在回(hui)收行(xing)業(ye)，人(ren)工智(zhi)能(neng)（AI）的(de)討論如風暴般席(xi)卷(juan)而(er)來，背后有(you)著充分(fen)的(de)理由。若應(ying)用得當，當下涌現的(de) AI 技術能(neng)夠改(gai)變資源回(hui)收行(xing)業(ye)的(de)游戲規則，推進自(zi)動化(hua)進程，并有(you)效地對復雜材(cai)料進行(xing)更(geng)精細的(de)分(fen)選。但(dan)如果應(ying)用不當，不僅會浪費大量(liang)時間，還會導致巨大的(de)財(cai)務(wu)損失(shi)。
最近，一種新型的(de)(de)光學分選器彈射(she)技術吸(xi)引了大家的(de)(de)注意(yi) —— 使(shi)用機(ji)械(xie)手(shou)臂(bei)而非傳統的(de)(de)閥(fa)塊技術。
傳統的閥(fa)塊光(guang)學分選(xuan)器，這種設備已經在很多回收中心使用(yong)了幾(ji)十年，通(tong)過精(jing)確控制的氣流脈沖(chong)進行物料分選(xuan)，處(chu)理(li)速度可達每小時(shi)8噸(dun)或(huo)更高，具體(ti)取決于(yu)分選(xuan)任務的復雜度。而新引入的機械手臂，其動作(zuo)更類似于(yu)人類的挑選(xuan)動作(zuo)，處(chu)理(li)速度略高于(yu)人工，大約為(wei)每小時(shi)0.5噸(dun)。
因此，陶朗回收(shou)分(fen)(fen)選的(de)美(mei)洲區域(yu)總監(jian) Ty Rhoad 強調(diao)，回收(shou)商需要深入了(le)解 AI 的(de)實質及其設計目的(de)。他指(zhi)出，AI 并非指(zhi)機械設備本身，不論是(shi)機械手臂還(huan)是(shi)閥塊，而應(ying)將注意力轉(zhuan)向(xiang)如何將 AI 作為全面(mian)解決方案的(de)一部(bu)分(fen)(fen)，在設施中得(de)到有效應(ying)用。
“現在，AI 仿佛(fo)成了每個客戶都必(bi)須擁有的(de)技(ji)術，”他表(biao)示。“回收商(shang)必(bi)須徹底理(li)(li)解它(ta)(ta)的(de)工(gong)作原理(li)(li)以及(ji)它(ta)(ta)將如何優化分選過程。否則，最終的(de)產品質(zhi)量和投資回報(bao)可能達(da)不到預期。”
AI 并非新鮮事物
好(hao)消(xiao)息是(shi)，AI 對回(hui)收(shou)行業而言并不(bu)是(shi)新技(ji)(ji)術，許多回(hui)收(shou)設(she)施已(yi)經在(zai)(zai)使用(yong)各種形式(shi)的(de) AI。傳統(tong)的(de)閥塊光學(xue)分(fen)選技(ji)(ji)術，借助(zhu)數十(shi)年的(de) AI 應用(yong)，已(yi)經實現了分(fen)選流(liu)(liu)程的(de)自動(dong)化并提高(gao)了回(hui)收(shou)產品的(de)純度。設(she)施構建者和技(ji)(ji)術供(gong)應商與客(ke)戶合作，設(she)計了材(cai)料(liao)流(liu)(liu)動(dong)路徑，旨(zhi)在(zai)(zai)提升產量、純度和處理速度，同(tong)時(shi)減少手工分(fen)選的(de)需求。
AI 的(de)(de)核心在于軟(ruan)(ruan)件(jian)和(he)算(suan)法(fa)，而非硬(ying)件(jian)。傳統(tong) AI 結合了多種傳感器技術，如 RGB 相(xiang)機(ji)、近紅外(wai)(NIR)、激光(guang)、電(dian)磁(ci)(EM)和(he)X射線，能自(zi)動(dong)識(shi)別并處理不同的(de)(de)材料。“傳統(tong) AI 本質(zhi)上是一(yi)個手動(dong)設置的(de)(de)過程，”陶朗的(de)(de)現(xian)場服務主管(guan) Anthony Belmares 表示。“技術人員負責設計分選(xuan)(xuan)系統(tong)，并將其集成到我們自(zi)主開(kai)發的(de)(de)分選(xuan)(xuan)軟(ruan)(ruan)件(jian)中(zhong)。”
