Revisión sistemática de enfoques de inteligencia artificial para la clasificación automatizada de residuos sólidos

La gestión de residuos se está convirtiendo en un desafío global cada vez más crítico debido a la rápida urbanización, el crecimiento de la población y el desarrollo económico. Según el Banco Mundial, se proyecta que la generación global de residuos aumentará drásticamente y alcanzará hasta 3.4 mil millones de toneladas para 2050, lo que representaría un aumento significativo de 2.1 mil millones de toneladas en 2023.
A nivel mundial, más del 43% de los residuos sólidos se gestionan incorrectamente a través de la incineración, la quema a cielo abierto, el vertido ilegal y el enterramiento no regulado, lo que contribuye a graves riesgos ambientales y de salud pública.
Las malas prácticas de gestión de residuos y el rápido aumento en la producción de residuos no solo conducen a la contaminación ambiental, sino que también imponen desafíos económicos y relacionados con la salud sustanciales, particularmente en las regiones en desarrollo.
Sin embargo, los enfoques tradicionales de clasificación manual enfrentan varias limitaciones clave. Estas limitaciones incluyen procesos que requieren mucho tiempo y mano de obra y que involucran a humanos para la categorización de residuos. Este proceso también incluye errores humanos e inconsistencias en la clasificación, y puede generar riesgos para la salud de los trabajadores que manipulan materiales peligrosos. Por ejemplo, el Programa de las Naciones Unidas para el Medio Ambiente (PNUMA) estima que la manipulación manual de residuos contribuye al 15-20% de las lesiones laborales en el sector del reciclaje.
Investigaciones recientes muestran que los sistemas manuales de clasificación de residuos pueden clasificar de 30 a 40 artículos reciclables por minuto, mientras que los mecanismos de clasificación impulsados por IA pueden clasificar hasta 160 artículos por minuto, lo que ofrece una mejora de 4 a 5 veces en escenarios del mundo real.
Esta revisión sistemática de la literatura (SLR) explora el papel de la inteligencia artificial (IA), en particular el aprendizaje automático (ML) y el aprendizaje profundo (DL), en la automatización de la clasificación de residuos. Utilizando las directrices de Kitchenham y PRISMA, analizamos más de 97 estudios, categorizando las técnicas basadas en IA en modelos basados en ML, DL e híbridos. Además, presenta una revisión exhaustiva de más de quince conjuntos de datos de clasificación de residuos disponibles públicamente, destacando limitaciones clave como el desequilibrio de los conjuntos de datos, la variabilidad en el mundo real y los problemas de estandarización. El análisis revela que el aprendizaje profundo y los enfoques híbridos dominan el panorama de investigación actual, con la arquitectura basada en las redes neuronales convolucionales (CNN) y las técnicas de aprendizaje por transferencia mostrando resultados particularmente prometedores.
Para guiar los avances futuros, este estudio también propone una hoja de ruta estructurada que organiza los desafíos y las oportunidades en prioridades a corto, mediano y largo plazo. Esta hoja de ruta integra información sobre la precisión del modelo, la eficiencia del sistema y los objetivos de sostenibilidad para facilitar la implementación práctica de sistemas de clasificación de residuos basados en IA. Este trabajo proporciona a los investigadores una comprensión integral del estado del arte del aprendizaje automático y el aprendizaje automático para la clasificación de residuos y ofrece perspectivas sobre áreas aún inexploradas.
Mediante el análisis de 97 artículos de investigación de fuentes reconocidas como Web of Science, IEEE y Science Direct, este estudio ha revelado los avances significativos y el estado actual de la clasificación de residuos impulsada por IA. La revisión ha recopilado más de quince conjuntos de datos de referencia relevantes para la clasificación de residuos, ofreciendo recursos valiosos para los investigadores en este ámbito. Sin embargo, el análisis también destaca que muchos de estos conjuntos de datos presentan limitaciones, como desequilibrio de clases, inconsistencias en las anotaciones y falta de diversidad ambiental, que pueden provocar un rendimiento inconsistente al aplicar la misma técnica de IA en diferentes conjuntos de datos, lo que en última instancia afecta la generalización y la fiabilidad del modelo. Además, el análisis comparativo de varias técnicas de IA muestra que los modelos de aprendizaje profundo (72,67 %) y los enfoques híbridos (10,47 %) dominan el panorama de investigación actual, mientras que el aprendizaje supervisado tradicional (15,1 %) y el aprendizaje no supervisado (1,74 %) aún desempeñan papeles significativos en contextos específicos.
El estudio también destaca que, si bien las arquitecturas basadas en las redes neuronales convolucionales (CNN) demuestran un rendimiento sólido, especialmente cuando se mejoran con aprendizaje por transferencia, los modelos híbridos emergentes que combinan múltiples enfoques computacionales a menudo alcanzan las tasas de precisión más altas, que con frecuencia superan el 95 %. Esta revisión también identifica varios desafíos y limitaciones persistentes en los enfoques existentes, incluido el desequilibrio de datos, la variabilidad ambiental y las limitaciones de recursos computacionales, especialmente para escenarios de implementación en tiempo real y en el borde. Para abordar estos problemas, se ha propuesto una hoja de ruta de investigación estructurada, que categoriza las direcciones futuras en prioridades a corto, mediano y largo plazo. Esta hoja de ruta enfatiza las mejoras en la precisión de la clasificación, la eficiencia del modelo y la implementación sostenible de la IA en sistemas inteligentes de gestión de residuos. Los hallazgos exhaustivos presentados en esta revisión mejoran la comprensión actual de las aplicaciones de IA en la gestión de residuos y sirven como una valiosa referencia para futuras investigaciones que exploren marcos de clasificación de residuos innovadores, eficientes y escalables.
[Este contenido procede de MDPI Lee el original aquí]