Modelo matemático y sistema de clasificación automática mediante visión artificial para la clasificación de tornillos, tuercas y arandelas en residuos tecnológicos
Open Access
- 6 July 2026
- journal article
- Published by Revista Científica Multidisciplinar G-ner@ndo in Revista Científica Multidisciplinar G-NER@NDO
- Vol. 7 (2)
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.Keywords
This publication has 11 references indexed in Scilit:
- YOLO11 for High Accuracy Real‐Time Detection and Classification of Diverse E‐Waste Categories: Enhancing Recycling EfficiencyEngineering Reports, 2025
- Advancing e-waste classification with customizable YOLO based deep learning modelsScientific Reports, 2025
- Object detection models and active learning for improvement of e-waste collection management systems in KoreaWaste Management, 2025
- Detection of recyclable solid waste using convolutional neural networks and PyTorchIEEE Latin America Transactions, 2024
- A computer vision-based system for real-time component identification from waste printed circuit boardsJournal of Environmental Management, 2023
- Machine-learning-assisted classification of construction and demolition waste fragments using computer vision: Convolution versus extraction of selected featuresExpert Systems with Applications, 2023
- Nuts&bolts: YOLO-v5 and image processing based component identification systemEngineering Applications of Artificial Intelligence, 2022
- Vision-Based Detection and Classification of Used Electronic PartsSensors, 2022
- Analytical study of two feature extraction methods in comparison with deep learning methods for classification of small metal objectsVisual Computing for Industry, Biomedicine, and Art, 2022
- Computer vision for solid waste sorting: A critical review of academic researchWaste Management, 2022