💻 computer science

MSF-TrashDet: A Lightweight Multi-Scale Feature Fusion Network for Automatic Waste Object Detection Using the TrashNet Dataset

Este artículo propone MSF-TrashDet, una red de fusión de características multiescala ligera que utiliza un novedoso bloque de Mejora de Características Multiescala y la poda de canales estructurada para lograr una detección de objetos de basura eficiente y de alta precisión en el conjunto de datos TrashNet, superando a modelos de vanguardia como YOLOv5n, YOLOv8n y YOLOv11n con un 91.91% de mAP50 mientras mantiene una baja complejidad computacional.

Autores originales: Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

Publicado 2026-07-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tao Yanfen, Lei Lijuan, Gao Yousheng, Fan Dongdong, Mei Pengfei

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a clasificar una pila desordenada de juguetes. Algunos juguetes son enormes, otros son diminutos, algunos están ocultos bajo una manta y la iluminación de la habitación cambia constantemente. Este es el desafío diario para las computadoras que intentan "ver" y clasificar la basura en el mundo real. Este campo, conocido como visión artificial, se basa en el aprendizaje profundo —piensa en ello como un cerebro digital que aprende mirando miles de ejemplos hasta que reconoce patrones. El objetivo es construir un sistema que no solo sea lo suficientemente inteligente como para distinguir una lata de refresco de una bolsa de plástico, sino también lo suficientemente pequeño y rápido como para ejecutarse en un chip sencillo dentro de un contenedor de reciclaje, en lugar de necesitar una supercomputadora masiva y voraz en consumo de energía. Si logramos hacer esto bien, podemos automatizar la tarea aburrida y sucia de clasificar los desechos, haciendo que nuestras ciudades sean más limpias y nuestros recursos sean reutilizables sin depender de trabajadores humanos para hurgar entre la basura.

Entran en escena los investigadores de la Universidad Vocacional de Jiujiang, quienes han construido un nuevo cerebro digital diseñado específicamente para este trabajo desordenado. Llaman a su creación MSF-TrashDet. Piensa en el software estándar de detección de residuos como un par de gafas que solo tiene un ajuste de enfoque; podría ver claramente la basura grande pero perder de vista los trozos diminutos, o podría confundirse cuando un trozo de basura está parcialmente oculto. Los autores se dieron cuenta de que los modelos "ligeros" existentes (aquellos pequeños y rápidos destinados a dispositivos periféricos) eran demasiado simples para manejar el caos de la basura del mundo real, mientras que los modelos súper precisos eran demasiado pesados para caber en un dispositivo pequeño.

Para resolver esto, el equipo diseñó una red que actúa como un detective con tres lupas diferentes al mismo tiempo. Introdujeron una herramienta especial llamada bloque de Mejora de Características Multiescala (MSFE). Imagina mirar una pila de hojas: una lente se acerca para ver las diminutas venas de una sola hoja, otra ve la forma de la hoja completa, y una tercera ve cómo la hoja encaja en la rama entera. El bloque MSFE hace exactamente esto con la basura, utilizando diferentes vistas "dilatadas" (estiradas) para capturar todo, desde un envoltorio arrugado hasta una caja de cartón grande, incluso si está parcialmente oculta. También utiliza un sistema de "peso dinámico", que es como un asistente inteligente que decide: "Oye, esta parte de la imagen parece una botella, así que me enfocaré allí", mientras ignora el ruido de fondo confuso.

Pero ser inteligente no es suficiente; el modelo también necesitaba ser pequeño. Los investigadores reemplazaron las partes pesadas y lentas de la "columna vertebral" (su estructura principal) de la red por un diseño más ligero y eficiente llamado ShuffleNetV2. Esto es como reemplazar un camión de reparto pesado y lento por una motoneta eléctrica ágil y rápida que puede zigzaguear por el tráfico con la misma eficacia. Para hacerlo aún más esbelto, utilizaron una técnica llamada poda de canales estructurada. Puedes pensar en esto como un proceso de edición riguroso donde se le pide al modelo que identifique cuáles de sus "músculos" internos (canales neuronales) están trabajando más y cuáles simplemente están descansando. Cortaron los que estaban perezosos, reduciendo el tamaño del modelo sin perder su fuerza.

Los resultados de sus experimentos en el conjunto de datos TrashNet (una colección pública de imágenes de basura) son bastante impresionantes. Antes de cualquier recorte, el modelo ya era fuerte, pero tras su proceso de poda, el modelo final MSF-TrashDet es increíblemente eficiente. Contiene solo 1.93 M (millones) de parámetros y requiere solo 5.00 GFLOPs (giga operaciones de punto flotante) para ejecutarse. A pesar de ser tan pequeño, logró una precisión de detección (mAP50) del 91.91%.

