3.2 Clasificador de residuos

1. Qué vamos a hacer

Vamos a construir un clasificador de residuos que nos ayuda a reciclar. Enseñamos un residuo a la cámara y el sistema decide si va al contenedor amarillo (envases) o al azul (papel y cartón). Después enciende el LED RGB del color del contenedor y abre su tapa con un servomotor.

Para que reconozca los residuos, crearemos con LearningML un modelo de imágenes: le enseñaremos fotos de envases y de cartones, y él aprenderá a distinguirlos.

1.1 Qué vamos a aprender

• A crear un modelo de machine learning que clasifica imágenes.
• A preparar buenas imágenes de entrenamiento para cada clase.
• A usar la cámara (webcam) en EchidnaBlocks para clasificar lo que ve.
• A mover un servomotor de posición a un ángulo concreto.

1.2 Qué vamos a usar

Componentes

Usaremos la cámara del ordenador, el LED RGB de la placa y dos servomotores de posición conectados a los pines D7 (contenedor azul) y D8 (contenedor amarillo).

Presta atención al conectar los cables: Vcc, GND y señal se indican con los colores rojo, negro y amarillo. Como vamos a conectar dos servomotores, usa alimentación externa y coloca el selector de alimentación en la posición Vin.

Programación

Para usar el modelo en nuestro programa usamos el bloque clasificar imagen:

Le damos una imagen (en nuestro caso, la de la cámara, con el bloque imagen de vídeo) y nos devuelve la clase más probable: azul o amarillo.

2. Entrenamos el modelo

Abrimos LearningML y elegimos trabajar con datos de tipo imágenes.

2.1 Entrenar: clases y ejemplos

Creamos dos clases, azul y amarillo, y añadimos a cada una imágenes de residuos, desde un archivo o haciendo fotos con la cámara:

• azul: papel y cartón, por ejemplo hueveras y cajas de cartón.
• amarillo: envases, por ejemplo briks y latas.

Para que el modelo aprenda bien, añade muchos residuos distintos a cada clase (en el ejemplo, 22 imágenes por clase), vistos desde varias posiciones.

2.2 Aprender

Pulsamos el botón Aprender a reconocer imágenes. El algoritmo analiza las imágenes y construye un modelo capaz de reconocer imágenes parecidas, pero distintas. Con imágenes este proceso puede tardar varios segundos, y más cuantas más imágenes hayamos añadido.

2.3 Probar

Enseñamos a la cámara residuos nuevos, que no hemos usado en el entrenamiento, y comprobamos en qué clase los coloca el modelo y con qué confianza.

En el ejemplo, el modelo clasifica la imagen de una botella como amarillo con un 91,68 % de confianza.

Si el modelo se equivoca, volvemos a 2.1 Entrenar: añadimos más imágenes o revisamos las que tenemos y aprendemos de nuevo.

3. Programamos

Cuando el modelo funcione bien, abrimos EchidnaBlocks y construimos el programa:

Cómo funciona:

Configuración inicial: al hacer clic en la bandera verde, activamos la cámara, colocamos los dos servos a 90° (tapas cerradas) y apagamos el LED RGB. El echidna dice "Presiona espacio y te digo a qué cubo va.".

Al pulsar la tecla espacio, el programa clasifica la imagen de la cámara:

SI la clase es "azul":
    --> El servo D7 se mueve a 180° (abre el contenedor azul).
    --> El LED RGB se ilumina en azul (R 0, G 0, B 255).
    --> Espera 2 segundos, cierra el contenedor (servo D7 a 90°) y apaga el LED.

SI la clase es "amarillo":
    --> El servo D8 se mueve a 180° (abre el contenedor amarillo).
    --> El LED RGB se ilumina en amarillo (R 255, G 255, B 0).
    --> Espera 2 segundos, cierra el contenedor (servo D8 a 90°) y apaga el LED.

Después, el echidna vuelve a decir "Presiona espacio y te digo a qué cubo va.".

4. Mejóralo

Prueba a realizar algunas de estas mejoras en tu proyecto de forma autónoma:

1. Dímelo en pantalla: Haz que el echidna diga a qué contenedor va el residuo ("¡Al amarillo!" o "¡Al azul!").
2. Solo si está seguro: Usa el bloque confianza para la imagen para que solo abra un contenedor si la confianza es mayor de 70; si no, el echidna dirá "No estoy seguro, prueba otra vez".
3. Contenedor verde: Añade la clase verde (vidrio) con imágenes de botellas y tarros, un tercer servomotor en el pin D4 y el LED RGB en verde.