Resumen:La clasificación eficiente de residuos es crucial para permitir prácticas de economía circular y recuperación de recursos en ciudades inteligentes. Este artículo evalúa tanto el aprendizaje automático tradicional (Random Forest, SVM, AdaBoost) como las técnicas de aprendizaje profundo, incluidas CNN personalizadas, VGG16, ResNet50 y tres modelos de aprendizaje por transferencia (DenseNet121, EfficientNetB0, InceptionV3) para la clasificación binaria de 25 077 imágenes de desechos (división de tren/prueba 80/20, aumentadas y redimensionadas a 150×150 px). El artículo evalúa el impacto del Análisis de Componentes Principales para la reducción de dimensionalidad en modelos tradicionales. DenseNet121 logró la mayor precisión (91 %) y ROC-AUC (0,98), superando al mejor clasificador tradicional por 20 pp. El análisis de componentes principales (PCA) mostró un beneficio insignificante para los métodos clásicos, mientras que el aprendizaje por transferencia mejoró sustancialmente el rendimiento en condiciones de datos limitados. Finalmente, describimos cómo estos modelos se integran en un sistema de soporte de decisiones basado en datos en tiempo real para la clasificación automatizada de residuos, destacando las posibles reducciones en el uso de vertederos y los impactos ambientales del ciclo de vida).
Publicado originalmente en export.arxiv.org el 1 de febrero de 2026.
Ver fuente original
