Robot Clasificador de Reciclaje con Google Coral Edge TPU

¿Sabías que las tasas de contaminación en plantas de reciclaje pueden alcanzar el 25 %? Eso significa que uno de cada cuatro artículos nunca entra en la corriente de reciclaje, largely debido a error humano durante la clasificación. Con el cambio climático intensificándose, reducir contaminación es más crítico que nunca. Nuestra solución –un robot clasificador autónomo que usa Google Coral Edge TPU y detección de objetos por machine learning– reduce drásticamente las tasas de contaminación mientras baja costes operativos.

Demo

Repositorio de Código

Clona el proyecto completo en GitHub para seguir el desarrollo.

Paso 1: Obtener el Dataset

Entrenar un modelo de detección de objetos preciso requiere un conjunto diverso de imágenes etiquetadas. Usamos el dataset TrashNet, que contiene 2 527 imágenes en seis clases:

• Vidrio – 501 imágenes
• Papel – 594 imágenes
• Cartón – 403 imágenes
• Plástico – 482 imágenes
• Metal – 410 imágenes
• Basura (no reciclable) – 137 imágenes

El dataset está disponible para descarga en Google Drive. Para entrenamiento rápido, descarga el archivo pre‑redimensionado (dataset-resized.zip). Si prefieres redimensionar tú, usa dataset-original.zip.

Paso 2: Etiquetar Imágenes

Usamos labelImg para anotar bounding boxes alrededor de cada objeto. Las cajas deben ajustarse bien a cada ítem para maximizar precisión. Todos los archivos de anotación (.xml) se guardan en carpeta dedicada. Si el etiquetado lleva mucho tiempo, descarga nuestro dataset pre‑anotado aquí.

Paso 3: Entrenar el Modelo

Empleamos pipeline de transfer‑learning de TensorFlow con backbone MobileNet‑SSD v2 (COCO), totalmente compatible con Coral Edge TPU. El entrenamiento puede hacerse local o en la nube. Entrenamiento local es sencillo pero lento; para resultados acelerados, usa Google Cloud TPU o instancias GPU AWS siguiendo tutorial de Google o la guía de EdjeElectronics.

Paso 4: Compilar para Coral Edge TPU

Tras entrenar, exporta el modelo como grafo congelado (.pb), conviértelo a TensorFlow Lite con cuantización post‑entrenamiento. Finalmente, compila el modelo TFLite a binario Edge TPU usando edgetpu_compiler. Para instrucciones completas, ver documentación del compilador Edge TPU.

Paso 5: Desplegar en Raspberry Pi

Configura una Raspberry Pi 4 con Acelerador USB Coral y Módulo Cámara Raspberry Pi siguiendo la guía oficial. Una vez listo, ejecuta:

python test_detection.py \
 --model recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/detect_edgetpu.tflite \
 --labels recycle_ssd_mobilenet_v2_quantized_300x300_coco_2019_01_03/labels.txt

Una ventana en vivo mostrará detecciones; pulsa q para salir.

Paso 6: Construir Brazo Robótico

El brazo es un manipulador de 6 grados de libertad impreso en 3D, proveniente de Thingiverse. Sigue instrucciones de montaje y conecta servos en este orden (base a punta): 3, 11, 10, 9, 6, 5. Sube basicMovement.ino al Arduino para probar agarre y colocación.

Paso 7: Integrar RPi y Brazo

Monta la cámara en la base de la pinza del brazo para minimizar distorsión de perspectiva. Sube roboticArm.ino al Arduino, luego conecta la Raspberry Pi al Arduino vía USB para establecer comunicación serie. Configura el puerto serie en el código Arduino para coincidir con la interfaz /dev/ttyUSB0 de la Pi.

Paso 8: Toques Finales

Encapsula la electrónica en recinto personalizado para seguridad y estética. Un build terminado luce así:

Modelo Pre‑entrenado

Si prefieres saltar el entrenamiento, descarga nuestro modelo listo para desplegar aquí.

Aprovechando machine learning en Coral Edge TPU, este robot ofrece clasificación precisa y de baja contaminación a una fracción del coste de mano de obra humana.