Samples donated by the Instituto Nacional de Salud are going to be used to develop the study. Images of the malaria parasites observed in the smears were capture with a Zeiss Scope A1 microscope equipped with a camera (same brand) and 1000X magnification lens (Centro Tecnológico de Automatización Industrial (CTAI) from the Pontificia Universidad Javeriana, Bogotá). First, an analysis of different color spaces will be carried out in order to determine the best color space that allows the detection of the interest objects and their separation with the background information. Then the coloration of the smear will be evaluated using the background information of the image. It will be obtained by image processing techniques such as, image thresholding.
Preliminary analysis was carried out with manually selected smears with good and low coloration quality. The tests were programed using MATLAB (MATLAB® Student, R2018a, USA). A thresholding function was designed for evaluating visually the effectiveness of each color space separating elements of interest from the background. From the tests, it was found that the HSV and the RGBn color spaces allowed to obtain better results when applying the thresholding function. In particular, the GB component was the one that showed the best results, which confirms that the results reported in the literature for thin blood smears [4] are applicable to thick blood smears, as well.
In the normalized RGB color space, the observations for individual RGB components similar to declarations described for the separate components from HSV color space. In particular, the GB component showed a better distinction between background and the other components of the smear. Similar results have been reported by Rosado and collaborators [4] and Hedge and colleagues, too [5]. The results have been in consonance with current literature.
[1] Instituto Nacional de Salud, Comportamiento de la Notificación Malaria de 2018. Bogotá, Colombia: INS, 2019. [En línea] Disponible en: https://www.ins.gov.co/buscador-eventos/BoletinEpidemiologico/2019%20Bolet%C3%ADn%20epidemiol%C3%B3gico%20semana%204.pdf
[2] World Health Organization, Malaria microscopy quality assurance manual. Italy: WHO, 2016 [Online]. Available: https://apps.who.int/iris/bitstream/handle/10665/330722/9789243549392-spa.pdf?ua=1
[3] Instituto Nacional de Salud y Ministerio de Salud, Manual para el diagnóstico de malaria no complicada en puestos de diagnóstico y tratamiento. Bogotá, Colombia: Milenio Editores, 2015 [En línea]. Disponible en: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/manual-diagnostico-malaria-no-complicada.pdf
[4] L. Rosado, J. M. Correia Da Costa, D. Elias, and J. S. Cardoso, “Mobile-Based Analysis of Malaria-Infected Thin Blood Smears: Automated Species and Life Cycle Stage Determination”, Sensors, vol. 17, n. 10, pp. 1-22, 2017. doi: 10.3390/s17102167
[5] R. B. Hegde, K. Prasad, H. Hebbar, and B. M. K. Singh, “Development of a robust algorithm for detection of nuclei of white blood cells in peripheral blood smear images”, Multimed. Tools Appl., vol. 78, n. 13, pp. 17879-17898, 2019. doi: 10.1007/s11042-018-7107-x
Wilson Hernández, Carol Martínez.
Departamento de Ingeniería Industrial, Pontificia Universidad Javeriana, Bogotá, Colombia
carolmartinez@javeriana.edu.co
Keywords: Deep learning, classification and localization, cobots, plastic bottles, recycling.
The PIR (Perception for Industrial Robots) project from the Pontificia Universidad Javeriana (PUJ) Bogotá, explores the use of robots for the waste classification tasks. As it is shown in Figure 1, this process implies repetitive and dangerous tasks for operators (e. g. they are expose to contaminated materials for long periods of time), and this is why the process needs to be improved soon. In [1], we introduced the plastic classification problem and we presented a strategy to integrate a dual-arm industrial robot for waste separation tasks. Now, in this work, we present the work that is being developed for improving the separation of plastic bottles using data driven approaches. Two well-known Deep Learning frameworks are being analyzed, the YOLO (You Only Look Once) [2] and Mask R-CNN (Region-Based Convolutional Neural Networks) [3].
