FIS
dc.identifier.reponamereponame:Repositorio Institucional Biblioteca Digital Minervaspa
dc.identifier.repourlhttps://repository.ean.edu.co/
dc.identifier.urihttps://hdl.handle.net/10882/15293
dc.language.isospa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá, Colombia
dc.publisher.programIngeniería de Sistemasspa
dc.relation.referencesGarcía, M., & Liu, X. (2022). Waste Classification Dataset in Machine Learning: A Comprehensive Review. Journal of Environmental Data Science, 15(2), 45-62. https://doi.org/10.1016/j.envdatasci.2022.02.001 Manchasoft. (2023). "Cifras que maneja el sector del reciclaje en el mundo". Disponible en: https://manchasoft.com/cifras-que-maneja-el-sector-del-reciclaje-en-el-mundo/ Noticias ONU. (2023). "Reutilizar, reciclar y reorientar ahorraría hasta un 80% la contaminación del plástico". Disponible en: https://news.un.org/es/story/2023/05/1521082 Patel, S., Kumar, R., & Zhang, L. (2023). Garbage Classification Dataset for Recycling Optimization: A Machine Learning Approach. Waste Management & Research, 41(3), 213-229. https://doi.org/10.1016/j.wasman.2023.05.002 Programa de las Naciones Unidas para el Medio Ambiente (PNUMA). (2023). "El mundo debe superar la era de los desechos y adoptar la economía circular". Disponible en: https://www.unep.org/es/noticias-y-reportajes/comunicado-de-prensa/el-mundo-debe-superar-la-era-de-los-desechos-y Romera-Paredes, B., Gidaris, S., & Torres, M. (2022). TACO: Trash Annotations in Context for Waste Detection and Classification. International Journal of Computer Vision, 130(7), 1211-1235. https://doi.org/10.1109/IJCV.2022.1234567 Sectorial. (2025). "Colombia genera anualmente 24,8 millones de toneladas de residuos, de los cuales solo el 20% se recicla". Disponible en: https://sectorial.co/reciclaje/colombia-genera-anualmente-248-millones-de-toneladas-de-residuos/ Suresh, A., Wang, P., & Chen, Y. (2021). Challenges and Limitations of TrashNet for Waste Classification: A Comparative Dataset Analysis. IEEE Transactions on Environmental Informatics, 8(4), 654-669. https://doi.org/10.1109/TEI.2021.0986543 Yang, Z., Li, H., & Wu, J. (2019). TrashNet and Beyond: Enhancing Waste Classification through Crowdsourced Datasets. Proceedings of the International Conference on Environmental AI, 1(1), 89-104. https://doi.org/10.1145/3341165.3341189 El Tiempo. (2025). "¿Cuáles son las mayores dificultades para reciclar? Esto dicen los colombianos". Disponible en: https://www.eltiempo.com/vida/medio-ambiente/cuales-son-las-dificultades-para-reciclar-esto-dicen-los-colombianos-745907#:~:text=Al%20momento%20de%20reciclar%2C%20la,pa%C3%ADs%20hacia%20la%20econom%C3%ADa%20circular Tallini, A., & Cedola, L. (2018). A review of the properties of recycled and waste materials for energy refurbishment of existing buildings towards the requirements of NZEB. Energy Procedia, 148, 868–875. https://doi.org/10.1016/j.egypro.2018.08.108l
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.armarcReciclajespa
dc.subject.armarcBasuras y aprovechamiento de basurasspa
dc.subject.armarcRecolección de basurasspa
dc.subject.armarcInteligencia artificialspa
dc.subject.armarcProtección del medio ambientespa
dc.subject.armarcTecnología ambientalspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalClasificacion inteligentespa
dc.subject.proposalProceso inteligente de recolección de basurasspa
dc.subject.proposalIntelligent garbage collection processeng
dc.titleSistema inteligente para la clasificación de residuos recibotspa
dc.titleIntelligent system for waste classificationeng
dc.title.translatedIntelligent system for waste classification
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de grado - Pregrado
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
person.affiliation.nameIngeniería de Sistemas
person.affiliation.nameIngeniería de Sistemas
person.affiliation.nameIngeniería de Sistemas

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
GarzonArnol205.pdf
Tamaño:
836.58 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de Grado
Descargar
Miniatura
Nombre:
GarzonArnol2025_Anexo1.pdf
Tamaño:
6.33 MB
Formato:
Unknown data format
Descripción:
Anexo 1
Descargar
Miniatura
Nombre:
GarzonArnol2025_Anexo.pdf
Tamaño:
281.82 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización Publicación
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.92 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Ingeniería de Sistemas