全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

回收技术

【欧盟】更智能的前进之路:AI如何在2026年强化回收

责任编辑:Irene Shen5 分钟阅读
更智能的前进之路:AI如何在2026年强化回收

要点

  • Plastics Recyclers Europe估算,到2025年底欧洲相比2023年将损失近100万吨回收产能。
  • 欧盟PPWR法规要求2040年塑料包装再生材料占比达65%,EU 2022/1616规定机械回收PET需含超95%前食品接触材料。
  • TOMRA GAINnext™技术自2024年起部署于食品级PET、HDPE及PP分选,无需人工干预实现超95%纯度。
  • Amcor Circular Polymers集成GAINnext™后,产出物料流中至少95%适用于食品接触包装,获美国FDA安全批准。
  • Doğa PET使用PolyPerception Analyzer认证食品级质量,实时监测确保输入物料中非食品级PET占比低于5%。

数十年来,回收行业一直被视为渐进式改良的稳步进程:传送带提速、传感器升级、吞吐量提升。这一叙事正在改变。截至2026年,回收业正经历一场更为深刻的变革——由人工智能、深度学习和数字透明度驱动。这并非锦上添花的演进,而是关乎行业存亡的转型。

在欧洲,回收产能正在萎缩,而社会期望值却在攀升。欧洲塑料回收商协会(Plastics Recyclers Europe)估算,到2025年底,该地区相比2023年将损失近100万吨回收产能。与此同时,监管机构要求提高再生料含量,品牌商追求食品级品质,整个价值链的利润空间持续收窄。

在此背景下,行业亟需更智能的工厂。而这份“智能”日益来源于人工智能。

回收业中人工智能的“静默”历史

人工智能并非回收业的新事物。早在“人工智能”成为流行语之前,分选设备便已具备自动化决策能力。TOMRA在30多年前推出的首批AUTOSORT™系统,首次在工业规模上应用基于逻辑的规则,以模拟人工分选。传感器与确定性智能的结合,支撑了现代回收业数十年的发展。

变化不在于是否使用人工智能,而在于其嵌入的深度。当前的突破在于深度学习:系统不再仅遵循预设规则,而是从复杂模式中学习,适应变量波动,并借助专家训练持续优化。

通过增加这一层理解能力,流程从简单检测迈向真正的解读,从而解锁更高水平的精度、适应性与性能。

从“够用”到食品级精度

历史上,某些分选难题被认为在经济或技术上不切实际。区分食品级与非食品级塑料便是典型例子。在高速条件下识别包装设计的细微差异,在规模化生产中几乎难以实现。深度学习改变了这一局面。

最新一代深度学习模型已具备与人类视觉系统相媲美的识别能力,能够精准解析材料的形状、尺寸及几何参数。这一能力突破了近红外(NIR)、可见光(VIS)及X射线透射(XRT)等传统分选技术的局限——后者主要依据材料成分、颜色或密度进行区分。如今,深度学习系统已能以工业级可靠性识别包装设计中细微的视觉特征,从而有效区分食品级与非食品级塑料。在金属回收领域,该技术同样展现出显著优势,例如在再生铝废料升级过程中实现极高的纯度水平。

这种精度的提升并非出于对完美的苛求,而是服务于循环经济的核心逻辑。闭环回收体系高度依赖材料纯度:若材料受到污染,只能降级使用或直接废弃;反之,若材料洁净且品质优良,则能持续留在循环体系中,同时保全其环境价值与经济价值。

借助深度学习驱动的分选技术,行业现已达到历史性的纯度水平,由此催生出新的材料流、更高价值的产出,以及此前因技术瓶颈而无法实现的回收应用场景。

监管政策正加速技术落地

技术变革往往循序渐进,但监管力量正使这一进程变得不可回避。

欧盟《包装与包装废弃物法规》(PPWR)设定了雄心勃勃的再生含量目标,要求到2040年塑料包装中再生材料占比达到65%。与此同时,《塑料回收法规》(EU 2022/1616)对食品接触材料提出严格要求,规定机械回收的PET必须包含超过95%来自先前食品接触用途的材料。

