《Waste Management》:AI-based plastic waste classification for sorting purposes: A review on recent progresses and challenges
编辑推荐:
这篇综述系统回顾了2015-2025年间112篇文献,重点探讨了人工智能(AI)在塑料废物自动化识别与分选领域的最新进展。文章深度剖析了机器学习(ML)、深度学习(DL)和计算机视觉与光谱技术(如近红外NIR、傅里叶变换红外光谱FTIR、拉曼光谱)融合应用的现状,对比了卷积神经网络(CNN)、YOLO架构、Transformer模型等主流AI方法的性能。同时,文章也指出了该领域在真实数据集、可扩展性和环境适应性方面面临的关键挑战,并为未来研究(如轻量化模型、多传感器融合、边缘AI部署)指明了方向。
塑料废物分类的智能革命:AI与光谱技术的融合前沿
引言
随着全球人口增长与消费水平提升,非生物降解性塑料废物的数量急剧上升,对环境和健康构成了严重威胁。有效的废物管理,包括分类、回收和处置,对于减少污染、保护资源和促进可持续发展至关重要。在回收流程中,准确、高效的塑料分类是获得高纯度再生料、实现高质量回收的关键前提。传统的分类方法,如人工分选或基于密度、颜色的机械分选,存在效率低、准确性差、成本高等问题,难以应对日益复杂和庞大的塑料废物。近年来,人工智能(AI)技术与先进光谱方法的结合,正在彻底改变塑料废物的识别与分类方式,为实现自动化、高精度的分选系统带来了革命性的变革。
技术路径:从数据采集到物理分离
一套完整的自动化塑料废物分类系统通常包含四个核心阶段:数据采集、数据处理、分选决策和物理分离。数据采集依赖于各种传感器技术,如可见光(VIS)、近红外(NIR)、中红外(MIR)、拉曼(Raman)、激光诱导击穿光谱(LIBS)以及X射线荧光(XRF)等,用于捕捉塑料材料的光学、化学或元素信息。这些技术各具特点,例如NIR技术速度快、穿透力强,但对黑色塑料和含溴系阻燃剂(BFRs)的材料效果不佳;XRF则擅长识别含氯的聚氯乙烯(PVC)和含BFRs的塑料。数据处理是系统的“大脑”,涉及机器学习(ML)、深度学习(DL)、计算机视觉和化学计量学方法,用于分析和解读传感器收集的复杂数据,从而识别和分类不同的塑料类型(如PET、HDPE、LDPE、PP、PS、PVC等)。基于处理结果,系统做出分选决策,最后通过气动喷阀、机械臂或传送带等装置实现物理分离。
人工智能:驱动分类精度的核心引擎
AI技术,特别是机器学习和深度学习,已成为提升塑料分类精度与效率的核心驱动力。其应用通常遵循一个标准流程:首先对传感器采集的图像或光谱数据进行预处理(如去噪、基线校正、特征提取),然后利用选定的AI算法进行分类,最后通过性能评估选择最优模型。
在众多AI模型中,以下几类尤为突出:
- •
卷积神经网络(CNN):一种模仿人脑结构的深度学习模型,通过卷积层自动学习图像中的层次化空间特征,特别适用于处理RGB图像和高光谱图像。研究表明,定制化的CNN模型在分类多种塑料时准确率可达87%至99%,甚至100%。
- •
YOLO系列模型:“只看一次”的实时目标检测算法,能够快速定位并识别图像中的塑料物品。从YOLOv1到最新的YOLOv12,该系列在速度和精度上不断进化,在传送带分选场景中表现出色,平均精度均值(mAP)可达0.929。
- •
支持向量机(SVM):一种监督式机器学习算法,通过寻找最优超平面来最大化不同类别样本之间的间隔,常用于处理光谱数据。结合拉曼光谱,SVM对老化塑料的分类准确率可达97.3%。
- •
随机森林(RF)与k-近邻(KNN):RF是一种集成学习算法,通过构建多个决策树进行投票分类,在处理MIR光谱数据时表现出高准确率。KNN则是一种基于实例的学习方法,根据“最近邻”样本的类别进行分类,常与光谱技术联用。
