Uno de los problemas globales apremiantes son los residuos, ya que la urbanización acelerada y el crecimiento demográfico han llevado a una mayor generación de residuos. Se espera que los residuos del mundo sean más del doble a 3.4 mil millones de toneladas al año para el año 2050, y la mayoría de ellos se generan en países en desarrollo que carecen de la infraestructura para reciclar los residuos y en su lugar desvían recursos hacia su recolección.

La gestión adecuada de los residuos (reciclaje, conversión de residuos en energía, etc.) es beneficiosa desde el punto de vista ambiental, económico y sanitario, pero debe combinarse con políticas, tecnología y finanzas. La gestión inadecuada de los residuos contribuye significativamente a la contaminación ambiental, incluyendo la emisión de gases de efecto invernadero, la contaminación del suelo y la propagación de enfermedades resultantes de la acumulación de residuos en áreas urbanas. Muchas ciudades aún dependen de los métodos tradicionales de eliminación de residuos, como el vertido a cielo abierto, la incineración y los vertederos.

Los resultados de este estudio demuestran que el aprendizaje profundo, en particular los modelos basados en CNN, puede mejorar significativamente la clasificación de residuos al automatizar su segregación en categorías orgánicas e inorgánicas, además de categorizar doce tipos distintos de residuos. El modelo propuesto, basado en ResNet, superó a otras arquitecturas, alcanzando una precisión del 98,06 %, lo que lo convierte en el modelo de aprendizaje profundo más fiable para la clasificación automatizada de residuos. Sin embargo, a pesar de los prometedores resultados, es necesario reconocer los desafíos y limitaciones específicos, así como las oportunidades para una mayor optimización.

Un hallazgo clave de este estudio es la ventaja de las redes residuales más profundas, como ResNet, sobre arquitecturas menos profundas, como AlexNet, VGG16 y GoogleNet. La precisión de ResNet sugiere que los modelos más profundos con capas optimizadas de extracción de características son más eficaces para distinguir entre diversas categorías de residuos. Sin embargo, las redes más profundas mejoran el rendimiento y requieren mayores recursos computacionales, lo que dificulta la implementación en tiempo real en sistemas embebidos de bajo consumo o aplicaciones de gestión de residuos basadas en IoT. El trabajo futuro podría centrarse en modelos ligeros de aprendizaje profundo, como MobileNet o EfficientNet, que mantienen una alta precisión a la vez que reducen la sobrecarga computacional.

El estudio también destacó categorías específicas de residuos que se clasificaban erróneamente con frecuencia. Por ejemplo, el vidrio marrón a veces se confundía con residuos biológicos, mientras que el vidrio blanco y el verde se clasificaban erróneamente debido a su transparencia y propiedades reflectantes similares. Estos errores indican que la clasificación basada en la forma y el color por sí sola podría no ser suficiente para materiales muy similares. Una posible mejora es la integración de imágenes multiespectrales y sensores basados en materiales para diferenciar entre tipos de residuos según sus firmas espectrales o composición química, en lugar de solo sus características visuales. Estas técnicas se han explorado en la investigación sobre reciclaje industrial y gestión inteligente de residuos, y su incorporación a la clasificación basada en IA podría reducir significativamente las tasas de clasificación errónea.

El experimento de simulación en tiempo real en este estudio, donde 15 de las 16 imágenes de prueba se clasificaron correctamente, sugiere que el modelo es altamente aplicable para la implementación práctica. Sin embargo, los estudios futuros deberían probar el modelo utilizando sistemas de clasificación de residuos basados en video en vivo en lugar de confiar únicamente en la clasificación de imágenes estáticas.

En este estudio se utilizó un modelo no lineal de orden fraccional con un amortiguador Abel para describir la fluencia global del material de relleno a base de cenizas volantes de MSWI activado con álcali. El modelo simuló con éxito las etapas de fluencia de desaceleración, constante y aceleración bajo carga triaxial hasta una deformación axial total, s_total = 0,46-0,78 %, comparable a la de la roca blanda.

Se evalúa el efecto de la política municipal de demostración ECER en el control de residuos domésticos en China (2010-2020) mediante un modelo de diferencias en diferencias escalonadas. Los resultados muestran mejoras significativas en la eliminación y disposición de residuos, impulsadas por la inversión pública, los estilos de vida ecológicos y la innovación tecnológica.

Incluso con una precisión relativa, el modelo tiene dificultades para distinguir entre materiales visualmente similares, como vidrios y plásticos específicos, especialmente cuando varían las condiciones de iluminación o la oclusión. Además, se limita a considerar las propiedades específicas del material, ya que el enfoque se basa en imágenes RGB. En futuros estudios, sería útil investigar la combinación de imágenes multiespectrales o hiperespectrales con arquitecturas ligeras para su implementación en el borde. La incorporación de sensores basados en IoT y análisis de vídeo en tiempo real puede mejorar aún más la escalabilidad y el rendimiento en entornos urbanos dinámicos.

En conclusión, este estudio presenta un marco de clasificación inteligente de residuos utilizando redes neuronales convolucionales (CNN) para automatizar la segregación de residuos urbanos en doce categorías, abordando así el desafío crítico de la gestión ineficiente de residuos en ciudades inteligentes. Una alta precisión de clasificación del 98,16% fue alcanzada por el modelo propuesto basado en ResNet, que supera significativamente a los de otros modelos de aprendizaje profundo, como AlexNet, VGG16, GoogleNet y SqueezeNet. Con un buen preprocesamiento de datos, aumento de datos y ajuste de hiperparámetros, logró buena generalización y robustez práctica. La incorporación de filtros adaptativos y medidas de rendimiento, como precisión, recuperación y puntuación F1, demuestra aún más la validez del modelo en el manejo de diferentes tipos de residuos a través de diversos desafíos. Se demuestra a través de este estudio hacia la gestión sostenible de residuos al permitir la automatización, precisión y escalabilidad de las ciudades modernas.