每臺基于傳感(gan)器的(de)分(fen)選(xuan)機都(dou)包含(han)許多關鍵組(zu)件，它(ta)們(men)各(ge)司(si)其職，根據分(fen)選(xuan)任務的(de)需(xu)要進行選(xuan)擇配置。材(cai)(cai)料(liao)分(fen)選(xuan)的(de)效(xiao)率(lv)取決于傳感(gan)器系(xi)(xi)統、數(shu)據處理軟件、輸(shu)送系(xi)(xi)統和(he)噴射系(xi)(xi)統等(deng)核心組(zu)件的(de)協同工作(zuo)。Rhoad 表示：“我們(men)自行開發(fa)軟件，以(yi)便為不同的(de)材(cai)(cai)料(liao)流，從廢物、塑料(liao)到金屬和(he)木材(cai)(cai)，提供最佳的(de)分(fen)選(xuan)性能。”
傳感器(qi)(qi)技(ji)術和(he)(he)傳統(tong) AI 的(de)進步(bu)已經在自動化分選(xuan)(xuan)方面取得(de)了顯著成果。隨著光學分選(xuan)(xuan)器(qi)(qi)設計的(de)進化，更(geng)(geng)強大的(de)算力和(he)(he)更(geng)(geng)精確(que)的(de)算法被(bei)應(ying)用，利用傳統(tong) AI 顯著提高(gao)了顏色分選(xuan)(xuan)的(de)準確(que)度(du)。“這使得(de)材(cai)料(liao)回收設施能(neng)夠更(geng)(geng)高(gao)效地分選(xuan)(xuan)出(chu)高(gao)價值的(de)透明(ming)和(he)(he)淺藍(lan)色 PET，從而以(yi)更(geng)(geng)高(gao)的(de)純(chun)度(du)和(he)(he)較少的(de)污(wu)染出(chu)售(shou)，相(xiang)比(bi)之下，這些材(cai)料(liao)以(yi)前可能(neng)只(zhi)能(neng)作為較低等級的(de)材(cai)料(liao)出(chu)售(shou)，”Rhoad 解釋說。
五年(nian)前，光(guang)學(xue)分(fen)選器(qi)(qi)難以(yi)(yi)區分(fen) PET 瓶和熱成(cheng)型制(zhi)品。現(xian)在，區分(fen)這兩種材料(liao)的(de)(de)(de)能力意味著更(geng)高質量的(de)(de)(de) rPET 可以(yi)(yi)被循環利用制(zhi)造新(xin)的(de)(de)(de) PET 瓶。“我們開發了(le) SHARP EYE? 傳感器(qi)(qi) 和我們的(de)(de)(de)智能對象識別(bie)(bie)(bie)軟件，使 AUTOSORT? 能夠識別(bie)(bie)(bie) PET 瓶和熱成(cheng)型制(zhi)品之間的(de)(de)(de)細微差別(bie)(bie)(bie)，從而實現(xian)它們的(de)(de)(de)分(fen)離和等效回收，”TOMRA 的(de)(de)(de)塑(su)料(liao)部(bu)門經理(li) Eric Olsson 表示(shi)。
他(ta)還提到了最近在片狀物(wu)料分(fen)選(xuan)方(fang)面(mian)的進展，以及公司在開發一(yi)種機(ji)械(xie)分(fen)選(xuan)過(guo)程方(fang)面(mian)的開創性(xing)工作(zuo)，該過(guo)程能夠一(yi)致性(xing)地按照聚合(he)物(wu)類型和顏(yan)色分(fen)離混合(he)的聚烯(xi)烴，為食品(pin)級的閉(bi)環回(hui)收(shou)鋪平了道路(lu)。“我們在近紅外(wai)(NIR)傳感(gan)器、雙面(mian)彩色相機(ji)和分(fen)選(xuan)軟(ruan)件方(fang)面(mian)取得的進步(bu)，確保了 PE 和 PP 材料的有效分(fen)類，為混合(he)聚烯(xi)烴實現閉(bi)環回(hui)收(shou)奠定了基(ji)礎(chu)，”Olsson 補充說(shuo)。
深度學習——革命性的變革者
