Neuronal Network for Intelligent Detection of Organic Waste: Towards a Sustainable Environmental Solution
DOI:
https://doi.org/10.20983/culcyt.2026.1.2e.5Keywords:
eco-efficient control, organic waste, convolutional neural networks, computer vision, waste classification, YOLOv5xAbstract
By 2025, the population was recorded at 129.7 million, and it is estimated to reach 148.2 million by 2050. This increase generates a greater demand for resources and an increase in the production of urban solid waste, the classification of which remains a challenge due to lack of knowledge and citizen interest. Therefore, a convolutional neural network-based model for organic waste was developed. The methodology consisted of constructing a dataset with 1000 images of waste from homes and schools, training the YOLOv5x model using gradient descent, and evaluating metrics. Initial results showed limited performance; however, by increasing the number of epochs and improving the quality of the dataset, accuracy reached 80%. This highlights the importance of high-quality images for optimizing machine learning, as well as the need for iterative adjustments during model training. In conclusion, the research confirms the feasibility of applying computer vision to waste classification. The model was limited to organic waste. These advances help strengthen environmental culture and develop intelligent systems that promote sustainable practices in Mexico.
Downloads
References
J. C. Feijoo y K. Cali, “El crecimiento poblacional entre el crecimiento económico y la contaminación ambiental. Caso China e India”, en La quinta ola del progreso de la humanidad: la protección del medio ambiente, sociedad y economía, Atena, 2024, cap. 4.
C. G. García, M. C. Valles y M. C. Nevárez, “Escenarios en la dinámica demográfica de los municipios de México con base en las nuevas proyecciones de la población del año 2024”, en Procesos urbanos y dinámica del mercado laboral, E. R. Morales y C. A. Ken, coords. México: UNAM/AMECIDER, 2024, pp. 273-288.
Plan Estratégico de Juárez, A.C., Informe medio ambiente 2022. Ciudad Juárez, México: Plan Estratégico de Juárez, A.C., 2022, pp. 97-132. [En línea]. Disponible: https://planjuarez.org/wp-content/uploads/2022/11/Informe-Medio-Ambiente-2022.pdf
A. De Anda-Trasviña, E. García-Galindo, A. Peña-Castañón, J. Seminario-Peña y A. Nieto-Garibay, “Residuos orgánicos: ¿basura o recurso?,” Recursos Naturales y Sociedad, vol. 7, n.º 3, pp. 19-42, 2021, doi: 10.18846/renaysoc.2021.07.07.03.0004.
Instituto Politécnico Nacional, Programa Institucional de Economía Circular y Cero Residuos del IPN 2026–2030 PIECC-IPN, Gaceta Politécnica Extraordinaria, año LXII, vol. 22, n.º 1928, mar. 6, 2026. [En línea]. Disponible: https://www.ipn.mx/assets/files/imageninstitucional/docs/gaceta-extraordinaria/2026/03/g-extra-1928.pdf
D. E. Contreras y M. J. Guevara, “Sistema automatizado para separación y de residuos a través de una neurona artificial en la Universidad de Córdoba sede Sahagún”, trabajo de grado, Universidad de Córdoba, Colombia, 2021. [En línea]. Disponible: https://repositorio.unicordoba.edu.co/entities/publication/8f2c1a34-7e59-4063-a5c1-911543bffec1
Á. M. Del Carpio y A. E. Nuñez, “Simulación de sistema de clasificación de desechos sólidos basado en reconocimiento de imagen en el campus de la Universidad Nacional Pedro Henríquez Ureña (UNPHU),” tesis doctoral, Universidad Nacional Pedro Henríquez Ureña, República Dominicana, 2022.
M. Castro, V. M. Romero, J. Fuentes, S. R. Zagal, A. Bárcenas y D. E. Gutiérrez, “Dataset de clasificación de Residuos Sólidos Urbanos para Redes Neuronales Convolucionales”, Dilemas contemporáneos, año XII, n.º 3, may. 2025, doi: 10.46377/dilemas.v12i3.4675.
J. R. Lapo y O. M. Cumbicus-Pineda, “Detection of recyclable solid waste using convolutional neural networks and PyTorch”, en IEEE Latin America Transactions, vol. 22, n.º 6, pp. 475-483, jun. 2024, doi: 10.1109/TLA.2024.10534304.
R. A. León, K. D. Barreto, K. J. Cabanillas, J. S. Muñoz, S. A. Peña y A. E. Tafur, “Desarrollo de un algoritmo mediante redes neuronales convolucionales para la clasificación de residuos sólidos en universidades”, en Memorias de la 23.ª Conf. Iberoamericana en Sis., Ciber. e Informática (CISCI 2024), 2024, pp. 505-512, doi: 10.54808/CISCI2024.01.505.
B. A. Aguilar, F. C. Covarrubias, A. R. Pérez, J. Gómez, C. A. Toro, J. S. Galindo y D. E. Ortiz, “Análisis de la detección e identificación de residuos mediante ultralytics YOLOv8”, CienciAcierta, vol. 21, n.º 83, pp. 117-133, 2025.
D. M. Ortiz, “Identificación y clasificación de residuos sólidos mediante procesamiento de imágenes e inteligencia artificial”, trabajo de grado, Universidad Francisco de Paula Santander, Colombia, 2023. [En línea]. Disponible: https://repositorio.ufps.edu.co/server/api/core/bitstreams/b4651542-87da-4000-a4e2-96930e32aa05/content
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Guadalupe Navarro Enríquez
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Todos los contenidos de CULCYT se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento-No Comercial 4.0 Internacional” (CC-BY-NC). Puede consultar desde aquí la versión informativa de la licencia.
Los autores/as que soliciten publicar en esta revista, aceptan los términos siguientes: a) los/las autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra; y b) se permite y recomienda a los/las autores/as agregar enlaces de sus artículos en CULCYT en la página web de su institución o en la personal, debido a que ello puede generar intercambios interesantes y aumentar las citas de su obra publicada.
