Explorando la aplicación de las redes neuronales en la detección y cuantificación de residuos orgánicos: un aporte de la inteligencia artificial a la economía circular
DOI:
https://doi.org/10.26507/paper.2851Palabras clave:
economia circular, Pérdidas de alimentos, Sostenibilidad, cadena alimentaria, redes neuronalesResumen
La transición hacia un modelo de economía de ciclo cerrado en la cadena agroalimentaria ha hecho evidente la necesidad de desarrollar soluciones innovadoras, que permitan el aprovechamiento de las pérdidas y los desperdicios de alimentos, el uso sostenible de los recursos, y la reducción del impacto ambiental en las diferentes etapas de la cadena productiva. Este trabajo presenta la detección y clasificación de los residuos de alimentos generados en centros de distribución y de retail de alimentos, mediante la aplicación de herramientas de inteligencia artificial. La investigación se basa en la recopilación de datos de los residuos generados de la distribución y comercialización de frutas y verduras en la ciudad de Bogotá. El conjunto de imágenes se procesa a través de técnicas de aprendizaje profundo con bloques de segmentación compilados en Python para la detección, clasificación y categorización de los desperdicios en diferentes escenarios de prueba. Los resultados obtenidos pueden ser utilizados para la predicción del comportamiento de los residuos generados en la etapa de distribución y retail de la cadena de suministro, y el análisis de posibles estrategias de aprovechamiento en el modelo de economía circular. Como trabajo futuro se espera que la integración de las herramientas de inteligencia artificial contribuya a la mejora en la eficacia y eficiencia en la gestión de residuos, y al logro de los objetivos de sostenibilidad de la cadena agroalimentaria.
Descargas
Citas
Cheng, G., Yuan, X., Yao, X., Yan, K., Zeng, Q., & Han, J. (2022). Towards large-scale small object detection: Survey and benchmarks. arXiv preprint arXiv:2207.14096. https://doi.org/10.48550/arXiv.2207.14096
de Jesús, R. J., José, A. H. A., Francisco, J. Á. C., Juan, M. S. C., & Meléndez-Ramírez, A. (2016). Sistema sensor para el monitoreo ambiental basado en redes Neuronales. Ingeniería, investigación y tecnología, 17(2), 211-222. https://doi.org/10.1016/j.riit.2016.06.006
Dhanya, V. G., Subeesh, A., Kushwaha, N. L., Vishwakarma, D. K., Kumar, T. N., Ritika, G., & Singh, A. N. (2022). Deep learning based computer vision approaches for smart agricultural applications. Artificial Intelligence in Agriculture. https://doi.org/10.1016/j.aiia.2022.09.007
Imbert, E. (2017). Food waste valorization options: Opportunities from the bioeconomy. Open Agriculture, 2(1), 195-204.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386
LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P. (1998) Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86, 2278-2324. http://dx.doi.org/10.1109/5.726791
Melnyk, A., Kuklińska, K., Wolska, L., & Namieśnik, J. (2014). Chemical pollution and toxicity of water samples from stream receiving leachate from controlled municipal solid waste (MSW) landfill. Environmental Research, 135, 253-261. https://doi.org/10.1016/j.envres.2014.09.010
Pieroni, M. P., McAloone, T. C., & Pigosso, D. C. (2019). Business model innovation for circular economy and sustainability: A review of approaches. Journal of cleaner production, 215, 198-216. https://doi.org/10.1016/j.jclepro.2019.01.036
Qu, T., Zhang, Q., & Sun, S. (2017). Vehicle detection from high-resolution aerial images using spatial pyramid pooling-based deep convolutional neural networks. Multimedia Tools and Applications, 76, 21651-21663. https://doi.org/10.1007/s11042-016-4043-5
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... & Fei-Fei, L. (2015). Imagenet large scale visual recognition challenge. International journal of computer vision, 115, 211-252. https://doi.org/10.1007/s11263-015-0816-y
Valoppi, F., Agustin, M., Abik, F., Morais de Carvalho, D., Sithole, J., Bhattarai, M., ... & Mikkonen, K. S. (2021). Insight on current advances in food science and technology for feeding the world population. Frontiers in sustainable food systems, 5, 626227. https://doi.org/10.3389/fsufs.2021.626227
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Keras: The Python Deep Learning Library. Available Online: https://keras.io/ (Acceced on sep. 2018).,pp108
MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281-297). University of California Press.
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2023 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
