《Technologies》：Intelligent and Automated Technologies for Textile Recycling Pre-Processing: A Systematic Literature Review
Daniel Lopes,
Eduardo J. Solteiro Pires,
Vítor Filipe,
Manuel F. Silva and
Luís F. Rocha
摘要：纺织品到纺织品回收（textile-to-textile recycling）受到上游预处理（pre-processing）的强烈制约，在该阶段，消费后服装必须在材料、外观和污染高度可变的情况下进行识别、分类和准备。本文提出了一项遵循系统性综述与元分析优先报告条目（PRISMA）指南的系统性文献综述，涵盖2015年至2025年间纺织品回收预处理的智能化与自动化技术。经过筛选和质量评估，最终纳入了21篇2020年至2025年间发表的主要研究。研究人员将文献综合至三个任务系列：（i）纤维/材料、成分或颜色的识别（identification）；（ii）分拣（sorting），仅当定义了明确的分离策略以将识别结果转化为路径操作或输出流时才考虑；（iii）污染物检测和/或去除（contaminant detection and/or removal），针对不可回收物品。结果表明，识别主导了该领域（21篇中有19篇），得到红绿蓝（RGB）和红绿蓝加深度（RGB-D）成像以及材料特征传感（包括近红外（NIR）光谱、高光谱成像（HSI）和拉曼光谱（Raman spectroscopy））的支持。相比之下，作为定义分离阶段的分拣较少出现（21篇中有4篇），与污染物相关的自动化仍然稀少（21篇中有3篇）。大多数研究在实验室条件下得到验证，半工业证据有限，凸显了持续的感知到行动差距。总体而言，综述指出，稳健的分离策略、代表性数据集和端到端系统集成仍然是可扩展自动化纺织品回收预处理的关键瓶颈。
1. 引言（Introduction）
纺织品和服装已成为现代社会的基本商品，纺织服装业是全球最大的经济部门之一。全球服装市场在2025年达到约1.66万亿欧元，预计到2032年增长至约2.12万亿欧元，体现了纺织品生产和消费的庞大规模和持续扩张。纺织业的高速增长由人口增长、全球化及快时尚消费模式驱动，使其成为资源消耗最大、环境影响最严重的行业之一。全球纤维产量在2024年达到约1.32亿吨的历史新高，其中原生化石基合成纤维（尤其是聚酯）仍占主导，而消费后再生纤维在总纤维市场中的占比不足1%，凸显了纺织品到纺织品回收技术的局限性以及对改进材料分离和污染物减少策略的迫切需求。在欧洲，人均纺织废料年产生量超过15千克，但仅有不到1%的废纺织品被回收为新纤维。提高纺织品回收、再利用和再循环是实现可持续循环纺织经济的关键目标。
纺织品回收涉及将消费前和消费后纺织废料再加工为新材料或产品。然而，回收过程的效率和可扩展性受到上游预处理阶段的强烈制约，这些阶段通常包括材料/纤维识别、分拣（基于识别结果将物品路由到不同输出流）以及污染物和不可回收物品的检测与去除。不充分的预处理是纺织回收的主要瓶颈之一，因为污染物和复合结构会损坏回收设备、降低纤维质量并限制回收产出的适用性。传统上，许多预处理操作依赖人工，劳动密集且难以规模化。为此，研究者越来越关注人工智能（AI）、计算机视觉、机器人技术和自动化在纺织回收预处理中的应用。现有研究仍较为分散，集中在孤立任务、特定材料或有限实验设置上，数据集、方法论和验证策略的多样性使得评估整体领域状况和识别持续研究空白（尤其是污染物检测和自动化处理）变得困难。
已有几篇综述从更广泛的角度处理纺织回收，但通常将预处理视为次要步骤，未对智能化与自动化解决方案进行任务级综合。本综述在三个方面区别于先前工作：范围聚焦——明确限定于上游预处理，围绕识别、分拣、污染物检测/去除三个核心任务系列，并系统分析物理处理和自动化机制作为跨领域操作维度；集成视角——将AI驱动、计算机视觉、机器人技术和自动化方法视为集成预处理管道的组成部分；比较深度——不仅比较算法性能，还通过传感模态、数据集特征、验证协议和技术成熟度进行系统比较。
本综述的主要贡献包括：（i）结构化综合纺织回收预处理相关挑战；（ii）不同任务和应用背景下AI驱动与自动化方法的比较分析；（iii）识别研究空白和开放挑战，特别是不可回收物品检测、自动化处理和可扩展系统集成。
研究问题（Research Questions）包括：RQ1：AI、计算机视觉、机器人技术和自动化技术如何应用于纺织回收预处理（从感知和识别到路由决策和物理执行）？RQ2：文献中最常涉及哪些预处理任务？RQ3：采用了哪些类型的AI驱动和自动化方法？RQ4：使用了哪些数据集、传感模态和验证策略？RQ5：提出方法在离线评估之外的验证程度如何，报告了何种技术成熟度水平？RQ6：现有研究识别了哪些局限、挑战和研究空白？
2. 系统综述方法论（Systematic Review Methodology）
