Abstract
La acumulación masiva de residuos de aparatos eléctricos y electrónicos (RAEE) exige soluciones eficientes e innovadoras dentro de la ingeniería de reciclaje automatizado. Pero, la clasificación manual de componentes metálicos pequeños resulta lenta, subjetiva y propensa a errores por fatiga operaria, mientras que las arquitecturas de aprendizaje profundo demandan un elevado costo computacional. Para abordar esta problemática, el estudio tuvo como objetivo general evaluar y validar un modelo matemático-computacional de visión artificial fundamentado en la extracción de un vector característico continuo en R¹⁷ y la comparación entre clasificadores de proximidad (KNN, k=3) y de margen máximo no lineal (SVM-RBF, C=10, γ=scale) para la automatización de la clasificación multiclase de tornillos, tuercas y arandelas en residuos tecnológicos, demostrando la superioridad de SVM-RBF al alcanzar un accuracy del 97,33 % y un F1 macro del 97,85 % con significación estadística χ^2 10,3214,p = 0,0013). La metodología contempló una población analítica de N=3.145 objetos procesados mediante un pipeline riguroso de extracción de 17 variables distribuidas en subespacios de delimitación espectral, topología de contorno y momentos invariantes de Hu, estandarizadas por puntuación Z y validadas mediante intervalos Bootstrap al 95 % y la prueba de McNemar. Los resultados evidenciaron que SVM-RBF superó significativamente a KNN (accuracy global de 97,33 % vs. 94,33 %; F1 macro de 97,85 % vs. 94,89 %), logrando además un 100 % de precisión perfecta en la discriminación de arandelas. Por tal razón, la representación vectorial unificada en R¹⁷ junto a SVM-RBF ofrece un marco geométrico ligero, interpretable y riguroso, idóneo para su despliegue en sistemas embebidos de reciclaje industrial.

This publication has 11 references indexed in Scilit: