Esta guía técnica se centra en plantas de clasificación y recuperación de materiales. Complementa nuestra guía general sobre economía circular e IA, que explica prevención, reutilización, reparación, reciclaje y pasaporte digital. Aquí seguimos el residuo desde la tolva hasta la bala o fracción de salida y proponemos un protocolo de aceptación para compradores, gestores y administraciones.

Revisión documental: 28 de julio de 2026.

1. Qué ocurre realmente en una línea de clasificación

Una instalación recibe un flujo cuya composición cambia por territorio, estación, recogida y comportamiento de los usuarios. Antes de la IA suelen existir apertura de bolsas, cribado por tamaño, separación balística o densimétrica, imanes, corrientes de Foucault y controles manuales. El modelo se inserta en un punto concreto, no sustituye toda la planta.

La cadena completa de una decisión

1. Preparación: distribuir y espaciar objetos para que el sensor pueda verlos.
2. Adquisición: captar imagen, espectro u otra señal con tiempo y posición.
3. Inferencia: localizar y asignar clase, material o probabilidad.
4. Seguimiento: calcular dónde estará el objeto cuando llegue al actuador.
5. Actuación: soplar, agarrar, desviar o marcar.
6. Control de salida: pesar, muestrear y verificar pureza y destino.

Si los objetos se solapan, la iluminación cambia o la cinta vibra, una clasificación correcta puede llegar tarde al expulsor. Por eso la métrica final debe integrar sensor, modelo, sincronización y actuación.

Dos modos distintos: positivo y negativo

En selección positiva se extrae el material valioso de una corriente. En selección negativa se retiran contaminantes de una fracción que ya es mayoritariamente correcta. El coste de error cambia: perder una botella objetivo no es igual que permitir una batería en una etapa de trituración.

2. Sensores: qué pueden observar y qué no

La inteligencia del modelo está limitada por la señal disponible. Dos objetos visualmente parecidos pueden tener composiciones distintas; dos polímeros iguales pueden estar contaminados o multicapa. Combinar sensores puede reducir incertidumbre, pero aumenta integración, coste y mantenimiento.

La cámara no ve composición química

Un sistema visual puede aprender que cierto envase suele ser PET por su forma, pero una modificación de diseño o un objeto similar puede romper la relación. Si la especificación depende del polímero, una prueba debe validar la señal apropiada o reconocer la incertidumbre.

Calibración y limpieza forman parte del sistema

Polvo, vibración, deriva de lámparas, temperatura y suciedad cambian la señal. El pliego debe fijar frecuencia de calibración, patrones de referencia, limpieza, consumibles y criterio para bloquear decisiones cuando el sensor no es fiable.

3. Qué tarea realiza la IA

«Reconocimiento de residuos» puede ocultar problemas matemáticos diferentes. La selección depende de elegir el adecuado.

• Clasificación: asigna una clase a una imagen o lectura aislada.
• Detección: localiza varios objetos y su clase dentro de la escena.
• Segmentación: delimita los píxeles de cada objeto o material.
• Estimación de composición: calcula proporciones o propiedades desde señales.
• Detección de anomalías: identifica objetos fuera de las clases conocidas.
• Seguimiento: mantiene identidad y posición mientras avanza la cinta.
• Optimización: decide umbral, secuencia o destino bajo restricciones.

Un clasificador entrenado con una fotografía centrada no está validado para objetos superpuestos en una cinta. Una revisión crítica de la investigación en visión para residuos encontró un uso frecuente de entornos simplificados y conjuntos privados y reclamó más validación industrial.

La clase debe responder a un destino

«Plástico» es demasiado amplio si el comprador necesita PET transparente, HDPE natural o una pureza concreta. «Textil» puede ser insuficiente si el proceso posterior acepta algodón pero no mezclas con elastano. El vocabulario de clases debe diseñarse con la especificación de salida.

Probabilidad y rechazo

Forzar una clase para cada objeto oculta incertidumbre. Conviene definir un estado «desconocido» o enviar a revisión cuando la confianza, señal o calidad de imagen no alcanzan el umbral. Este rechazo controlado puede ser más seguro que una clasificación falsa.

4. Cómo se separa físicamente el material

La inferencia no mueve nada. Los expulsores neumáticos actúan rápido sobre objetos ligeros y bien posicionados; los robots ofrecen agarre selectivo y pueden adaptarse a piezas, pero tienen límites de alcance y ciclo; compuertas o desviadores trabajan con fracciones; y marcas digitales pueden informar a una etapa posterior.

Sincronización entre visión y actuador

El sistema calcula tiempo de vuelo desde la zona de inspección. Variaciones de velocidad, deslizamiento y rebotes desplazan el objeto. La prueba debe medir aciertos después del actuador, no solo predicciones en pantalla.

Disponibilidad y mantenimiento

Una celda capaz de 80 selecciones por minuto durante una demostración puede rendir menos al descontar atascos, limpieza, cambio de pinza y falsas tomas. Registre horas planificadas, operación útil, parada por causa y rendimiento a la carga contractual.