本综述遵循PRISMA指南进行，以确保文献选择和过程的透明度、可重复性和方法论严谨性。方法论包括跨多个科学数据库的系统搜索、多阶段研究选择过程以及结构化质量评估。
2.1 范围定义（Scope Definition）
使用PICOC（Population, Intervention, Comparison, Outcome, Context）框架定义范围，明确研究人群、技术干预、预期结果和应用背景，支持可重复的搜索策略和降低包含超出范围研究的风险。
2.2 搜索策略（Search Strategy）
系统搜索设计用于识别关于纺织回收预处理智能化和自动化技术的同行评审研究。搜索限制在2015-2025年，仅考虑英文期刊文章和会议论文。最终数据库搜索于2025年12月17日进行。选用了四个数据库：Dimensions、IEEE Xplore、Web of Science和Scopus。
经过初步探索性搜索，发现关键词共现网络中存在废水处理、农业机器人等无关主题。通过显式排除这些术语并调整学习相关术语的表达（使用(machine OR deep) AND learning），最终优化搜索字符串为：(((textil* AND (recycl* OR wast*)) OR (post-consum* AND textil*)) AND ("computer vision" OR ((machine OR deep) AND learning) OR "image processing" OR robot? OR robotic?) AND NOT wastewater AND NOT "agricultural robots")。最终搜索共获得595条记录（Dimensions 124、IEEE Xplore 212、Web of Science 106、Scopus 153）。
2.3 研究选择过程（Study Selection Process）
遵循PRISMA指南进行多阶段筛选：去重后保留416条唯一记录；通过标题和摘要筛选排除明显不符合范围的研究；对保留研究进行全文审阅以确定最终资格，并使用Parsifal平台辅助管理。最终纳入21篇研究（从595条记录大幅减少）。
2.4 纳入与排除标准（Inclusion and Exclusion Criteria）
制定了预定义的纳入和排除标准，包括出版年份、语言、文献类型以及科学相关性、方法论充分性和对纺织回收预处理的适用性。排除标准主要应用于标题和摘要筛选阶段。
2.5 质量评估（Quality Assessment）
对保留研究进行质量评估，评价其方法论严谨性、科学相关性和技术成熟度。每个研究使用7个标准（QA1-QA7）评分，总分最高8.0。QA5（实验验证和性能评估）最高2.0分。应用了排除阈值：QA1或QA2得0分的研究被排除；最低总质量得分门槛为5.5（满分8.0的68.75%）。最终合成中包含的研究大多得分在5.5或7.0附近，反映了当前文献中存在两个主要群体：具备清晰概念验证但数据集报告和验证成熟度有限的研究，以及具有更强数据集文档、实验验证和更全面方法论报告的研究。
2.6 数据提取与综合（Data Extraction and Synthesis）
对每项研究提取：书目元数据、目标预处理任务、传感模态与采集设置、AI/计算机视觉与自动化方法、数据集特性、实验环境、验证协议与性能指标、报告局限与假设。将每项研究映射到三个任务系列（识别、分拣、污染物检测/去除），并分析物理处理和感知-行动耦合作为跨领域实施维度。
3. 结果（Results）
3.1 预处理任务覆盖（Coverage of Pre-Processing Tasks）
识别是最常见的研究重点，出现在21篇中的19篇（90.5%），通常表述为监督学习问题（分类或回归）。成像方法依赖可见表面特征，而光谱方法（NIR、HSI、Raman）更直接联系化学组成，但仍受水分、多层织物和染料影响。分拣仅出现在4篇（19.0%）中，需定义明确的分离动作（如投掷、拾取放置）。污染物检测/去除仅在3篇（14.3%）中，主要关注纽扣、铆钉和拉链，多数停留在定位而非闭环去除。
3.2 处理、操作与自动化机制（Handling, Manipulation, and Automation Mechanisms）
少数研究实现了明确的执行机制：传送带式路由（如气动喷射分拣）、机器人操作（拾取放置）和拆卸动作（机器人拉链去除）。大多数研究仍停留在感知层面，缺乏闭环物理执行。机器人操作面临抓取规划、感知-行动延迟和失败恢复等耦合不确定性。
3.3 方法与算法趋势（Method and Algorithmic Trends）
深度学习是统一的方法论基板，在RGB/RGB-D图像和光谱数据中均广泛使用。传统机器学习和化学计量建模在光谱驱动识别中仍占重要位置，强调可解释性和决策边界稳定性。回归方法用于成分估计，但低回归误差不一定转化为稳健的路由决策。经典计算机视觉方法用于颜色分类，但对实际废物流中的变化敏感。
3.4 传感与采集设置（Sensing and Acquisition Setups）