Deep learning has been widely used for detecting people, cars, and other objects. In the case of recycling, in [4] the authors presented a CNN (Convolutional Neural Network) for classifying recyclable materials, called RecycleNet. The system was trained using images that correspond to waste samples encountered around one of the campus of Stanford University. With the proposed network, they obtained an accuracy of 90 %. Although deep learning approaches have been already implemented in the state of the art for waste classification tasks, to the author’s knowledge, there have not been approaches proposed yet that investigate the classification of plastic bottles by their type (PET, COLOR HDPE and WHITE HDPE).
Figure 1
Manual plastic classification at the Alqueria Recycling center in Bogotá, Colombia
Source: Prepared by the authors based in pictures from Alqueria Recycling Center
The waste classification testbed is comprised of a robot, a worktable, a camera, and classification bins. The system runs based on open-source software (ROS, ROS-I, and OpenCV). For the development of the deep learning algorithm, a dataset of 1300 images that contains plastic bottles, was created. Bottles in the images were manually labeled using the VIA 2.0.5 tool [5]. Labels correspond to 3 categories: PET, WHITE HDPE, AND COLOR HDPE. The dataset was divided for training (70 %), validation (20 %), and test (10 %). With that information, two well-known deep learning algorithms YOLO and Mask-RCNN were trained, and their results were compared. Figure 2 shows an example of the obtained results. The left image corresponds to the Mask-RCNN results, and the right image corresponds to YOLO. Table 1 summarizes the results a video is found in [6].
Figure 2
Results using Mask-RCNN and YOLO
Source: Own elaboration
Table 1
Summary of the detection and classification accuracies for Mask-RCNN and YOLO
Framework | Architecture | PET [%] | WHITE HPDE [%] | COLOR HPDE [%] |
Mask RCNN | Resnet101 | 60 | 70 | 70 |
YOLO | Full YOLO | 55 | 65 | 65 |
Source: Own elaboration
Both networks were trained with their default parameters. Based on the results, the best accuracy for classifying plastic bottles was obtained with Mask-RCNN. In the case of YOLO, the overall accuracy was smaller; however, it is important to highlight that YOLO is known as a real-time framework, and therefore inference time was shorter. Preliminary results show us that the networks present problems classifying PET bottles, especially in images with reflections. Additionally, the labels of the bottles can interfere the classification process. The latter can be solved improving the dataset including, if possible, samples of all the possible bottles available in the market. Current work is focused on integrating the network with the robot and on tuning the networks in order to find their optimal parameters for the task. Additionally, the dataset will be extended.
[1] N. Barrero Lizarazo, and D. E. Galvis Rico, “Designing a Framework to Give Perception Capabilities to an industrial robot for waste separation tasks”, undergraduate thesis, Pontificia Universidad Javeriana, Bogotá, Colombia, 2017.
[2] J. Redmon, and A. Farhadi, “YOLOv3: An Incremental Improvement”, 2018. [Online]. Available: https://arxiv.org/abs/1804.02767. [Accessed: 25-April-2019].
[3] K. He, G. kioxari, P. Dollár, and R. Girshick, “Mask R-CNN”, 2017. [Online]. Available: https://arxiv.org/abs/1703.06870. [Accessed: 25-April-2019].
[4] C. Bircanoğlu, M. Atay, F. Beser, O. Genç, and M. A. Kizrak, “RecycleNet: Intelligent Waste Sorting Using Deep Neural Networks”, in 2018 Innovations in Intelligent Systems and Applications (INISTA), B. M. Ozyildirim, T. Yildirim, Ed. Adana, Turkey: IEEE, 2018, pp. 1-7.
[5] A. Dutta, A. Gupta, and A. Zisserman, “VGG Image Annotator (VIA)”, 2019. [Online]. Available: http://www.robots.ox.ac.uk/~vgg/software/via/. [Accessed: 13-jun-2019].
[6] CTAI PUJ BOGOTA, “Lenny Motoman - Perception capabilities to industrial robots for waste separation tasks”, 21-sept-2018. [Video]. Available: https://youtu.be/F76Pe-WkP3g. [Accessed: 13-jun-2019].
