Desarrollo de un sistema web y aplicación móvil para el apoyo a la gestión operativa de la recolección de residuos sólidos urbanos mediante análisis de incidencias ciudadanas georreferenciadas y Machine Learning en la ciudad de Quito

Abstract

El presente trabajo de integración curricular aborda la ausencia de herramientas tecnológicas en la Empresa Pública Metropolitana de Aseo (EMASEO EP) para estimar el nivel de severidad de los residuos sólidos urbanos acumulados en puntos estratégicos del Distrito Metropolitano de Quito. Dada la necesidad de hacer frente a dicha problemática, se elaboró MIC-EMASEO, el cual es un prototipo de sistema web y aplicación móvil que une las funcionalidades de los reportes georreferenciados de los ciudadanos con un pipeline de Machine Learning capaz de analizar las imágenes automáticamente. La forma de solucionarlo se fundamenta en una arquitectura de microservicios desarrollada con Node.js y Express, la cual está constituido por tres servicios que son independientes entre sí (autenticación, usuarios e imágenes/incidencias), en el caso de los ciudadanos, se ha implementado una aplicación móvil en React Native que permite realizar la suma de las acumulaciones de residuos basándose en la geolocalización automática de las fotografías. En relación con la parte operativa, el panel de gestión web en React hace visibles para los supervisores las incidencias e indicaciones de priorización. El componente de inteligencia artificial (RT-DETR-L v2, CLIP con backbone RN50 y MiDaS_small) procesa las imágenes usando Redis y Celery y clasifica la acumulación de residuos en uno de los cuatro niveles de severidad. Durante las pruebas de aceptación, el sistema cumplió satisfactoriamente los 16 requerimientos establecidos previamente y se mantuvo estable bajo una carga de 150 usuarios concurrentes y no presentó errores. El percentil 95 de latencia (5200 ms) es una señal de que esta métrica puede ser mejorada en futuras iteraciones. El estudio de usabilidad con 50 participantes dio como resultado una puntuación SUS de 80.4 (buena) y el personal de EMASEO EP consultado destacó de modo particular la utilidad de los mapas de calor y las estadísticas por sector como soporte operativo. El modelo de detección alcanzó en mAP@50 un valor de 0.8931. Estos resultados son coherentes con MIC-EMASEO como herramienta que entrega a los supervisores de EMASEO EP una predicción temprana y georreferenciada de la severidad de residuos, siendo un elemento que será beneficioso para su futura planificación operativa.