在回收行业，人工智能（AI）的讨论如风暴般席卷而来，背后有着充分的理由。若应用得当，当下涌现的 AI 技术能够改变资源回收行业的游戏规则，推进自动化进程，并有效地对复杂材料进行更精细的分选。但如果应用不当，不仅会浪费大量时间，还会导致巨大的财务损失。
最近，一种新型的光学分选器弹射技术吸引了大家的注意 —— 使用机械手臂而非传统的阀块技术。
传统的阀块光学分选器，这种设备已经在很多回收中心使用了几十年，通过精确控制的气流脉冲进行物料分选，处理速度可达每小时8吨或更高，具体取决于分选任务的复杂度。而新引入的机械手臂，其动作更类似于人类的挑选动作，处理速度略高于人工，大约为每小时0.5吨。
因此，陶朗回收分选的美洲区域总监 Ty Rhoad 强调，回收商需要深入了解 AI 的实质及其设计目的。他指出，AI 并非指机械设备本身，不论是机械手臂还是阀块，而应将注意力转向如何将 AI 作为全面解决方案的一部分，在设施中得到有效应用。
“现在，AI 仿佛成了每个客户都必须拥有的技术，”他表示。“回收商必须彻底理解它的工作原理以及它将如何优化分选过程。否则，最终的产品质量和投资回报可能达不到预期。”
AI 并非新鲜事物
好消息是，AI 对回收行业而言并不是新技术，许多回收设施已经在使用各种形式的 AI。传统的阀块光学分选技术，借助数十年的 AI 应用，已经实现了分选流程的自动化并提高了回收产品的纯度。设施构建者和技术供应商与客户合作，设计了材料流动路径，旨在提升产量、纯度和处理速度，同时减少手工分选的需求。
AI 的核心在于软件和算法，而非硬件。传统 AI 结合了多种传感器技术，如 RGB 相机、近红外(NIR)、激光、电磁(EM)和X射线，能自动识别并处理不同的材料。“传统 AI 本质上是一个手动设置的过程，”陶朗的现场服务主管 Anthony Belmares 表示。“技术人员负责设计分选系统，并将其集成到我们自主开发的分选软件中。”
每台基于传感器的分选机都包含许多关键组件，它们各司其职，根据分选任务的需要进行选择配置。材料分选的效率取决于传感器系统、数据处理软件、输送系统和喷射系统等核心组件的协同工作。Rhoad 表示：“我们自行开发软件，以便为不同的材料流，从废物、塑料到金属和木材，提供最佳的分选性能。”
传感器技术和传统 AI 的进步已经在自动化分选方面取得了显著成果。随着光学分选器设计的进化，更强大的算力和更精确的算法被应用，利用传统 AI 显著提高了颜色分选的准确度。“这使得材料回收设施能够更高效地分选出高价值的透明和浅蓝色 PET，从而以更高的纯度和较少的污染出售，相比之下，这些材料以前可能只能作为较低等级的材料出售，”Rhoad 解释说。
五年前，光学分选器难以区分 PET 瓶和热成型制品。现在，区分这两种材料的能力意味着更高质量的 rPET 可以被循环利用制造新的 PET 瓶。“我们开发了 SHARP EYE™ 传感器 和我们的智能对象识别软件，使 AUTOSORT™ 能够识别 PET 瓶和热成型制品之间的细微差别，从而实现它们的分离和等效回收，”TOMRA 的塑料部门经理 Eric Olsson 表示。
他还提到了最近在片状物料分选方面的进展，以及公司在开发一种机械分选过程方面的开创性工作，该过程能够一致性地按照聚合物类型和颜色分离混合的聚烯烃，为食品级的闭环回收铺平了道路。“我们在近红外(NIR)传感器、双面彩色相机和分选软件方面取得的进步，确保了 PE 和 PP 材料的有效分类，为混合聚烯烃实现闭环回收奠定了基础，”Olsson 补充说。
深度学习——革命性的变革者
对于回收行业而言，今天的革命性技术是 AI 中的深度学习部分，它进一步提高了分选的准确性和对材料流的适应性。庞大的训练数据集和神经网络使深度学习技术能够识别和回收那些传统技术难以甚至无法区分的材料。
为了让深度学习发挥作用，软件工程师需要使用成千上万张图片对网络进行训练，这些图片包含了丰富的对象信息。网络通过识别数据中的模式，将这些信息与分选任务相联系。
鉴于这些最新的 AI 进展是特定应用领域的，Belmares 提醒说，技术供应商必须向客户提供材料测试、培训和优化服务。“供应商不能仅仅是将基于 AI 的设备安装好就走人，”他说。“只有经过良好的优化和定位，以及培训员工如何充分利用这些设备，才能发挥出设备的最大潜力。”
优化使得分选过程能够更加精细。尽管传统的光学分选器可以准确地识别并从材料流中分离出铝，“通过深度学习训练的系统进一步地，能够检测并分离出流中的特定铝制品，如使用过的饮料容器（UBC），”Rhoad 说明。“深度学习使得回收商可以针对性地选择特定价值流，并提升该产品的纯度。”
Rhoad 对深度学习以及 AI 在未来改善分选过程中的角色持乐观态度。“我们已经推出了基于陶朗深度学习 GAIN 的木材分选等应用，并即将推出专注于上述 UBC 清洁的应用。我们还看到了在 PET 清洁以及从材料流中识别 PET 食品级容器方面的行业潜力。”
由于 AI 的深度学习技术能够被训练来像人类分选工一样识别传送带上的物体，当与传统的分选技术结合使用时，它能够将最终产品的质量和产量提升到新的高度。然而，由于深度学习技术是针对特定应用的，回收商需要与值得信赖的技术供应商合作，确保他们能够充分利用这一技术。