The rapid increase in waste electrical and electronic equipment (WEEE) creates major environmental and governance issues in developing countries like Ecuador struggle because they with minimal formal collection and recycling rates. This research presents a potential sustainable management approach that tracks products through their life cycles while following circular economy principles that include product extension and material extraction and waste minimization. A systematic literature review (SLR) using the PRISMA methodology combined with a bibliometric analysis found essential global strategies and technological frameworks and regulatory frameworks. The analysis of articles demonstrates that information management systems (IMSs) together with digital technologies and consistent regulations serve as essential elements for enhancing traceability and material recovery and formal recycling processes. A WEEE management IMS model was developed for the Ecuadorian market through an analysis of the findings; it follows a five-stage development process, starting from the technological infrastructure setup to complete data visualization integration. The proposed model is designed to enable public–private–community partnerships using digital tools that promote sustainable practices. The combination of circular strategies with traceability technologies and strong regulatory frameworks leads to improved WEEE governance, which supports sustainable system transitions in emerging economies.

La industria agrícola comprende una actividad de marcada influencia sobre el crecimiento económico y calidad de vida de las personas. Dada la necesidad de cubrir la demanda de alimentos debido al crecimiento poblacional, actualmente se requieren de sistemas capaces de optimizar el rendimiento del cultivo. Es así como este trabajo contribuye con una herramienta práctica para asistir al agricultor en tareas de reconocimiento de calidad de fruta, la misma que le permite mejorar el proceso de cuantificación de manzana y monitoreo del estado cosechable de la fruta mediante el uso visión por computador y algoritmos de aprendizaje profundo. El sistema propuesto presenta i) la detección del tipo de manzanas para el conteo y ii) la clasificación de su calidad para la inspección y validación de la fruta por categoría. Para la detección del tipo de manzana se utiliza el modelo de red de detección SSD-MobileNet y para la segmentación de instancias de calidad a nivel de píxel se emplea una red neuronal convolucional rápida FCN-ResNet 18. El sistema fue entrenado, validado y puesto a prueba en varios ensayos experimentales de laboratorio y campo, empleando dos bases de datos de imágenes construidas en ambientes controlados y en entornos agrícolas reales. Los resultados muestran que es posible detectar y clasificar el estado de calidad de manzanas durante la cosecha, obteniendo una precisión que varían entre el 86,7% y 92,6% para la detección y de 94,7 ± 2,5% para la segmentación, superando en ambos casos los resultados presentados en trabajos relacionados.