Usando IA para Combatir el Vertido Ilegal de Basura en Chipre

La gestión de residuos es un gran problema en muchos lugares, incluyendo Chipre. En las zonas rurales, a menudo hay pocas opciones legales para deshacerse de la basura, lo que lleva a la eliminación ilegal, a veces llamada "vuelo de basura." Esto hace que sea difícil medir cuán grave es el problema, y no hay muchos recursos disponibles para manejarlo. Encontrar una forma de identificar automáticamente estos vertederos ilegales podría ayudar a las autoridades locales a gestionar los desechos de manera más eficiente.

#Objetivos del Estudio

Este estudio tenía como objetivo averiguar si se podía usar inteligencia artificial (IA) y imágenes satelitales para detectar vertederos ilegales en el Chipre rural. Para hacerlo, se reunió un nuevo conjunto de imágenes que mostraban tanto lugares con basura como sin basura. Recoger suficientes imágenes para entrenar a la IA puede llevar mucho tiempo y dinero. Así que se creó un pequeño conjunto inicial de imágenes y luego se amplió usando técnicas que permitían más datos sin necesidad de nuevas imágenes.

La IA utilizó un tipo especial de sistema llamado red neuronal, que es buena para reconocer patrones en imágenes. Se eligió un tipo particular de red neuronal llamada "red neuronal convolucional" (CNN) para esta tarea. Se probó el rendimiento del modelo usando un conjunto de imágenes separado que no formaba parte del proceso de entrenamiento.

El resultado fue un modelo de aprendizaje profundo que podía identificar correctamente imágenes con basura alrededor del 90% de las veces. Este modelo podría usarse potencialmente para crear un mapa detallado de las ubicaciones de basura en todo Chipre.

#Antecedentes e Importancia

La eliminación ilegal de residuos es un problema serio en todo el mundo, causando daños al medio ambiente, riesgos para la salud y otros problemas. En Chipre, las zonas rurales tienen tasas especialmente altas de vertido ilegal porque hay pocas opciones de reciclaje disponibles. Entender cuánto desecho se está tirando y dónde se localiza podría ayudar a motivar a los organismos gubernamentales a actuar.

Revisar manualmente el terreno en busca de vertederos sería extremadamente lento y propenso a errores. Para un país pequeño como Chipre, con mucho terreno por cubrir, revisar innumerables imágenes es una tarea abrumadora. Si una persona puede analizar una imagen cada minuto, se necesitarían miles de horas para completar el trabajo.

Algunos proyectos han examinado previamente el uso de IA para encontrar grandes vertederos, pero pocos se han centrado en sitios de vertido más pequeños, que es donde ocurren la mayoría de los problemas en Chipre. Afortunadamente, el aumento de imágenes satelitales de alta resolución brinda la oportunidad de estudiar mejor estas áreas más pequeñas. Este estudio utilizó un tipo de red neuronal conocida por funcionar bien con Imágenes de satélites, enfocándose específicamente en estos sitios de vertido a pequeña escala.

#Objetivos de la Investigación

El objetivo central de este trabajo fue crear y evaluar un sistema que utilizara IA para identificar vertederos en Chipre. Esto requirió la recolección y etiquetado de imágenes satelitales. Sin embargo, reunir suficientes imágenes etiquetadas es una tarea complicada. Para resolver esto, se utilizaron varias técnicas para crear más imágenes modificando las originales a través de acciones como rotar, recortar y agudizar.

La investigación tenía como objetivo responder a dos preguntas clave:

1. ¿Cuáles técnicas de Aprendizaje automático son más efectivas para encontrar pequeños vertederos en Chipre utilizando imágenes satelitales?
2. ¿Cuánto pueden mejorar las técnicas utilizadas para modificar imágenes la efectividad del modelo de aprendizaje automático?

Para responder a estas preguntas, se tomaron varios pasos. Primero, se recopiló un conjunto básico de imágenes satelitales que mostraba ubicaciones de basura conocidas. Este conjunto se amplió con diferentes técnicas de modificación, y luego se probaron varios modelos de aprendizaje automático para encontrar el más efectivo. El modelo final se entrenó con el conjunto más grande de imágenes, y su precisión se verificó utilizando diferentes métodos de validación para entender cuán bien funciona.