Jorge Jiménez1, γ, Ignacio Chang2
1 Instituto Costarricense de Electricidad, Sabana Norte, San José, Costa Rica
2 Facultad de Ingeniería Eléctrica, Universidad Tecnológica de Panamá, Panamá, Panamá
γ. Autor corresponsal: jjimenezji@ice.go.cr
En la actualidad existen grandes avances en el desarrollo y rentabilidad de fuentes de energía amigables con el medio ambiente. Las Energías Renovables no Convencionales (ERNC), especialmente la eólica, la fotovoltaica y la biomasa, ya alcanzaron un grado de madurez y competitividad que las hace cada vez más viables y aptas para potenciales clientes e inversionistas. Todo lo ya logrado en Costa Rica, permite definir objetivos ambiciosos en materia de ERNC, y proponer así una hoja de ruta viable, sin muchos sobresaltos para toda la región, donde se permita un desarrollo o crecimiento integral con el uso de estas fuentes. Es relativamente fácil desde el Instituto Costarricense de Electricidad, seguir liderando el desarrollo con ERNC a nivel regional, con los beneficios económicos que ello implique; sin embargo, con la Energía Solar Fotovoltaica se encuentran distintos grados de avance en cuanto a su desarrollo, uso e implementación a nivel nacional.
Por esto, se planteó la necesidad de realizar un estudio sobre la eficiencia y el comportamiento de las diversas tecnologías aplicadas para el desarrollo y construcción de Plantas Solar fotovoltaicas. Esto puntualizará los criterios y tendencias que permitirán asegurar las actuales y futuras inversiones, orientar a nuestros clientes internos o externos hacia soluciones más rentables o eficientes, según lo requieran; y así, procurarle el máximo beneficio, con una visión competitiva, bajo condiciones estables. Esto es así porque no solo basta con usar tecnologías; es también importante evaluar cada dispositivo o parte, investigando su potencialidad, sus características y su uso convencional, de manera que al instalar y monitorear su comportamiento, se pueda constatar o verificar, paso a paso, su eficiencia y rendimiento, adaptabilidad al medio ambiente, “tropicalización”, y evaluación o diagnóstico de cada parte o componente deseable.
Las pruebas y experimentos realizados resultaron exitosos, creíbles y muy concluyentes respecto del comportamiento de cada panel solar fotovoltaico. Se pudo asegurar la certeza de los datos de placa de cada fabricante, verificando una muy acertada clasificación y trazabilidad de los datos. Esto asegura a quien desee adquirir a futuro paneles de las marcas evaluadas, que la seguridad de lo que adquieran ha pasado por pruebas exitosas en condiciones tropicalizadas.
Palabras clave: Energía solar fotovoltaica, panel fotovoltaico.
A mitad del siglo XX, se introdujo un proceso de producción de cristales de silicio de alta pureza que aceleró el desarrollo de la energía solar fotovoltaica. Con el correr de los años la eficiencia de estos ha ido en aumento [1]. Para los años 70 del siglo pasado, Ingenieros de la Administración Nacional de la Aeronáutica y el Espacio (NASA), desarrollan el primer panel solar fotovoltaico para aplicaciones terrestres. Mientras que las primeras inspecciones y análisis del rendimiento o comportamiento de paneles solares fotovoltaicos se realizaron en celdas prototipos, por tratarse de ejemplares casi únicos que sirvieron para identificar los parámetros y variables más significativas del proceso solar fotovoltaico. En estas etapas de la investigación solar fotovoltaica, siempre estuvieron involucrados especialistas de NASA, del Laboratorio Nacional de Energía Renovable de EEUU (NREL), y algunas universidades que luego se encargaron de formar grupos y asociaciones especializadas en el tema solar fotovoltaico, tales como: la Plataforma Solar de Almería (PSA) en España [2]; el Laboratorio Solar de Odeillo, en Francia; o el Internacional Solar Energy Research Center Konstanz (ISC), en Alemania.
