Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

Resumen Técnico: Clasificación Eficiente de Residuos para la Economía Circular

Planteamiento del Problema
La transición hacia una Economía Circular se ve obstaculizada por la complejidad de las regulaciones de eliminación de residuos, que varían significativamente entre los municipios europeos. En Alemania, por ejemplo, los requisitos de clasificación difieren no solo entre los estados federados, sino también entre los distritos individuales. Esta heterogeneidad dificulta que los residentes dispongan de los residuos correctamente, lo que conduce a altas tasas de contaminación (por ejemplo, hasta el 30% de los residuos plásticos en Alemania se desechan incorrectamente) y un aumento en los costes de tratamiento. Si bien las aplicaciones móviles basadas en IA ofrecen una solución potencial al guiar a los residentes, los sistemas existentes suelen carecer de la configurabilidad necesaria para adaptarse a los esquemas de clasificación locales específicos. Además, los enfoques estándar de clasificación multiclase presentan dificultades con la modularidad; adaptar un modelo a nuevas regulaciones suele requerir un reentrenamiento completo. Adicionalmente, existe la necesidad de equilibrar el rendimiento predictivo con el esfuerzo de anotación humana, específicamente mediante la identificación de muestras inciertas para la revisión humana sin un exceso de trabajo manual.

Metodología
Los autores evaluaron y compararon dos estrategias de clasificación prominentes: One-vs-All (OvA) y One-vs-Rest (OvR), utilizando un conjunto de datos alineado con el esquema de gestión de residuos de Goslar, Alemania.

• Construcción del Conjunto de Datos: El estudio utilizó un conjunto de datos de gestión de seis clases construido mediante la fusión y el mapeo de imágenes de los conjuntos de datos TACO y TrashNet hacia un marco local. Las categorías finales incluyeron Residuos Orgánicos, Residuos de Papel, Residuos de Plástico y Metal, Centro de Reciclaje, Vidrio y Residuos Residuales. El conjunto de datos fue estratificado en 18.515 imágenes de entrenamiento, 2.000 de validación y 2.000 de prueba.
• Estrategia OvA: Se construyó un clasificador multiclase único utilizando un backbone InceptionV3 preentrenado (ImageNet) con capas personalizadas de Global Average Pooling, Fully Connected (FC) y Dropout. La capa de salida utilizó una función de activación Softmax para generar una distribución de probabilidad normalizada a través de las seis clases.
• Estrategia OvR: Se entrenaron seis clasificadores binarios independientes, uno para cada clase objetivo. Cada clasificador utilizó el mismo backbone e arquitectura InceptionV3, pero empleó una función de activación Sigmoide para su neurona de salida única. Las muestras positivas para un clasificador específico fueron instancias de la clase objetivo, mientras que las muestras negativas consistieron en todas las demás clases.
• Análisis Guiado por Confianza: Para abordar la compensación entre las tasas de error de clasificación y el esfuerzo de anotación humana, los autores aplicaron umbrales de confianza variables. Las muestras de prueba se categorizaron en cuatro grupos basados en las probabilidades de predicción:
  1. Alta Confianza (Grupo 1): Una clase con $p \ge 0.95$.
  2. Voto Único (Grupo 2): Una clase con $0.50 < p < 0.95$.
  3. Multi-Voto (Grupo 3): Múltiples clases con $0.50 < p < 0.95$ (exclusivo de OvR).
  4. Sin Voto (Grupo 4): Todas las clases con $p \le 0.50$.

Resultos Clave

• Precisión General: La estrategia OvA logró una precisión general ligeramente superior, clasificando erróneamente 49 imágenes frente a las 54 de la estrategia OvR.
• Patrones de Error: Solo 29 imágenes fueron clasificadas erróneamente de forma común por ambas estrategias, lo que indica patrones de error distintos para cada enfoque.
• Identificación de la Incertidumbre:
  • OvA: La estrategia tuvo dificultades para identificar muestras inciertas. El Grupo 3 no contenía muestras (ya que las probabilidades suman 1), y el Grupo 4 contenía solo 2 muestras (ambas clasificadas erróneamente). En consecuencia, el enfoque en los Grupos 3 y 4 capturó solo ~4% de las clasificaciones erróneas. Los errores de alta confianza (Grupo 1) fueron difíciles de detectar, con 27 muestras clasificadas erróneamente que se "perdieron" debido a las altas probabilidades predichas.
  • OvR: Esta estrategia demostró una capacidad superior para señalar muestras inciertas. El Grupo 3 (Multi-Voto) y el Grupo 4 (Sin Voto) contenían una concentración significativa de errores. Específicamente, centrarse en los Grupos 3 y 4 permitió la identificación de más del 50% de las clasificaciones erróneas requiriendo la anotación humana de menos del 5% de los datos totales. Centrarse únicamente en el Grupo 4 identificó más del 35% de las clasificaciones erróneas con menos del 2.5% de esfuerzo de anotación.

Significancia y Reivindicaciones
El artículo sostiene que, si bien la estrategia OvA ofrece una precisión bruta ligeramente mejor para la clasificación de residuos multiclase, la estrategia OvR es superior para el refinamiento iterativo del modelo y la adaptabilidad. La significancia del trabajo radica en demostrar que OvR:

1. Mejora la Modularidad: Permite la adición o eliminación selectiva de categorías de residuos (por ejemplo, para cumplir con nuevas regulaciones municipales) sin necesidad de reentrenar todo el sistema.
2. Optimiza los Esfuerzos de Human-in-the-Loop: Proporciona un mecanismo más efectivo para identificar muestras inciertas para la revisión humana, reduciendo significativamente el esfuerzo de anotación necesario para corregir una gran parte de los errores.
3. Apoya los Objetivos de la Economía Circular: Al ofrecer un marco configurable que puede adaptarse a las regulaciones locales descentralizadas, el enfoque OvR apoya el despliegue de herramientas escalables y fáciles de usar para la clasificación de residuos.

Los autores concluyen que el trabajo futuro debería explorar marcos de ensamble que combinen ambas estrategias para aprovechar sus fortalezas complementarias e investigar umbrales adaptativos como hiperparámetros.