当前实践:多元化技术路径与集成应用
当前的AI驱动塑料分类研究与实践呈现出多元化与集成化的特点。基于CNN的图像分类系统已被成功应用于从零售废物到海洋塑料碎片等多种场景的分类。YOLO等目标检测模型则与可编程逻辑控制器(PLC)集成,实现了工业环境下的实时分选。Transformer架构的模型,如Swin Transformer和DETR,也开始展现出卓越的性能,但面临计算成本高的挑战。
将AI与光谱技术深度融合是另一个主要趋势。例如,将NIR、FTIR或拉曼光谱与SVM、RF、CNN等算法结合,可以克服单一光谱技术或视觉技术的局限。这种“光谱+AI”的模式在区分化学成分相似但外观不同的塑料(如HDPE与LDPE)、识别黑色塑料、以及处理老化或受污染的塑料方面具有显著优势。研究显示,这种混合方法的分类精度通常超过90%,甚至可达100%。
此外,激光诱导荧光(LIF)、高光谱成像(HIS)、太赫兹时域光谱(THz-TDS)等新兴传感技术也与AI结合,用于解决黑色塑料分选、颜色分选、微塑料检测等特定难题。物联网(IoT)设备,如智能回收箱和回收自动售货机(RVM),也开始搭载轻量级AI模型,推动源头分类的智能化。
直面挑战:迈向规模化应用的障碍
尽管AI驱动分类技术取得了令人瞩目的实验室精度,但其在真实工业环境中的大规模应用仍面临多重挑战:
- 1.
数据质量与多样性:许多模型依赖小型、干净、平衡的数据集进行训练,难以应对真实废物中存在的复杂情况,如严重污染、形变、遮挡、类别不平衡(某些塑料类型样本过少)等。高质量、大规模、标注完善的现实世界数据集仍然稀缺。
- 2.
传感器与环境的局限性:光照变化、背景噪声、物体运动速度、传感器本身的探测极限(如NIR对黑色塑料无效)都会影响数据采集质量,进而降低分类准确性。
- 3.
模型本身的局限:复杂的深度学习模型(如Transformer)计算需求大,难以在资源受限的边缘设备上实时运行。模型可能存在过拟合、对小目标或密集物体检测效果差、对新增类别适应性弱等问题。
- 4.
系统集成与工程化难题:将AI算法与现有的工业控制系统(如PLC)、机械执行机构(如气动喷阀、机器人)无缝集成是一项复杂的工程挑战。系统的可靠性、维护成本和运行速度必须满足工业级要求。
- 5.
经济性与可扩展性:高昂的初始投资(特别是高端光谱传感器和计算硬件)、运营成本以及对专业技术人员的要求,阻碍了该技术在中小型回收设施的普及。系统的处理能力(吨/小时)和分选纯度需要达到经济可行的阈值。
未来展望:轻量化、融合与边缘智能
为克服现有挑战,未来的研究应聚焦于以下几个方向:
- •
开发轻量化模型:设计计算效率更高、参数量更少的神经网络架构,使其能够部署在嵌入式设备或边缘计算单元上,降低成本和功耗。
- •
推进多传感器融合:协同利用多种传感模态(如RGB相机+NIR光谱+激光测距)提供互补信息,提升系统在复杂条件下的鲁棒性和分类精度。
- •
拥抱边缘AI:将AI推理能力下沉到分选设备端,减少对云端计算的依赖,实现更低延迟的实时决策,并保护数据隐私。
- •
构建标准化数据集与基准:推动行业建立开放、大规模、贴近实际的塑料废物图像与光谱数据库,并设立统一的性能评估基准,以促进算法公平比较和持续改进。
- •
关注全生命周期与循环经济:将AI分选技术与后续的回收工艺(如机械回收、热解)更紧密地结合,根据最终产物的质量需求来优化分选策略,最大化回收材料的经济和环境价值。
总之,人工智能与先进传感技术的融合正在为塑料废物分类开启一个智能、精准、高效的新时代。尽管前路仍有挑战待解,但通过持续的技术创新与跨学科合作,AI驱动的分选系统有望成为构建可持续塑料循环经济的关键基石。