Según informes de la organización ecologista Greenpeace, la energía solar fotovoltaica podría suministrar electricidad a dos tercios de la población mundial hacia el año 2030 [3]. Igualmente, es importante el buen uso del “software” o de instrumentos del “hardware” que procuren elevar el rendimiento de cada panel, y los índices para todo Sistema Solar Fotovoltaico [4]. Así, a continuación (en la sección 2) se presenta la caracterización de paneles solares fotovoltaicos, describiendo cómo mejorar el rendimiento de un panel. Las secciones 3 y 4 tratan acerca de la metodología y los modelos conceptuales, respectivamente. Luego, en la sección 5 se presenta el desarrollo del banco de pruebas, y en la sección 6 un breve análisis de los resultados. Por último, las conclusiones.
Los ensayos en sitio de planta y bajo condiciones reales del campo, así como las fallas y daños típicos en los paneles solares fotovoltaicos; contribuyen a mejorar el rendimiento o la funcionalidad, al igual que el grado de tolerancia en diferentes condiciones de ambiente para cada panel. Requieren de monitoreo y observación durante un periodo adecuado, para determinar con precisión los efectos relacionados con los fallos detectados. Los resultados obtenidos sirven para perfeccionar ensayos ya existentes, acondicionar las normas de los diversos productos, fomentar el desarrollo de nuevos estándares y facilitar la evaluación exhaustiva de los defectos y daños encontrados en cada panel mediante la inspección y control de daños en cada sitio solar fotovoltaico. A nivel de laboratorios especializados encontramos dos tendencias: una como unidad móvil, denominada PV Mobile Lab; y otra que trata de una instalación fija, como las que se encuentran, por ejemplo, en la Universidad Adolfo Ibáñez en asociación con el Grupo AEOSOL New Energy S.A. de Chile, y en la Universidad Católica de Chile. Cabe aclarar que en Latinoamérica existen más laboratorios como estos; los hay en Argentina, Brasil, Colombia y otros, pero se hizo referencia a los chilenos, ya que ellos han llevado vanguardia en la región respecto al desarrollo de la energía solar fotovoltaica.
Este documento corresponde, en parte, a una propuesta de proyecto; pero igualmente, es el resultado de una investigación mixta que combina varios métodos: una investigación cuantitativa, haciendo análisis por tendencia y estadística de datos ambientales y del proceso de conversión solar fotovoltaico; y también cualitativa, con base en el conocimiento y descripción de los diferentes tipos de paneles solar-fotovoltaicos y su comportamiento respecto a otros tipos de tecnologías aplicadas en su fabricación, según lo indicado por diversos centros de investigación, fabricantes y asociaciones para tales fines. Mediante una serie de tareas y actividades, se caracteriza al panel bajo condiciones reales de trabajo; se inspecciona con herramientas y procedimientos novedosos que requieren de una descripción y explicación correspondientes. Por tal razón, se emplea un tercer método: la investigación del tipo correlacional, descriptiva y explicativa.
También, se empleó un Sistema de Adquisición de Datos instalado en un Banco de Pruebas Solar Fotovoltaicas, (BPSFV) de la Planta Solar Miravalles. Importan las curvas de rendimiento reales y los valores de algunos parámetros y variables críticas, los cuales son indicadores de la calidad ofrecida por cada panel solar fotovoltaico para condiciones ambientales reales. En el momento de la elaboración de este documento, aún se estudian y analizan los resultados correspondientes al monitoreo y procesamiento en tiempo real, por lo que se espera que esto despeje ciertas dudas aún latentes que se refieren a la tropicalización de estas tecnologías.
La energía solar es una forma de energía, que se obtiene producto de las radiaciones electromagnéticas provenientes del sol, más conocidas como radiación solar. La cantidad de energía que nos llega desde el sol es tal que, si toda ella pudiera ser aprovechada, bastaría media hora de un día para satisfacer la demanda energética mundial durante todo un año [5].
