Abstract
El presente artículo tuvo como objetivo evaluar y comparar el rendimiento de tres modelos de detección de residuos: Faster R-CNN ResNet101, SSD MobileNet V2, SSD MobileNet V2 FPNLite. Se utilizó un conjunto de imágenes propio obtenido por medio de fotografías tomadas en un entorno urbano como lo es el Canal Bogotá de la ciudad de Cúcuta, este conjunto de imágenes se utilizó para el entrenamiento y evaluación de los modelos de detección. Se evaluaron aspectos clave como lo son la precisión, Recall, F1-Score, función de pérdida, tiempo de ejecución y tamaño de los modelos. el modelo que presento mejores características de rendimiento fue el modelo Faster R-CNN ResNet101, con un valor de F1-Score del 83.8%, una precisión del 89.3% y un 78.9% de Recall.
Reference12 articles.
1. Aljabri, M., AlAmir, M., AlGhamdi, M., Abdel-Mottaleb, M., & Collado-Mesa, F. (2022). Towards a better understanding of annotation tools for medical imaging: a survey. Multimedia Tools and Applications, 81(18), 25877–25911. https://doi.org/https://doi.org/10.1007/s11042-022-12100-1
2. Barba-Guamán, L. R. (2021). Uso de técnicas deep learning para reconocimiento de objetos en áreas rurales (Disertación Doctoral). Universidad Politécnica De Madrid. Madrid, España.
3. Bisong, E. (2019). Google Colaboratory. En Building Machine Learning and Deep Learning Models on Google Cloud Platform (pp. 59–64). Apress, Berkeley, CA. https://doi.org/https://doi.org/10.1007/978-1-4842-4470-8_7
4. Corso, C. L. (2009). Aplicación de algoritmos de clasificación supervisada usando Weka. Universidad Tecnológica Nacional, Facultad Regional Córdoba.
5. Daroca-Capell, T. (2014). Dimensión y características de los factores que inciden en la contaminación ambiental por residuos sólidos (Tesis de maestría). Universidad de San Martín de Porres. Lima, Perú.