El proyecto europeo GRINNER combina rayos X, aprendizaje automático y robots para localizar y retirar residuos con baterías antes de etapas donde pueden dañarse. Es un proyecto de desarrollo y validación; debe citarse como objetivo del proyecto, no como resultado universal ya implantado.

5. Métricas que sí permiten comparar

Precisión, captura y pureza responden a preguntas distintas. En una corriente con pocas unidades objetivo, la exactitud global puede ser alta aunque el sistema no recupere casi ninguna.

Ejemplo reproducible

Una muestra contiene 300 kg de PET objetivo. Tras la selección, la fracción obtenida pesa 280 kg: 240 kg son PET y 40 kg impropios. La captura es 240/300 = 80 %; la pureza es 240/280 = 85,7 %. Si el reciclador solo acepta 95 % de pureza, la fracción requiere otra etapa aunque el modelo tenga buen desempeño.

La matriz de confusión debe usar masa y piezas

Contar objetos puede dar el mismo peso a una bandeja y a una botella pequeña. Cuando el negocio y el impacto dependen de toneladas, mida también masa. Para peligros como baterías, puede importar cada unidad aunque pese poco.

6. Datos, etiquetado y deriva

El conjunto de entrenamiento debe representar el punto donde operará el equipo: cámara, iluminación, cinta, velocidad, estación, recogida y composición. Imágenes de Internet o residuos limpios sirven para prototipos, no para aceptar una planta.

Separación temporal de la prueba

Reserve periodos futuros y lotes no utilizados durante el ajuste. Si fotogramas casi idénticos aparecen en entrenamiento y prueba, el resultado puede sobreestimar generalización. Para comparar proveedores, use una muestra ciega caracterizada de forma independiente.

Etiquetas y verdad de referencia

Una etiqueta visual puede ser incierta. Composición química, multicapa o contaminación requieren análisis o procedimiento acordado. Documente quién etiqueta, qué evidencia usa, cómo resuelve desacuerdos y qué clases se agrupan.

Vigilancia de deriva

Nuevos envases, campañas, cambios de proveedor y recogida alteran el flujo. El contrato debe definir indicadores de deriva, muestreo periódico, reentrenamiento, versión del modelo y validación antes de desplegar una actualización.

Para reducir el impacto del propio sistema, conviene comparar modelos y frecuencia de inferencia siguiendo los patrones de IA eficiente.

7. Plástico, textil, RAEE y otras corrientes

Envases y plásticos

Forma, etiqueta, color y firma espectral pueden combinarse para separar familias. La suciedad, los envases multicapa, pigmentos y objetos superpuestos exigen pruebas. El objetivo no es reconocer una marca, sino producir una fracción conforme a la especificación del proceso posterior.

Textiles

Color e imagen no bastan para conocer una mezcla de fibras. Espectroscopia y modelos pueden ayudar, pero una revisión académica de clasificación textil identifica disponibilidad de datos, fibras mezcladas y escalabilidad como retos. El proyecto SORT4CIRC investiga un sistema con IA, multisensores y trazabilidad; sigue siendo investigación y demostración.

Nuestra guía de moda circular y clasificación textil analiza reutilización antes de reciclaje.

Residuos eléctricos y baterías

El riesgo puede ser más importante que el valor recuperado. Una batería no detectada puede llegar a trituración; un falso positivo excesivo reduce rendimiento. La aceptación debe ponderar detección, seguridad, parada y verificación manual.

Construcción, vidrio, papel y orgánico

Cada flujo requiere señal y pretratamiento propios. Un proyecto europeo desarrolló clasificación óptica para recuperación de vidrio. No debe trasladarse su rendimiento a áridos, papel u orgánico. En estos casos también cuentan humedad, granulometría, sustancias peligrosas y mercado local.

8. Diseño de una prueba industrial

Una prueba útil se realiza en la instalación o con una corriente representativa, bajo caudal, turnos y mantenimiento normales. El proveedor no debe elegir únicamente los lotes fáciles.

Protocolo en nueve pasos

1. Caracterizar composición, tamaño, humedad y carga de cinta.
2. Definir fracción objetivo, contaminantes críticos y destino.
3. Fijar captura, pureza, rendimiento y disponibilidad mínimos.
4. Acordar procedimiento de muestreo y laboratorio.
5. Preparar lotes ciegos y periodos no usados para ajustar.
6. Probar arranque, régimen estable, picos y condiciones difíciles.
7. Medir después del actuador y tras la siguiente etapa.
8. Registrar energía, aire, agua, consumibles, paradas y trabajo.
9. Repetir la caracterización durante un periodo suficiente para observar deriva.

Criterios de aceptación antes de empezar

El contrato debe definir si se acepta por promedio, percentil o peor condición; intervalo de confianza; tolerancia de muestreo; quién paga una repetición; y qué ocurre si captura y pureza no se alcanzan simultáneamente.

9. Coste, trabajo e impacto ambiental

Coste total de propiedad

Incluya ingeniería, obra, sensores, actuador, aspiración o aire, protección, red, integración, etiquetado, licencias, soporte, repuestos, limpieza, calibración, reentrenamiento y parada. Reste ingresos de material, vertido evitado y otras mejoras solo cuando estén documentados.