La fuente de toda la energía del sol se encuentra en el núcleo, y esta se genera a partir de las fuertes reacciones nucleares de fusión, debido a las condiciones extremas de presión y temperatura que se dan allí. De esta manera, la energía de los rayos del sol se calcula mediante la siguiente ecuación de Planck: E=hv, donde E: energía de los fotones (partículas de la radiación electromagnética), h = constante de Planck= 6,625*10-34 Jules y v = frecuencia a la que oscilan los fotones o la frecuencia de las ondas de luz.
Otra expresión sencilla para el cálculo de los parámetros es: Itotal= IDirecta+IDifusa+IAlbedo, donde: Itotal es la radiación total solar incidente, IDirecta es Radiación solar directa incidente, IDifusa es Radiación solar difusa incidente y IAlbedo es Radiación solar reflejada incidente. También es importante la potencia máxima que puede entregar el panel, PMAX; la corriente de cortocircuito, ISC; el voltaje de circuito abierto, VOC; y el factor de forma, definido como: FF = PMAX/ VOC ■ ISC, donde ISC es la corriente de corto circuito, VOC el Tensión de circuito abierto, MPP el punto de máxima potencia y IPmax la corriente de máxima potencia..
Todos los parámetros anteriores deben ser incluidos en una ficha técnica brindada por el fabricante de dicho panel, incluyendo características mecánicas, curvas, características V-I, y otros. Esta información es necesaria cuando se va a utilizar un panel dado, y así poder prediseñar el generador solar fotovoltaico requerido.
Conociendo los cuatro parámetros: Máxima Potencia (PMAX), Corriente de Corto Circuito (ISC), Voltaje de Circuito Abierto (VOC), y Temperatura de Operación Nominal de la Celda (TONC); es suficiente para saber el comportamiento del panel en cualquier condición de operación definida por un valor de la irradiancia G, y un valor de temperatura ambiente Ta. Otro parámetro de diseño para el cálculo de una instalación solar fotovoltaica es la potencia pico Pmáx, que se define como la potencia máxima del panel en condiciones estándar de medida (CEM). Al conocer esta potencia y el área del módulo A, se puede hallar la eficiencia pico ηmáx, o eficiencia del módulo en CEM.
Para proceder con la toma de datos, se ubicó en el laboratorio una serie de paneles solares fotovoltaicos de diferentes tecnologías. Luego, se realizó un monitoreo en tiempo real, durante las horas efectivas de radiación solar y por un periodo claramente establecido, mediante un procedimiento muy bien definido. En términos generales, este banco está provisto de dos sistemas SCADA, que servirán, sirven o han servido, en un caso, para almacenar y procesar los datos ambientales y meteorológicos; y en el otro, para almacenar y procesar los datos de las variables eléctricas, propias de cada panel solar fotovoltaico.
Para el desarrollo del primer experimento, se contó con dos bancos de prueba debidamente acondicionados e instalados en los sitios asignados previamente: Planta Solar Miravalles y Subestación de Energía de Colorado de Abangares. Estos Bancos de Prueba se acondicionaron con todos los equipos, la instrumentación, el hardware, el software y las condiciones adecuadas para realizar las mediciones y pruebas necesarias, requeridas para culminar con éxito el experimento que se desarrolla.
Luego de analizar los pros y los contras de varios métodos empleados por la mayoría de los fabricantes de paneles solar fotovoltaicos, en el Laboratorio Solar Fotovoltaico del Grupo ICE se decidió la realización de una serie de mediciones y pruebas durante todo un año, para caracterizar, identificar y verificar las propiedades reales de cada panel solar fotovoltaico ya escogido. La calidad de la medición dependerá de la precisión durante la medición simultánea de la producción de energía eléctrica, y de la radiación electromagnética en cada panel bajo pruebas. Cabe añadir que, para hacer el estudio comparativo de todas las tecnologías involucradas, se empleó lo que se denominó el “Diseño del Experimento”, un procedimiento que se desarrolla a partir de la metodología propuesta.