Cristhian Geovanny Villamarin Arroba

La gestión sostenible de residuos sólidos urbanos enfrenta desafíos importantes debido a la escasa eficiencia de los procesos de clasificación manual y la baja tasa de recuperación de materiales reciclables. Este estudio tuvo como objetivo evaluar la efectividad de un modelo de visión artificial basado en la arquitectura You Only Look Once (YOLOv8) para la identificación y clasificación automatizada de residuos. La metodología comprendió el procesamiento de una versión optimizada del conjunto de datos TrashNet, conformada por 2.390 imágenes tras un riguroso proceso de depuración y balanceo. El dataset se categorizó en cinco clases fundamentales: cartón, papel, plástico, metal y vidrio. Se emplearon técnicas de transferencia de aprendizaje (transfer learning) y segmentación estratificada para garantizar la robustez del entrenamiento en un entorno de computación de alto rendimiento. Los resultados experimentales demostraron un desempeño superior, alcanzando una exactitud global de 0,94 en el conjunto de validación. Las métricas de precisión, sensibilidad y F1-score evidenciaron una alta consistencia interclase, manteniendo la estabilidad operativa frente a variaciones de iluminación y ruido visual. En la fase de discusión e impacto, se validó la aplicabilidad tecnológica mediante el despliegue del modelo en aplicaciones funcionales de escritorio y entorno web. Estas herramientas permitieron el procesamiento en tiempo real sin dependencia de servidores externos, lo que facilitó la descentralización del monitoreo ambiental. Se concluye que la integración de redes neuronales convolucionales de una sola etapa representa una solución escalable y de bajo costo computacional, con un potencial significativo para transformar los sistemas de economía circular y optimizar la recuperación de recursos en contextos urbanos e industriales.