Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/13301Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | VILLANUEVA TAVIRA#JONATHAN | - |
| dc.contributor.advisor | MORALES MORALES#JOSEFA | - |
| dc.contributor.advisor | EVANGELISTA ALCOCER#YANET | - |
| dc.contributor.author | CARRANZA VEGA#JONATHAN JESÚS | - |
| dc.creator | CARRANZA VEGA#JONATHAN JESÚS | - |
| dc.date.accessioned | 2026-06-29T18:10:07Z | - |
| dc.date.available | 2026-06-29T18:10:07Z | - |
| dc.date.issued | 2026-06-26 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/13301 | - |
| dc.description | En varias ciudades del mundo los Residuos Sólidos Urbanos (RSU) son un problema en crecimiento, se estima que aumente a 3,400 millones de toneladas para el año 2050. En México se generan diariamente en promedio 108,146 toneladas de RSU. Los sistemas de Inteligencia Artificial (IA) se han fortalecido como herramientas informáticas para agilizar los procesos de gestión. No obstante, la mayoría de estos se centran principalmente en la clasificación de residuos como papel, plástico, vidrio y metal, por lo que, los desechos de madera y textil han recibido poca atención. Este trabajo propone un análisis comparativo sistemático de modelos de aprendizaje automático bajo condiciones controladas que evalúa la capacidad discriminativa de descriptores de textura clásicos aplicados a las categorías de RSU de madera y textil. El procedimiento consistió en la extracción de características de textura de un conjunto de 4,396 imágenes de residuos de madera y textil utilizando técnicas Local Binary Pattern (LBP), Gray-Level Co-occurrence Matrix (GLCM), Histogram of Oriented Gradients (HOG), Canny/Sobel edge detection y Fractal Dimension (FD). Al integrar todos estos descriptores se implementó el algoritmo Random Forest Importance para identificar las variables más discriminantes. Finalmente, el subconjunto óptimo se utilizó para entrenar tres modelos de Machine Learning (ML). Los resultados demostraron que Multilayer Perceptron (MLP) obtuvo el mejor desempeño con una precisión del 96.70%, seguido por Random Forest (RF) con 95.45% y Support Vector Machine (SVM) con 95.22%. Esto confirma que al combinar técnicas clásicas de análisis de textura con modelos de ML logra una clasificación binaria de alta precisión para textiles y madera bajo condiciones controladas. La implementación de estas comparaciones servirá como base para el desarrollo de nuevas herramientas tecnológicas con bajo costo computacional que lleven a cabo una adecuada separación de residuos. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | Residuos Sólidos Urbanos, Machine Learning, Residuos de madera, Residuos de textil, Características de textura. | es_MX |
| dc.title | MODELO CLASIFICADOR DE RESIDUOS SÓLIDOS URBANOS (RSU) DEL TIPO MADERA Y TEXTIL MEDIANTE INTELIGENCIA ARTIFICIAL Y MACHINE LEARNING | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | CAMPOS FRANCISCO#WILFRIDO | - |
| dc.folio | 007 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Chilpancingo | es_MX |
| Appears in Collections: | Maestria en Ciencias de la Ingeniería | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| TesisJjCV_3.2_4.4_17062026_VF.pdf | TESIS DE MAESTRÍA | 9.58 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
