Eficiencia de la visión artificial con IA en clasificación de plásticos y otros frente a métodos tradicionales

Abstract

Este trabajo presenta una metodología innovadora para la clasificación automática de botellas y botellones de vidrio, basada en un enfoque híbrido que combina técnicas de inteligencia artificial con procesamiento clásico de imágenes. Se comparan los métodos tradicionales con modelos avanzados, logrando una alta precisión y tiempos mínimos de inferencia por imagen. Mediante un diseño experimental riguroso, se evaluaron cuatro metodologías: ResNet50, ClassBotM (red neuronal personalizada), detección de bordes con OpenCV y análisis morfológico en MATLAB. El conjunto de datos incluyó más de 2.000 imágenes, enriquecidas mediante técnicas de aumento de datos. Los resultados evidencian que, si bien los métodos clásicos funcionan adecuadamente en entornos controlados, presentan limitaciones frente a variaciones de iluminación, perspectiva y oclusión. En cambio, ClassBotM mostró mayor robustez y adaptabilidad. La innovación principal radica en la arquitectura optimizada de la red neuronal, diseñada con 244 filtros y kernels estratégicos, e integrada con técnicas de regularización como dropout del 20 % y normalización por lotes. Esta configuración permite maximizar la precisión y reducir los requerimientos computacionales, facilitando su implementación en tiempo real. Más allá del ámbito académico, la propuesta ofrece una solución escalable para la automatización en la industria del reciclaje y la gestión de residuos. La capacidad de ClassBotM para discriminar con precisión distintos tipos de envases de vidrio constituye un avance significativo para la recuperación de materiales, impulsando economías circulares más eficientes y fortaleciendo la transición hacia la industria 4.0.