對于回收行(xing)業而言，今天的(de)(de)革命性(xing)技(ji)術是 AI 中的(de)(de)深度(du)學習部分(fen)(fen)，它進(jin)一步提(ti)高了分(fen)(fen)選的(de)(de)準確性(xing)和對材(cai)料流的(de)(de)適應性(xing)。龐大的(de)(de)訓練數據集和神(shen)經網(wang)絡使深度(du)學習技(ji)術能夠識別和回收那些傳(chuan)統技(ji)術難以甚(shen)至無法區(qu)分(fen)(fen)的(de)(de)材(cai)料。
為了讓深度學習發揮作(zuo)用(yong)，軟件工(gong)程師需(xu)要使用(yong)成千(qian)上萬張圖片(pian)對網絡進行(xing)訓練，這(zhe)些(xie)圖片(pian)包含了豐富的(de)對象(xiang)信(xin)(xin)息(xi)。網絡通過識別數據中(zhong)的(de)模(mo)式，將這(zhe)些(xie)信(xin)(xin)息(xi)與分(fen)選任(ren)務相聯(lian)系。
鑒于(yu)(yu)這些(xie)最(zui)(zui)新的(de) AI 進展是特定應(ying)用領域的(de)，Belmares 提(ti)醒說，技術供應(ying)商必須向(xiang)客戶(hu)提(ti)供材料測試、培訓和(he)優(you)化(hua)服務。“供應(ying)商不能(neng)僅(jin)(jin)僅(jin)(jin)是將基于(yu)(yu) AI 的(de)設備安裝好就走人(ren)，”他說。“只有經過(guo)良好的(de)優(you)化(hua)和(he)定位，以及(ji)培訓員工如何充(chong)分利用這些(xie)設備，才能(neng)發揮出設備的(de)最(zui)(zui)大(da)潛力。”
優化使得(de)分(fen)(fen)選(xuan)過程能(neng)夠(gou)更(geng)加精細。盡管傳統的(de)光學(xue)(xue)分(fen)(fen)選(xuan)器可以(yi)準確地(di)識別(bie)并從(cong)材料流中分(fen)(fen)離(li)出鋁，“通過深(shen)度學(xue)(xue)習訓練的(de)系(xi)統進一(yi)步地(di)，能(neng)夠(gou)檢測(ce)并分(fen)(fen)離(li)出流中的(de)特定(ding)鋁制(zhi)品，如使用過的(de)飲料容器（UBC），”Rhoad 說明。“深(shen)度學(xue)(xue)習使得(de)回收(shou)商可以(yi)針對性地(di)選(xuan)擇特定(ding)價值(zhi)流，并提升該產品的(de)純度。”
Rhoad 對深度(du)(du)學習以及 AI 在未(wei)來改善分(fen)選過程(cheng)中(zhong)的(de)角色持樂觀態度(du)(du)。“我們已經(jing)推出了基于陶朗深度(du)(du)學習 GAIN 的(de)木材(cai)分(fen)選等應用(yong)，并即將推出專注于上述 UBC 清(qing)潔(jie)的(de)應用(yong)。我們還看到(dao)了在 PET 清(qing)潔(jie)以及從材(cai)料流中(zhong)識別 PET 食品級容器(qi)方面的(de)行業潛力。”
由(you)于 AI 的(de)深(shen)(shen)度學習(xi)技(ji)(ji)(ji)術(shu)能(neng)夠(gou)(gou)被訓練來像人類分(fen)選(xuan)工一樣識別傳送帶上的(de)物(wu)體，當(dang)與(yu)傳統的(de)分(fen)選(xuan)技(ji)(ji)(ji)術(shu)結合(he)使(shi)用時(shi)，它(ta)能(neng)夠(gou)(gou)將(jiang)最終產品的(de)質量和產量提升到新的(de)高度。然而，由(you)于深(shen)(shen)度學習(xi)技(ji)(ji)(ji)術(shu)是針(zhen)對特定應(ying)用的(de)，回收(shou)商需要(yao)與(yu)值得(de)信賴的(de)技(ji)(ji)(ji)術(shu)供(gong)應(ying)商合(he)作，確(que)保(bao)他們能(neng)夠(gou)(gou)充分(fen)利用這一技(ji)(ji)(ji)術(shu)。