La unidad comparable puede ser euro por tonelada procesada o por tonelada aceptada. La segunda evita premiar una línea que procesa mucho pero produce material rechazado.

Trabajo y seguridad

Automatizar puede reducir exposición a objetos peligrosos, pero introduce mantenimiento junto a maquinaria, supervisión de alarmas y etiquetado. Evalúe bloqueo y consignación, zonas de interacción, ergonomía, formación y si se traslada trabajo precario a otra parte de la cadena.

Balance ambiental

Compare material adicional realmente recuperado con fabricación del equipo, electricidad, aire comprimido, consumibles y transporte. La energía de inferencia puede ser pequeña frente a motores y aire; debe medirse el sistema completo en vez de asumirlo.

El Global Waste Management Outlook 2024 del PNUMA utiliza análisis de ciclo de vida para comparar prevención y gestión. La tecnología de clasificación debe mantenerse dentro de esa jerarquía.

10. Pliego y contrato de compra

Preguntas al proveedor

• ¿Qué parte del rendimiento procede del sensor, modelo y actuador?
• ¿Qué clases no reconoce y cómo muestra incertidumbre?
• ¿En qué flujo industrial se midieron los resultados?
• ¿Qué ocurre con objetos solapados, mojados, negros o nuevos?
• ¿Quién puede auditar etiquetas y registros de decisión?
• ¿Cuánto tarda un cambio de clase y cómo se valida?
• ¿Qué funciones siguen disponibles sin nube o licencia?
• ¿Qué consumos y repuestos garantiza a carga nominal?

Evite contratos en los que la métrica dependa de datos controlados solo por el proveedor. El comprador necesita muestreo independiente y exportación de telemetría suficiente para reproducir el cálculo.

11. Preguntas frecuentes y conclusión

¿La IA sustituye a la separación magnética u óptica convencional?

No necesariamente. Imanes, corrientes de Foucault, cribas y reglas ópticas siguen siendo apropiados. La IA se añade cuando mejora una decisión con patrones o variabilidad que justifican su coste.

¿Qué diferencia hay entre precisión y pureza?

En clasificación estadística, precision mide qué proporción de predicciones positivas es correcta. En planta, pureza mide qué proporción de la fracción física es material objetivo. Pueden relacionarse, pero actuación y muestreo afectan al resultado.

¿Una cámara identifica el polímero?

Puede inferirlo por apariencia, pero no mide siempre composición. Si la especificación depende del material, debe validarse un sensor adecuado y contemplar mezclas, recubrimientos y suciedad.

¿Cuántas imágenes necesita el modelo?

No existe cifra universal. Importan diversidad, clases raras, condiciones industriales, calidad de etiquetas y separación temporal. Debe demostrarse desempeño en una muestra ciega representativa.

¿Qué métrica es prioritaria?

Depende del error. Para recuperar valor pueden equilibrarse captura y pureza; para una batería peligrosa puede priorizarse no omitir ninguna, aceptando más revisiones.

¿Un robot es siempre mejor que un expulsor de aire?

No. Depende de objeto, masa, velocidad, precisión y tarea. El actuador debe compararse por resultado después de separar, disponibilidad, consumo y mantenimiento.

¿Puedo comparar cifras de dos proveedores?

Solo si usan el mismo flujo, clases, carga, muestra, umbral y método. Una cifra de laboratorio y una prueba industrial no son equivalentes.

¿La IA garantiza que el residuo se recicla?

No. Clasifica una fracción. Todavía hacen falta acondicionamiento, reciclador, especificación, rendimiento y uso del material secundario.

¿Cómo se controla un modelo que envejece?

Con muestreos periódicos, matriz de errores, clases desconocidas, indicadores de deriva, versión registrada y validación antes de cada actualización.

¿Cuándo no conviene instalarlo?

Cuando el cuello de botella es recogida, mercado, diseño, capacidad posterior o contaminación que el sensor no puede observar; o cuando una tecnología convencional logra el objetivo con menor coste e impacto.

Conclusión: comprar una fracción, no una promesa

El producto útil de una clasificadora no es una predicción: es una fracción material con captura, pureza y destino conocidos. Para llegar a ella, sensor, modelo, seguimiento y actuador deben funcionar juntos bajo las condiciones reales de la planta.

Caracterice primero el flujo, defina el error costoso y exija una prueba ciega después del actuador. Mida disponibilidad y coste total, y verifique qué sustituye el material recuperado. Así la IA deja de ser una demostración visual y se convierte —o no— en una inversión circular justificable.

Fuentes y método editorial: síntesis propia basada en la jerarquía de la Ley 7/2022; Global Waste Management Outlook 2024 del PNUMA; proyectos GRINNER, SORT4CIRC y SEEGLASS de CORDIS; estudio industrial de clasificación robótica en una planta española; y revisiones académicas sobre visión artificial, plásticos y textiles. Los proyectos en desarrollo se describen como objetivos de investigación, no como resultados garantizados. Revisión: 28 de julio de 2026.