Los autores compararon su creación contra varios otros modelos ligeros populares como YOLOv5n, YOLOv8n y YOLOv11n. Sus datos sugieren que MSF-TrashDet supera a estos competidores, ofreciendo un mejor equilibrio entre velocidad y precisión. Por ejemplo, mientras que otros modelos podrían tener más parámetros o requerir más potencia de cómputo para alcanzar niveles de precisión similares, este nuevo modelo logra ser tanto más pequeño como más preciso. Los investigadores también realizaron "estudios de ablación", que son como desarmar la máquina pieza por pieza para ver qué sucede. Encontraron que eliminar cualquiera de sus tres innovaciones principales (el bloque multiescala, la columna vertebral ligera o la cabeza de fusión especial) hacía que el modelo fuera menos preciso, demostrando que cada parte de su diseño es necesaria.

Sin embargo, los autores advierten cuidadosamente que sus hallazgos se basan en un conjunto de datos específico y que el modelo actualmente maneja imágenes estáticas (fotos fijas). Todavía no predice cómo se acumula la basura con el tiempo ni trabaja con transmisiones de video en vivo de una manera que rastree el movimiento. Sugieren que el trabajo futuro podría añadir estas características basadas en el tiempo para ayudar con una planificación urbana más inteligente. Por ahora, sin embargo, MSF-TrashDet es una solución muy prometedora y altamente eficiente que sugiere que, de hecho, podemos construir un clasificador robótico que sea tanto inteligente como lo suficientemente pequeño como para caber en un contenedor de reciclaje.

Resumen Técnico: MSF-TrashDet

Planteamiento del Problema

La rápida aceleración de la urbanización e industrialización ha provocado un aumento drástico de los residuos sólidos municipales, creando una presión significativa sobre la gobernanza ecológica y la gestión de residuos. La clasificación manual tradicional es ineficiente, costosa y plantea riesgos para la salud. Si bien la detección de objetos basada en aprendizaje profundo ofrece una solución, la aplicación de modelos convencionales a la detección de residuos en el mundo real presenta desafíos específicos:

Variabilidad de los Objetivos: Los objetos de desecho exhiben diferencias drásticas en escala, textura y ángulos de colocación.
Complejidad Ambiental: La detección se ve frecuentemente interferida por fondos desordenados, iluminación desigual y oclusión de los objetivos.
Restricciones de Despliegue: Los modelos de alta precisión suelen contener parámetros excesivos y una carga computacional elevada, lo que los hace inadecuados para dispositivos periféricos (edge devices) con recursos limitados. Por el contrario, los modelos ligeros existentes suelen sufrir de una extracción de características multiescala insuficiente y una robustez débil, lo que conduce a la pérdida de detección de escombros pequeños o fragmentados.

Metodología

Los autores proponen MSF-TrashDet, una red de fusión de características multiescala ligera construida sobre la base de YOLO11n. La arquitectura está diseñada para equilibrar la precisión de detección con la eficiencia computacional para el despliegue en el borde. El marco incorpora tres mejoras técnicas principales:

1. Backbone Ligero (Integración de ShuffleNetV2)

Para reducir la complejidad computacional, los módulos originalmente intensivos en computación en el backbone de YOLO11n se reemplazan con unidades ShuffleNetV2. Esta sustitución utiliza operaciones de división de canales, convolución de profundidad (depthwise convolution) y barajado de canales (channel shuffling). Estos mecanismos eliminan las multiplicaciones de matrices redundantes durante la extracción de características, reduciendo significamente el recuento de parámetros y los GFLOPs, manteniendo al mismo tiempo capacidades estables de extracción de características para diversas texturas de desechos y formas irregulares.

2. Bloque de Mejora de Características Multiescala (MSFE)

Un novedoso bloque MSFE se integra en la sección del cuello (neck) de la red para abordar la débil extracción de características en objetivos multiescala y ocluidos. El bloque emplea tres estrategias complementarias:

Ramas Paralelas de Multi-Dilatación: Tres ramas de convolución paralelas con tasas de dilatación de $d=\{1, 2, 3\}$ capturan texturas locales, contornos de rango medio y contextos globales de gran escala, respectivamente.
Adaptación de Peso Dinámica: En lugar de pesos de fusión fijos, un generador ligero utiliza el promedio global (global average pooling) y la activación Sigmoid para producir coeficientes de fusión adaptativos a los datos. Esto permite que el modelo asigne mayores pesos a las ramas que coinciden con la escala real del objetivo de desecho, mientras suprime las características de escala irrelevantes causadas por el desorden.
Conexiones Residuales de División de Canales: Los canales de entrada se dividen; una parte se somete al procesamiento multiescala, mientras que la otra se preserva como una rama residual. Esto asegura que los detalles finos de baja escala (cruciales para desechos diminutos y fragmentados) no se pierdan durante el re-muestreo repetido.

