Análisis de Desempeño de Diferentes Arquitecturas de Redes Neuronales Convolucionales (CNN) para Clasificación Automática de Desechos Sólidos
Resumen
El rápido aumento en la generación de residuos sólidos ha dado lugar a gigantescos desafíos medioambientales, algunas de las razones son: el crecimiento de la población, el consumo masivo y las prácticas poco adecuadas de gestión de residuos. Es necesario abordar estos problemas para lograr un desarrollo sostenible y una economía circular. Los métodos tradicionales de gestión de residuos han quedado obsoletos y se necesitan soluciones innovadoras que incorporen tecnologías con inteligencia artificial. Este trabajo describe la clasificación automática de residuos sólidos basada en arquitecturas CNN con alta precisión y eficiencia en la clasificación en tiempo real. Se evalúan varias arquitecturas de CNN, VGG16-BN, ResNet50, Inception V3, Xception y MobileNetV3 Large, entre los materiales de desechos están plástico, vidrio, metal, cartón y papel. Los resultados muestran que MobileNetV3 Large FT es la arquitectura más eficaz, alcanzando la mayor precisión con un 96.89% y la menor pérdida con un 10.87%, destacando tanto en precisión de clasificación como en eficiencia computacional. Este trabajo pone de relieve hasta qué punto los modelos de IA basados en CNN pueden contribuir a mejorar la clasificación de residuos, reduciendo los errores humanos y ayudando potencialmente a mantener la sostenibilidad medioambiental.
Descargas
Citas
Atienza, Rowel. (2020). Advanced Deep Learning with TensorFlow 2 and Keras (J. Gonsalves, Dr. I. Hough, & K. Sonawane, Eds.; Second Edition). Packt Publishing. https://www.packtpub.com/en-us/product/advanced-deep-learning-with-tensorflow-2-and-keras-9781838821654
Ayyadevara, K., & Reddy, Y. (2020). Modern Computer Vision with PyTorch: Explore deep learning concepts and implement over 50 real-world image applications (S. Shetty, S. Mandal, J. Sunil, R. Kumar, M. Kurup, & S. Editing, Eds.; First edition). Packt Publishing Ltd. https://www.packtpub.com/en-us/product/modern-computer-vision-with-pytorch-9781839213472
Bianco, S., Cadene, R., Celona, L., & Napoletano, P. (2018). Benchmark Analysis of Representative Deep Neural Network Architectures. IEEE Access, 4, 8. https://doi.org/10.1109/ACCESS.2017.DOI
Bischl, B., Binder, M., Lang, M., Pielok, T., Richter, J., Coors, S., Thomas, J., Ullmann, T., Becker, M., Boulesteix, A.-L., Deng, D., & Lindauer, M. (2021). Hyperparameter Optimization: Foundations, Algorithms, Best Practices and Open Challenges. https://doi.org/10.1002/widm.1484
Chollet, F. (2021). Deep Learning with Python (J. Stout, Ed.; Second). Manning Publications.
Da, E., Puls, S., Todescato, M. V, & Carbonera, J. L. (2023). AN EVALUATION OF PRE-TRAINED MODELS FOR FEATURE EXTRACTION IN IMAGE CLASSIFICATION. 32. https://doi.org/10.48550
Dawani, Jay. (2020). Hands-on mathematics for deep learning : build a solid mathematical foundation for training efficient deep neural networks (S. Shetty, A. Abidi, A. Sapuni, R. Kumar, M. Kurup, & S. Editing, Eds.). Packt Publishing. https://www.packtpub.com/en-us/product/hands-on-mathematics-for-deep-learning-9781838647292
Elgendy, Mohamed. (2020). Deep Learning for Vision Systems (J. Stout, A. Couniot, I. Martinovié, L. Weidert, & T. Taylor, Eds.; 1st edition). Manning Publications. https://www.manning.com/books/deep-learning-for-vision-systems
Ilievski, I., Akhtar, T., Feng, J., & Shoemaker, C. A. (2017). Efficient Hyperparameter Optimization of Deep Learning Algorithms Using Deterministic RBF Surrogates. Proceedings of the AAAI Conference on Artificial Intelligence, 31, 8. https://doi.org/10.1609/aaai.v31i1.10647
Koul, A., Ganju, S., & Kasam, M. (2019). Practical Deep Learning for Cloud, Mobile, & Edge Real-World AI and Computer-Vision Projects Using Python, Keras, and TensorFlow (R. Roumeliotis, N. Tache, & C. Faucher, Eds.; First Edition). O’Reilly Media. http://oreilly.com
Kunwar, S. (2023). MWaste: A Deep Learning Approach to Manage Household Waste. https://doi.org/10.20944/preprints202304.0066.v1
Morales M. (2020). Grokking Deep Reinforcement Learning (J. Stout, A. Krinker, I. Martinovié, & K. Petito, Eds.; First Edition). Manning Publications Co.
Narayan, Y. (2021, January 15). DeepWaste: Applying Deep Learning to Waste Classification for a Sustainable Planet. V 34th Conference on Neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada. https://doi.org/10.48550/arXiv.2101.05960
Novello, P., Poëtte, G., Lugato, D., & Congedo, P. M. (2023). Goal-Oriented Sensitivity Analysis of Hyperparameters in Deep Learning. Journal of Scientific Computing, 94. https://doi.org/10.1007/s10915-022-02083-4
Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep Learning with PyTorch (Simon and Schuster, Ed.; First Edition). Manning.
White, G., Cabrera, C., Palade, A., Li, F., & Clarke, S. (2020). WasteNet: Waste Classification at the Edge for Smart Bins. 8. https://doi.org/10.48550/arXiv.2006.05873
Derechos de autor 2025 Jhonny Darwin Ortiz Mata, Xiomara Jael Oleas Velez, David Elías Dager López , Marcia Maribel Moyolema Amboya

Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.