《Resources, Conservation & Recycling Advances》：From textile production to end-of-life recycling: a comprehensive systematic review of AI applications in the textile value chain for the circular economy
编辑推荐：
随着消费后纺织废弃物的规模超出人工检验与分拣的实际和经济可行极限，全球每年约产生9200万吨纺织废弃物，但其中仅有少量被收集用于回收，估计仅有1%最终再生为新纤维从而实现纺织到纺织的回收。在分拣设施内，价值回收主要取决于三个属性：纤维纯度、颜色一致性和物品状况
随着消费后纺织废弃物的规模超出人工检验与分拣的实际和经济可行极限，全球每年约产生9200万吨纺织废弃物，但其中仅有少量被收集用于回收，估计仅有1%最终再生为新纤维从而实现纺织到纺织的回收。在分拣设施内，价值回收主要取决于三个属性：纤维纯度、颜色一致性和物品状况。人工分拣仍然劳动密集、不一致且受经济条件制约。与此同时，欧盟《废物框架指令》修正案和《可持续产品生态设计法规》等政策和监管要求日益严格。近年来传感硬件和边缘人工智能领域的进展显著提升了自动化纺织分拣的可行性，但实验室性能与工业部署之间仍存在巨大差距。现有文献综述按所采用的技术或所处理的应用来组织研究，而非按分拣流水线必须作出的运营决策来组织，且均未评估工业就绪度。本综述从系统视角出发，将文献构建为一个六阶段分拣流水线，围绕自动化分拣流水线必须作出的运营决策来组织。本工作有两项主要贡献：第一，使用所提出的六阶段框架综合了近期基于人工智能的纺织分拣研究，将每项研究分配至其主要运营功能；第二，超越常规准确度指标，通过分析数据实用性、校准实践、吞吐量验证和技术就绪水平评估部署就绪度。本综述遵循PRISMA 2020指南，检索限定于Scopus数据库，最终综合包含173项研究。研究发现，功能可再用性评估已成为饱和的子领域，而附件移除和可分离性在语料库中几乎完全缺失，技术就绪水平集中于TRL 3至4，实验示范与可扩展工业实施之间存在明显差距。
**人工智能赋能纺织分拣流水线：从结构缺陷饱和到附件移除空白的系统性诊断**
**1. 研究背景与问题提出**
消费后纺织废弃物的规模已远超人工检验和分拣的实际及经济可行极限。全球每年约产生9200万吨纺织废弃物，但仅有极小部分被收集用于回收，最终再生为新纤维从而实现纺织到纺织回收的比例估计仅为1%。在分拣设施内，价值回收取决于纤维纯度、颜色一致性和物品状况三个关键属性。人工分拣劳动密集、结果不一致且受经济条件制约，而再使用和转售等更高价值回收路径对跨维度的误分类高度敏感。循环经济实践综述同样从管理角度得出相同结论：回收商采用高效的分拣、分离和回收技术是实现闭环材料回收所依赖的关键杠杆之一。
工业示范已证明，基于机器视觉和近红外光谱的自动化分拣系统能够实现比传统人工方法更高且更稳定的纯度水平。商业化的自动化分拣系统已在工业规模上部署，但剩余挑战在于将其扩展至现实的消费后呈现形态、更广泛的分拣决策集合，以及这些商业系统在同行评审文献中的充分代表性。与此同时，政策与监管要求日益严格：2025年1月起欧盟《废物框架指令》修正案要求成员国引入纺织品单独收集系统，并将生产者责任延伸框架扩展至纺织品和鞋类；《可持续产品生态设计法规》建立了数字产品护照的立法基础，纺织品被列为优先行业。这些发展同时增加了纺织品的流入量和可追溯、可审计、高纯度分拣操作的需求。
尽管传感硬件和边缘人工智能的进展显著提升了自动化纺织分拣的可行性，紧凑型多模态传感器配置可与轻量级卷积神经网络和基于变换器的架构集成实现在嵌入式平台上的实时推理，但实验室性能与运营部署之间仍存在实质性差距。在真实传送带条件下，经过精心整理的数据集训练的模型经常性能退化，光谱分类器难以处理混纺纤维、涂层和整理剂，缺陷检测在花纹或严重磨损的服装上仍不可靠。部署就绪不仅取决于模型准确度，还取决于校准鲁棒性、代表性数据集的可用性、不确定性处理以及与工业过程约束的集成。
