Transfer learning-based method for automated ewaste recycling in smart cities

Resumen Técnico: Método Basado en Aprendizaje por Transferencia para el Reciclaje Automatizado de Residuos Electrónicos en Ciudades Inteligentes

Planteamiento del Problema
El artículo aborda el desafío crítico de gestionar el flujo de residuos electrónicos (e-waste) que crece rápidamente en el contexto de las ciudades inteligentes y la Economía Circular (CE). Los métodos tradicionales de clasificación de residuos son insuficientes para el volumen y la complejidad de los residuos electrónicos modernos, que contienen tanto materiales valiosos (p. ej., oro, cobre) como sustancias peligrosas (p. ej., mercurio, cadmio). La clasificación manual requiere mucha mano de obra, es propensa al error humano y es ineficiente. Los autores identifican la necesidad específica de sistemas de clasificación automatizados que puedan clasificar dispositivos con precisión para facilitar un reciclaje eficiente, reducir la toxicidad ambiental y recuperar recursos, apoyando así la transición hacia "ciudades inteligentes circulares" sostenibles.

Metodología
El estudio propone un enfoque basado en visión computacional utilizando Aprendizaje por Transferencia (Transfer Learning) para automatizar la clasificación de teléfonos inteligentes, utilizados aquí como un caso de estudio representativo para los residuos electrónicos. El flujo de trabajo técnico involucra los siguientes pasos:

• Construcción del Conjunto de Datos: Se curó manualmente un conjunto de datos personalizado a partir de Internet, que consta de 650 imágenes RGB que representan 12 modelos distintos de teléfonos inteligentes de 6 marcas (Acer, HTC, Huawei, Apple, LG, Samsung). Para asegurar la distinguibilidad, las imágenes se centraron en la parte posterior de los dispositivos, donde se encuentran características únicas como logotipos y lentes de cámara. Los datos se dividieron en un 80% para entrenamiento y un 20% para validación.
• Arquitectura del Modelo: Los autores emplearon AlexNet, una Red Neuronal Convolucional (CNN) preentrenada, originalmente entrenada en el conjunto de datos ImageNet (1 millón de imágenes, 1,000 etiquetas). En lugar de entrenar una red desde cero, lo que requiere conjuntos de datos masivos y recursos computacionales, el estudio utilizó el aprendizaje por transferencia.
  • Los pesos preentrenados de las primeras cinco capas (capas convolucionales y de agrupación) fueron congelados para retener las representaciones de características aprendidas.
  • Las tres capas finales (capas totalmente conectadas) fueron reemplazadas y reinicializadas para producir 12 clases correspondientes a los modelos específicos de teléfonos inteligentes.
• Aumento de Datos (Data Augmentation): Para abordar el tamaño reducido del conjunto de datos y prevenir el sobreajuste (overfitting), se aplicó un aumento de datos extensivo. Esto incluyó reflexiones aleatorias en X/Y, traslaciones, escalas (rango 0.9–1.1) y cizallamientos (rango de -50 a 50 píxeles). Este proceso expandió el conjunto de datos de 650 a 5,850 imágenes (un multiplicador de 9x).
• Configuración de Entrenamiento: La implementación se realizó en MATLAB R2020b utilizando una GPU (ASUS Nvidia GeForce RTX 2070S). Los parámetros de entrenamiento se optimizaron mediante la prueba de:
  • Optimizadores: Descenso de Gradiente Estocástico con Momento (SGDM), Adam y RMSProp.
  • Tasas de Aprendizaje: Se probaron varias tasas para encontrar la velocidad de convergencia óptima.
  • Tamaño de Lote (Batch Size): Establecido en 64.
  • Épocas: Un máximo de 30 con capacidades de parada temprana (early stopping).

Resultos Clave
El estudio evaluó el rendimiento del modelo ajustando el optimizador y la tasa de aprendizaje mientras se mantenía la base de aumento de datos. Los resultados indicaron:

• Rendimiento del Optimizador: Entre los optimizadores probados, SGDM produjo la mayor precisión. Adam y RMSProp mostraron un rendimiento inferior, con SGDM logrando una precisión media del 98.35% (± 2.0155), comparado con el 95.26% de Adam y el 93.20% de RMSProp.
• Tasa de Aprendizaje: Una tasa de aprendizaje de 3e-4 combinada con el optimizador SGDM proporcionó la mejor generalización y estabilidad.
• Precisión Final: El modelo optimizado alcanzó una precisión de aproximadamente el 98% en el conjunto de validación, demostrando una generalización efectiva a pesar del pequeño tamaño inicial del conjunto de datos.

Significancia y Reivindicaciones
El artículo sostiene que su contribución principal radica en demostrar la eficacia del aprendizaje por transferencia como una solución viable para la clasificación automatizada de residuos electrónicos, particularmente cuando no se dispone de grandes conjuntos de datos. Los autores argumentan que:

1. Eficiencia: El aprendizaje por transferencia reduce significativamente la carga computacional y el tiempo requeridos para diseñar una Red Neuronal en comparación con la construcción de una desde cero.
2. Precisión: El método propuesto reduce la tasa de error de la clasificación de residuos electrónicos en comparación con los procesos basados en humanos, logrando una alta precisión (aprox. 98%) con un conjunto de datos relativamente pequeño.
3. Escalabilidad para Ciudades Inteligentes: El enfoque apoya los objetivos más amplios de las Ciudades Inteligentes Circulares al permitir la digitalización en la gestión de residuos, lo que puede conducir a una mejor recuperación de recursos y un menor impacto ambiental.

Los autores mantienen una postura modesta, señalando que, si bien su método mejora la eficiencia de la clasificación, no es una solución independiente para la transición hacia una economía sostenible. Enfatizan que la clasificación automatizada debe verse como un componente de un sistema más grande, potencialmente integrado con robótica, IoT y minería de datos, en lugar de ser una tecnología de "efecto rebote" que reemplace la necesidad de cambios sistémicos en los modelos de negocio o el comportamiento del consumidor. El trabajo se presenta como un paso fundacional hacia un sistema de gestión de residuos electrónicos semiautomatizado que se está desarrollando en su Laboratorio de Economía Digital Circular.