3. Cabezal de Fusión Espacial Adaptativa (ASFF)

El cabezal de detección estándar se reemplaza con un módulo ASFF para resolver los desajustes de escala inherentes en las redes tradicionales de pirámide de características. A diferencia de la simple concatenación, el ASFF aprende pesos adaptativos por píxel para los mapas de características de diferentes niveles (Nivel 1, 2 y 3). Este mecanismo filtra dinámicamente la interferencia de características de escala cruzada inválidas, suprimiendo el ruido de escalas desajustadas y mejorando la detección de desechos pequeños, parcialmente ocluidos y densamente apilados.

4. Poda de Canales Estructurada

Para optimizar aún más el modelo para el despliegue en el borde, se aplica una estrategia de poda de canales estructurada post-procesamiento. Esto implica un entrenamiento disperso donde los factores de escala de la Normalización por Lote (Batch Normalization) se restringen para acercarse a cero. Los canales con factores de escala bajos se identifican como redundantes y se eliminan. El modelo podado se ajusta posteriormente para recuperar cualquier degradación menor en el rendimiento.

Contribuciones Clave

Diseño de Arquitectura: El desarrollo de MSF-TrashDet, que integra ShuffleNetV2, un bloque MSFE personalizado y ASFF en un marco unificado de YOLO11n.
Bloque MSFE Novedoso: La introducción de un módulo que combina convoluciones dilatadas, generación de peso dinámico y residuales de división de canales para mejorar la representación de características multiescala sin una carga computacional significativa.
Estrategia de Optimización: La aplicación de la poda de canales estructurada para comprimir el modelo manteniendo una alta precisión de detección, apuntando específicamente al 60% de la tasa de poda como el punto de equilibrio óptimo.
Evaluación Exhaustiva: Estudios de ablación extensos y comparaciones contra detectores de vanguardia (incluyendo YOLOv5n, YOLOv8n, YOLOv11n, SSD, RetinaNet y modelos basados en Transformer) en el conjunto de datos TrashNet.

Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos TrashNet (dividido en 70:20:10 para entrenamiento, validación y prueba) utilizando un marco de trabajo PyTorch.

Rendimiento vs. Complejidad: El modelo final podado de MSF-TrashDet logra un 91.91% de mAP50 con solo 1.93 millones de parámetros y 5.00 GFLOPs.
Comparación: El modelo propuesto supera a varios detectores ligeros de vanguardia (YOLOv5n, YOLOv8n, YOLOv11n) y a modelos pesados de dos etapas o basados en Transformer en términos de la relación precisión-eficiencia. Por ejemplo, supera a YOLOv5n (89.29% mAP50, 2.64M parámetros) y YOLOv8n (89.86% mAP50, 3.15M parámetros) utilizando menos parámetros y menos computación.
Estudio de Ablación: La adición del bloque MSFE, el backbone ShuffleNetV2 y el cabezal ASFF de forma individual y colectiva demostró mejoras incrementales en la precisión y el mAP50.
Impacto de la Poda: Con una tasa de poda del 60%, el modelo alcanzó el equilibrio óptimo, reduciendo los parámetros de 2.67M a 1.93M y los GFLOPs de 7.30 a 5.00, con un ligero aumento en el mAP50 de 90.79% a 91.91%. Las tasas de poda superiores al 70% resultaron en una degradación significativa del rendimiento.

Significado y Reivindicaciones

El artículo afirma que MSF-TrashDet proporciona una solución práctica, fiable y eficiente para la detección automática de residuos y los sistemas de reciclaje inteligente. Su principal significancia radica en resolver la contradicción entre la necesidad de una detección de alta precisión en escenarios de residuos complejos y las estrictas restricciones computacionales de los dispositivos de borde. Al filtrar eficazmente los parámetros redundantes y fortalecer la percepción de los objetivos multiescala, el modelo ofrece un esquema técnico viable para desplegar sistemas de clasificación de residuos inteligentes en hardware con recursos limitados.

Los autores señalan que el trabajo actual se limita al reconocimiento de imágenes estáticas en el conjunto de datos TrashNet y aún no incluye el análisis temporal para la predicción de la acumulación de residuos. Se propone como trabajo futuro la integración de módulos de series temporales y la expansión de los conjuntos de datos para incluir escenas del mundo real más complejas.