From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

Clasificar la basura es una tarea que parece sencilla hasta que intentas hacerla perfectamente. En muchos lugares, incluyendo partes de Egipto, el trabajo recae en familias humanas que pasan horas separando plástico de papel, metal de vidrio y materia orgánica de todo lo demás. Es lento, difícil y, a menudo, provoca que materiales valiosos se pierdan en el flujo general de residuos. Para resolver esto, los científicos han recurrido a computadoras que pueden "ver" y clasificar la basura automáticamente. Estos sistemas dependen de un tipo de inteligencia artificial llamada aprendizaje profundo (deep learning), que utiliza capas de procesamiento digital para reconocer patrones en imágenes, de forma muy similar a como el cerebro humano aprende a identificar un gato o un coche mirando muchos ejemplos. Cuando estos sistemas se combinan con máquinas físicas, prometen encargarse del trabajo tedioso del reciclaje con velocidad y precisión, salvaguardando potencialmente los recursos y protegiendo el medio ambiente.

Un equipo de investigadores de la Universidad Americana de El Cairo ha llevado este concepto un paso más allá, construyendo un prototipo funcional de un contenedor de basura inteligente que hace algo más que identificar qué es un objeto. Crearon un sistema que actúa como un guardián cuidadoso, verificando problemas específicos antes de decidir a dónde pertenece un artículo. Los investigadores descubrieron que, al dividir la tarea de clasificación en cuatro pasos distintos —verificar si hay líquido, verificar si un artículo está hecho de múltiples partes, decidir si se puede reciclar y, finalmente, identificar el material—, podían construir una máquina que clasifica los desechos con alta precisión. Su trabajo, desarrollado en colaboración con la empresa de alimentos Nestlé y la organización de gestión de residuos Dawar, dio como resultado un contenedor físico que clasificó con éxito basura del mundo real con una precisión del 92,4 por ciento.

El núcleo de su innovación reside en el orden de las operaciones. La mayoría de los intentos previos de clasificación automatizada se centraban únicamente en identificar el material, como plástico o papel. Sin embargo, los investigadores se dieron cuenta de que la basura del mundo real suele venir con complicaciones que confunden a los sistemas simples. Por ejemplo, una botella de plástico con restos de refresco puede arruinar todo un lote de reciclaje, y un vaso de café con una tapa de plástico es en realidad dos materiales diferentes unidos. Para manejar esto, el equipo diseñó un flujo secuencial (pipeline). El primer paso es comprobar si el artículo contiene líquido. Si la cámara ve signos de líquido, la máquina se detiene y devuelve el artículo al usuario, evitando la contaminación. El segundo paso comprueba si el artículo es un objeto único o una mezcla de partes. Si un usuario intenta tirar un artículo complejo con múltiples componentes, la máquina vuelve a marcarlo para su separación manual. Solo los artículos que pasan estos dos controles de seguridad avanzan a las siguientes etapas, donde la computadora decide si el artículo es reciclable y, de ser así, de qué material específico está hecho.

Para enseñar estas habilidades a la computadora, los investigadores entrenaron cuatro modelos de inteligencia artificial independientes, cada uno dedicado a una tarea específica. Utilizaron una técnica llamada aprendizaje por transferencia (transfer learning), que permite a una computadora comenzar con el conocimiento que ya tiene sobre imágenes generales y luego perfeccionar ese conocimiento para la tarea específica de observar basura. Para las tareas de detección de líquidos e identificación de artículos de múltiples componentes, el equipo construyó sus propios conjuntos de datos personalizados tomando miles de fotografías de desechos reales. Probaron estos modelos varias veces para asegurar que los resultados fueran consistentes, encontrando que el sistema podía detectar líquidos con una precisión promedio de aproximadamente el 91 por ciento e identificar objetos únicos frente a múltiples componentes con una precisión de alrededor del 96 por ciento. Los modelos responsables de decidir si algo es reciclable y de qué material está hecho funcionaron aún mejor, alcanzando precisiones del 96,8 y 94,3 por ciento respectivamente.

Una vez que el software estuvo listo, el equipo construyó un prototipo físico para probar el sistema en un entorno realista. El contenedor es un recinto de madera con cinco compartimentos internos para diferentes tipos de desechos: reciclables orgánicos, papel, plástico, otros reciclables y no reciclables. En su interior, un brazo mecánico con una bandeja giratoria actúa como el clasificador. Cuando un usuario coloca un artículo en el contenedor, una cámara captura una imagen y el flujo de software de cuatro pasos la analiza. Si el artículo pasa todos los controles, el software envía un comando al brazo mecánico, el cual gira para posicionar la bandeja sobre el compartimento correcto y deja caer el artículo. Todo el proceso ocurre en un flujo continuo, diseñado para imitar cómo un humano inspeccionaría y clasificaría la basura, pero con la velocidad y consistencia de una máquina.

Los investigadores probaron su sistema utilizando una gran colección de imágenes de desechos recolectadas de la comunidad egipcia, proporcionadas por su socio Dawar. Este fue un paso crucial porque les permitió ver cómo se desempeñaba el sistema con la basura que la gente realmente tira, en lugar de solo fotos limpias y perfectas utilizadas para el entrenamiento. El sistema integrado clasificó correctamente estos artículos del mundo real en los cinco contenedores designados el 92,4 por ciento de las veces. Este resultado sugiere que el enfoque de utilizar múltiples controles especializados antes de tomar una decisión final es efectivo. Sin embargo, los investigadores también señalaron limitaciones. El sistema depende totalmente de la visión, por lo que no puede ver el líquido dentro de un contenedor opaco sellado, y las piezas mecánicas aún no han sido probadas en cuanto a su durabilidad a largo plazo en un entorno público concurrido.

A pesar de estos desafíos, el proyecto demuestra un camino claro hacia el reciclaje automatizado. Al combinar inteligencia artificial especializada con un mecanismo de clasificación física, el equipo ha demostrado que es posible construir una máquina que entienda los matices de los desechos, como la contaminación y los materiales mixtos, en lugar de simplemente adivinar basándose en la forma o el color. La colaboración entre la universidad, una gran corporación y un grupo local de gestión de residuos proporcionó los recursos necesarios para pasar de las simulaciones por computadora a un dispositivo funcional. Aunque el sistema aún no es perfecto y requiere más pruebas para manejar la variedad total de basura que se encuentra en el mundo real, ofrece un vistazo prometedor a un futuro donde el trabajo difícil de clasificar nuestros desechos sea manejado por máquinas, dejando a los humanos libres para enfocarse en otras tareas.