两项近期系统性综述分别按数据输入方法和计算机分析技术、以及按应用领域组织了44项和49项研究，但均未按分拣流水线必须作出的运营决策组织文献，也未报告工业就绪度评估。现有文献因此继续将自动化纺织分拣大致视为单一分类问题，这种处理方式过度简化了工业设施的运营现实。本综述从系统视角出发，将文献构建为围绕自动化分拣流水线必须作出的运营决策组织的六阶段分拣流水线，评估传感和建模选择对吞吐量、路径纯度和误分类率等运营指标的影响。
**2. 研究方法与技术**
本综述遵循PRISMA 2020指南，所有文献数据来源于Scopus数据库。检索策略基于三个应用于标题的概念组构建：(i) AI和机器学习方法，(ii) 纺织领域，(iii) 循环性和分拣概念。初始检索于2025年11月26日进行，2026年4月22日进行时效更新，2026年8月12日修订并重新运行最终检索。修订版查询返回868条记录，经与先前检索的771条唯一记录对账后，最终综合包含173项研究。所有研究映射至六阶段分拣流水线——阶段1纺织类型检测、阶段2颜色和图案识别、阶段3表面污染检测、阶段4功能可再用性评估、阶段5附件识别移除与可分离性、阶段6材料成分检测。每项研究根据其主要目标和评估设计归入一个主导阶段。技术就绪水平采用标准九级量表逐项评估，基于三个因素：数据集现实性、处理速度证据和系统集成水平。评估采取保守原则，证据模糊时选择较低级别。
**3. 研究结果**
**3.1 阶段1：纺织类型检测。** 共有11项研究分配至该阶段，涵盖织物组织级和缝迹级结构分类、服装类别识别等。报告准确率约95.9%至97.6%。两个反复出现的弱点限制了该阶段：11项研究均未处理代表真实回收呈现形态的褶皱、污损或散装喂入输入，且底层类别安排不能清晰映射至可回收行动的服装标签。
**3.2 阶段2：颜色和图案检测。** 共19项研究分类至该阶段。工业颜色系统集成是最一致的线索。两个部署范例值得关注：Furferi和Governi在普拉托羊毛回收设施开发的SOFM-FFBP系统在5000多件服装上实现95.0%可靠性，每件约需5秒完成分类；Zhou等人报告了首个专门部署于废弃纺织品回收的基于计算机视觉的颜色分拣系统，采用Pantone锚定统计最近邻模型，在10个颜色类别上实现96.57%整体准确率，两者均评估为TRL 6。该阶段主要缺陷在于研究多基于纯色机织织物，传送带上的多色图案服装分拣仍未得到充分解决。
**3.3 阶段3：表面污染检测。** 在该运营边界下仅七项研究保留为表面污染检测框架。语料库中唯一的TRL 7研究位于此处：Wei等人在棉纺厂外来纤维清除线上部署了定制7层CNN于FPGA-DSP嵌入式平台，以4至15米/秒运行，实现5毫秒推理延迟和85%误清除打击率降低，持续吞吐量350至500千克/小时。该阶段的反复弱点是集中而非缺失——七项研究中有五项针对原棉流中的外来纤维检测，三项工业部署均在此领域，而消费后服装上的污渍、污垢、生物性污垢和化学残留物检测基本处于空白。
**3.4 阶段4：功能可再用性评估。** 共有108项研究分配至该阶段，占语料库62.4%，是迄今为止最大的子集群。主导模式是结构缺陷的监督图像分类、检测或分割，作为可再用性的代理。可识别六个子范式：嵌入式CNN推理的工业部署、两阶段区域提议检测、U-Net和重建自编码器像素分割、轻量级CNN边缘部署、1995至2014年传统ANN和MLP缺陷检测，以及现代迁移学习、变换器混合和YOLO衍生架构。报告准确率范围为分类78%至99.8%，多类检测mAP 84.1%至96.3%，分割IoU 0.34至0.92。核心弱点是缺陷分类体系仍偏向制造质量控制，而非与消费后再使用相关的磨损、撕裂、褪色和结构完整性决策；108项研究中仅有1项在真正的消费后纺织品上评估，仅1项集成机器人执行器。
**3.5 阶段5：附件移除和可分离性。** 在173项研究中仅1项分配至该阶段。