RGB和RGB-D成像最普遍（12/21，57.1%），但性能受控于照明和展示假设。NIR测量占8/21（38.1%），提供更直接的化学代理，但受水分和处理影响。HSI占3/21（14.3%），保留空间结构用于异质纺织品。Raman光谱在传送带集成设置中展现化学特异性，但面临荧光背景。多模态配置（6/21，28.6%）通过互补信息减少歧义，但引入配准和融合延迟等系统级依赖。
3.5 数据集与评估协议（Datasets and Evaluation Protocols）
数据集规模从几十到数十万个样本不等，来源包括受控采集、真实废物和混合类型。评估策略包括固定训练/测试分割、交叉验证和外部验证集，但仅有少数研究显式考虑混淆因素。多数数据集为私有或专有，限制了可重复性。
3.6 验证环境与技术成熟度（Validation Environments and Technological Maturity）
大多数研究在受控实验室条件下验证（85.7%），半工业验证仅占9.5%（如NIR在线识别和Raman在线光谱），工业部署仅4.8%（颜色分拣系统）。闭环物理执行在少数机器人或传送带系统中展示，但多数仍处于原型阶段。
3.7 任务级性能综合（Task-Level Performance Synthesis）
纤维和材料识别在受控条件下通常报告高性能（如超98%准确率），但受限于数据集代表性和混淆因素。颜色分类在工厂条件下可达96.57%，但颜色对过程选择是弱代理。污染物检测性能差异大（如拉链检测F1仅0.474）。感知-行动耦合在机器人系统中引入抓取稳定性等额外约束。
4. 讨论（Discussion）
4.1 识别的优势与领域内性能的局限（Dominance of Identification and the Limits of In-Domain Performance）
识别最为一致，但高准确率常源于受控采集和窄类别集。实际消费后废物流中的变异是结构性的。光谱方法提供更直接的化学链接，但面临水分回归、染料吸收等混淆因素。传感模态的选择不仅由准确率决定，还受系统级约束（鲁棒性、成本、吞吐量）影响。
4.2 分拣作为操作步骤：从标签到分离策略（Sorting as an Operational Step: From Labels to Separation Strategies）
许多研究产生分拣相关输出但未明确分离策略。分拣需考虑决策延迟、时序同步、路由可靠性和失败传播。领域仍以感知为中心，缺少工程实现。
4.3 污染物去除与拆卸的不足（Underrepresentation of Contaminant Removal and Disassembly）
仅少量研究处理污染物检测/去除，多数停留在定位阶段。驱动的困难在于物理交互、工具-接触不确定性和安全约束。
4.4 感知-行动差距作为核心瓶颈（The Perception-to-Action Gap as a Central Bottleneck）
主要限制是感知输出与可靠物理执行之间的持续差距。失败源从分类错误转向感知-行动耦合错误。纺织回收自动化本质上是系统问题，而非纯粹识别问题。
4.5 数据集局限性、可重复性与共享基准的需求（Dataset Limitations, Reproducibility, and the Need for Shared Benchmarks）
数据集规模、样本定义和可用性高度异质。多数为私有或专有，限制了可重复性。数据集的代表性比规模更关键。未来需开发捕获真实废物流混淆因素的公共数据集。
4.6 对循环纺织系统的更广泛影响（Broader Implications for Circular Textile Systems）
可靠的纤维分离、污染物去除和路由稳定性是实现高纯度次级原材料的前提。上游自动化不足导致下游回收过程受限于原料不确定性，降低回收率和经济竞争力。主要瓶颈不是先进识别算法的缺失，而是感知、决策和行动在真实废物流条件下的有限集成。
4.7 研究空白与未来方向（Research Gaps and Future Directions）
主要挑战包括：有限的端到端验证、对废物流变异的鲁棒性不足、污染物去除和拆卸稀缺、处理集成不充分、可重复性障碍、缺乏部署导向指标。
4.8 本综述的局限（Limitations of This Review）
时间窗口和数据库选择可能遗漏工业报告或未索引文献。任务定义、传感设置和评估指标的异质性限制了直接跨研究可比性。
5. 结论（Conclusions）
本综述综合了21篇主要研究，显示研究仍以识别任务为中心，尤其是使用成像和光谱传感的纤维分类和成分估计。光谱方法在领域内性能较高，但受采集制度和数据集代表性强烈制约。相比之下，很少研究将分界定为操作分离过程，更少展示集成感知与物理执行的端到端系统。污染物相关任务尤为不足。集体发现揭示了感知-行动差距：识别准确率的进步超过了在真实废物流条件下可靠物理执行的进展。未来研究应优先开发代表性数据集、部署导向指标以及针对可变形和杂乱服装的稳健处理策略。填补这些空白对于实现循环价值链中可扩展、经济可行且操作可靠的、支持高纯度纺织品到纺织品回收的管道至关重要。