#Entendiendo las Redes Neuronales

Las redes neuronales, que están diseñadas para operar como el cerebro humano, se han utilizado en el reconocimiento de imágenes durante años. En el pasado, redes más simples podían reconocer patrones básicos, pero tenían dificultades con imágenes más complejas. El desarrollo de Redes Neuronales Convolucionales abordó este problema, facilitando el trabajo con imágenes.

Estas redes especiales funcionan tomando imágenes y aplicando diferentes filtros en cada capa para detectar características en las imágenes paso a paso. Las primeras capas pueden buscar formas simples, mientras que capas más profundas identifican patrones más complejos, como la presencia de basura.

#Recolección y Aumento de Datos

Recoger imágenes satelitales para entrenar el modelo de IA es una tarea significativa. Este estudio se centró en usar imágenes satelitales disponibles públicamente. Las imágenes seleccionadas se centraron en lugares conocidos de basura e incluyeron un número correspondiente de imágenes de lugares sin basura para mantener el equilibrio.

Para el proceso de aumento, se utilizaron las siguientes técnicas:

• Recorte: Cortar imágenes para enfocarse en áreas específicas.
• Rotación: Girar imágenes en varios ángulos.
• Espejado: Reflejar imágenes horizontal y verticalmente.
• Aguado: Hacer que las imágenes sean más claras para resaltar detalles.

Al aplicar estas técnicas, el número de imágenes creció de un base de 100 a más de 2,400.

#Entrenando el Modelo

Una vez obtenidos los datos aumentados, comenzó el proceso de aprendizaje automático. Solo se consideraron redes neuronales convolucionales, ya que se sabe que funcionan bien para tareas de clasificación de imágenes. Se probaron muchos modelos de CNN diferentes para ver cuál funcionaba mejor para esta investigación.

Finalmente, se seleccionó el modelo ResNet-50 debido a su sólido rendimiento en otros estudios y su capacidad para manejar la complejidad de identificar basura en imágenes. Este modelo se entrenó usando el gran conjunto de imágenes, que había sido mejorado a través de los diferentes métodos de aumento.

#Evaluando el Rendimiento

Después del entrenamiento, se evaluó el rendimiento del modelo utilizando varios métodos para asegurarse de que pudiera clasificar con precisión si una imagen contenía basura. Esto incluyó comprobar cuántas predicciones eran correctas en relación con el número total de imágenes. Se utilizaron diferentes estadísticas para capturar este rendimiento, como medidas de precisión y recuperación.

Los experimentos mostraron que el modelo ResNet-50 fue efectivo en detectar vertederos de basura. Con los datos aumentados, su precisión alcanzó alrededor del 90%. Este fuerte rendimiento sugiere que el modelo podría tener aplicaciones prácticas para ayudar a las autoridades a gestionar los residuos de manera más efectiva.

#Hallazgos Clave y Contribuciones

Las principales contribuciones de este estudio incluyen:

• Un nuevo conjunto base de imágenes satelitales etiquetadas que podría ser útil para otros investigadores.
• Conjuntos de datos ampliados que incluyen varias imágenes aumentadas.
• Un modelo de aprendizaje automático eficaz que puede ayudar a identificar montones de basura y apoyar las políticas de gestión de residuos en Chipre.

#Direcciones Futuras

El trabajo en curso busca mejorar esta área de investigación mediante:

• Aumentar la cantidad y calidad del conjunto de datos base.
• Encontrar formas automáticas de recoger imágenes satelitales relevantes para la eliminación de basura.
• Desarrollar un sistema completo que pueda mapear las ubicaciones de basura en todo el Chipre rural.

La esperanza es que, al continuar esta investigación, se puedan desarrollar mejores herramientas para abordar el problema de la eliminación ilegal de basura, beneficiando tanto al medio ambiente como a las comunidades locales.