Wang等人使用Faster R-CNN检测和解码编织进纺织品的编码纱线标签，在108幅图像测试集上实现96.3% mAP。但该研究针对嵌入式标签可追溯性架构，而非拉链、纽扣、硬标签或饰件移除问题。修订后的检索明确加入了附件硬件词汇，返回的两条新记录均在筛选中被排除，均未涉及服装附件的检测、定位或移除。阶段5因此在期刊文献中几乎完全缺失。附件移除要求按回收路径分级：纤维素制浆和解聚均需预处理移除硬质部件，溶剂基路线要求移除非纺织配件，而热化学路线对污染物更耐受。因此阶段5能力是产生纤维到纤维输出的路径的约束性要求。
**3.6 阶段6：材料成分检测。** 共27项研究分配至该阶段。光谱采集结合深度学习是主导模式。报告准确率跨度为50.2%至99.76%。Ullal等人在Panipat回收设施部署了端到端机器人分拣系统，以每小时1022件、94.2%准确率运行，评估为TRL 6。反复出现的弱点是设备成本高、材料类别受限，以及近红外下棉和粘胶之间的持续混淆。
**3.7 AI方法格局。** CNN是压倒性的主导方法家族，出现于131项研究。YOLO变体是最广泛使用的目标检测家族，ResNet50和ResNet101是最常见的迁移学习起点，U-Net是最常见分割选择。视觉变换器和混合CNN-Transformer架构出现于13项研究。生成模型出现于10项研究。
**3.8 数据集现实性和类别平衡。** 数据集现实性是TRL的主要决定因素。69项研究依赖公共基准。传送带或真实工业在线采集在18项研究中报告。八项研究在真正的消费后纺织废弃物上评估：五项在阶段6，两项在阶段2，一项在阶段4，阶段1、3、5均无。
**3.9 传感器技术。** RGB相机主导语料库，近红外和高光谱成像集中在阶段6，1064纳米拉曼光谱在两项研究中报告，FTIR-ATR在两项研究中出现，微CT和X射线在三项研究中用作结构成分代理。
**3.10 技术就绪水平分布。** TRL集中于3和4：55项研究TRL 3，90项TRL 4，17项TRL 5，9项TRL 6，1项TRL 7，无研究报告常规商业部署。
**3.11 质量标记。** 多个反复出现的报告问题影响语料库的可解释性：33项研究在少于500幅图像或光谱上报告超过95%的标题准确率；若干研究未报告数据集描述、图像数量或每类细分；增强膨胀和缺乏消融的元启发式超参数优化器普遍存在。
**3.12 饱和与空白。** 语料库映射至六阶段流水线后呈现清晰的饱和、服务不足和绝对空白模式。阶段4饱和——62.4%的语料库集中于此，但饱和在于制造缺陷检测而非消费后状况评估。阶段1、2、3和6发展不均。阶段5是最突出的发现——从1995至2026年的173项研究中，仅1项相关且非直接相关。这一空白具有根本性影响：没有自动附件检测和移除，回收路线根本无法在完整服装上进行。
**4. 讨论与结论**
阶段3和阶段5的差距在种类上而非程度上不同。阶段3的发展不足有实际成本：没有污染检测，分拣线无法区分带有表面污渍的可再用服装与真正磨损或损坏的物品，阶段4将倾向于过度拒绝可再用的纺织品。然而原则上没有阶段3仍可实现全自动流水线，只是接受再使用产率降低作为运营成本。阶段5根本不同：没有自动附件检测和移除，回收路线根本无法在完整服装上进行，人工干预成为流水线的主要吞吐量瓶颈。这种不对称性是确定关闭阶段5差距为最高研究优先级的核心运营原因。
本工作的两项主要科学贡献：第一，六阶段流水线提供了与回收对齐的组织框架，揭示了学科内部综述未发现的饱和子领域和空白；第二，系统映射确立了附件移除研究的缺失并非边缘性疏忽，而是分拣流水线端到端自动化最可能的约束性瓶颈。未来研究应优先五个方向：附件检测和移除的专用基准和方法；协调的公共消费后纺织数据集构建；覆盖污渍、污垢、生物性污垢和附着异物的专用阶段3数据集和检测方法；标准化TRL进展报告；以及报告累积系统性能和阶段间错误传播的跨阶段端到端流水线评估。在消费后现实数据上关闭阶段5差距，并验证TRL进展，是研究群体可获得的最具影响力的研究方向。
