1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Guerrero
4. Instituto Tecnológico de Chilpancingo
5. Maestria en Ciencias de la Ingeniería

Title:	ARQUITECTURA OPTIMIZADA DE REDES NEURONALES RESIDUALES PARA LA CLASIFICACIÓN DE RESIDUOS SÓLIDOS URBANOS CON PROCESAMIENTO DE IMÁGENES
Authors:	ROMERO JUAREZ VÍCTOR MANUEL#ROJV980809HMNMRC02
metadata.dc.subject.other:	CNN, clasificación de residuos, arquitectura optimizada, residual networks, deep learning
Issue Date:	2025-05-12
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Chilpancingo
Description:	La acumulación de Residuos Sólidos Urbanos (RSU) representa un desafío crítico para la sociedad y el gobierno, y su separación es esencial para garantizar una utilización sostenible. Sin embargo, persiste el desafío de la clasificación manual, una labor que, lamentablemente, se mantiene como una práctica inherentemente lenta y con considerables ineficiencias. Frente a esta realidad, los progresos exponenciales en el campo de la inteligencia artificial, y de manera destacada el aprendizaje automático, emergen como soluciones alternativas que no solo prometen mayor precisión, sino también una eficiencia superior para optimizar radicalmente este flujo de trabajo. En este marco, la contribución que aquí se presenta detalla la gestación de una red neuronal profunda, enriquecida con módulos residuales, diseñada y entrenada de extremo a extremo. Este modelo está específicamente orientado a la clasificación binaria de los RSU y, crucialmente, exhibe la habilidad de ejecutar inferencias a una velocidad significativamente incrementada. Mediante una metodología de cinco fases: 1. Creación del conjunto de datos (dataset) de RSU: recolección de imágenes, eliminación de duplicados, creación del conjunto de datos orgánicos e inorgánicos; 2. Analizar algoritmos de procesamiento de imágenes; 3. Preparación y generación de datos: Conversión de imágenes a formato RGB, división del conjunto de datos de entrenamiento en subconjuntos y aumento de imágenes en línea; 4. Entrenar e identificar las redes neuronales residuales para la clasificación de RSU orgánicos e inorgánicos con la mayor extracción de características: Desarrollo de arquitectura basada en ResNet18; 5. Experimentar y ajustar la reducción de parámetros del modelo residual propuesto: Modificar la estructura de la red residual y ajustar hiperparámetros claves; y 6. Evaluar el algoritmo de clasificación: Precisión, matriz de confusión, f1-score, recall y exactitud. Se obtuvo un 87% para la clasificación de residuos orgánicos y un 94% para los inorgánicos. R3sNet destaca frente al modelo pre-entrenado ResNet50 en la clasificación de ambas categorías (orgánicos e inorgánicos) con una ventaja de hasta un 6%, y una disminución en la carga computacional y complejidad del modelo. En concreto, se hizo una reducción del 98.60% en el número de hiperparámetros y un recorte del 65.17% en los GFLOPS en comparación directa con ResNet50.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestria en Ciencias de la Ingeniería

This item is protected by original copyright View License

This item is licensed under a Creative Commons License