要持续稳定地达到上述标准,并在规模化生产中实现合规,仅靠传统分选手段已力有不逮。换言之,人工智能在回收领域的应用,已成为满足监管要求的关键使能技术。

分选线上的AI实践

在TOMRA,这一技术演进集中体现于2019年推出的GAINnext™——一款基于深度学习的分选技术,专为应对最复杂的材料分选挑战而设计。该技术通过自动化替代人工分选流程,在高度波动的废弃物流中显著提升操作一致性与系统韧性,同时为操作人员提供有效支持。

自发布以来,GAINnext™生态系统持续扩展,应用范围已覆盖塑料、纸张、木材及金属等多个材料流。自2024年起,该技术已部署于食品级PET、HDPE及PP的分选场景,在无需人工干预的情况下实现超过95%的纯度,并完全符合欧盟食品接触材料的相关要求。

一个典型案例足以说明其影响。在英国,Amcor Circular Polymers 利用其专有 CleanStream® 技术,将日常家庭塑料废弃物转化为新的包装材料。关键挑战在于确保最终混合料中仅包含食品级物品——传统分拣技术难以以安全标准所要求的一致性来保证这一点。通过在现有 AUTOSORT™ 设备之一中集成 GAINnext™,该公司增加了一层智能过滤机制,可靠地剔除非食品级塑料。此次升级后,产出的物料流中至少 95% 适用于食品接触包装,助力 Amcor 获得美国 FDA 的重要安全批准,并为在欧洲和英国获得类似认可铺平道路。

这正是人工智能从承诺走向实际生产应用的真实写照。

超越传送带:AI 作为回收体系的神经系统

分拣只是故事的一部分。随着生产者责任延伸制度的扩展以及数字废弃物追踪成为强制要求,数据透明度的重要性已不亚于物理分离。

AI 驱动的废弃物分析正逐渐成为现代回收运营的“神经系统”,将物料流、绩效指标和合规报告整合为单一、可操作的视图。

TOMRA 的 AI 废弃物分析平台由 PolyPerception 驱动,将废弃物数据转化为实时智能。它使操作人员能够进行绩效基准对比、识别低效环节,并向监管机构和客户提供可验证的报告。

在土耳其,Doğa PET 使用 PolyPerception Analyzer 认证其产出的食品级质量。通过实时监测物料成分,该系统验证了用于清洗的输入物料中非食品级 PET 占比低于 5%,并提供批次级别的合规数据,这些数据可被审计且值得信赖。

在一个以证据而非承诺为基石的监管环境中,这种透明度正迅速成为必需品。

AI 作为循环回收的基石

人工智能,尤其是深度学习,已成为现代循环回收的基石——它并非取代经过验证的传感技术,而是作为一种超越这些技术、提供全新机遇的力量。如今,它支撑着效率、质量、合规性,并最终支撑着再生产出的可信度。

随着传统系统持续发展,深度学习解决方案有能力通过增强解读能力、处理变异性以及解锁新的物料流,进一步提升其性能。

回收行业的下一个篇章,将不再由机器单独定义,而是由嵌入式、自适应且透明的智能技术来塑造。对于正承受经济与监管双重压力的行业而言,这场变革不仅令人期待,更是迫在眉睫。

编辑观点

AI正从分选辅助工具升级为满足欧盟PPWR等严苛法规的合规基础设施,传统硬件升级已无法支撑食品级再生料的规模化生产。从业者需重点关注深度学习在分选精度与数据透明度上的双重价值,将AI集成至EPR合规与批次审计流程,以构建可验证的闭环回收能力,避免在监管收紧中丧失市场竞争力。

常见问题

深度学习如何帮助区分食品级与非食品级塑料?

深度学习系统能精准解析材料形状、尺寸及几何参数,突破NIR、VIS等传统技术仅依据成分或密度区分的局限。通过识别包装设计中细微的视觉特征,系统以工业级可靠性区分食品级与非食品级塑料,实现超过95%的纯度,满足欧盟食品接触材料要求。

欧盟PPWR法规对再生塑料含量有何具体要求?

欧盟《包装与包装废弃物法规》(PPWR)设定到2040年塑料包装中再生材料占比达65%的目标。同时,《塑料回收法规》(EU 2022/1616)规定机械回收的PET必须包含超过95%来自先前食品接触用途的材料,传统分选手段已难以在规模化生产中稳定满足这些合规要求。

Amcor Circular Polymers如何利用AI技术获得FDA批准?

Amcor在现有AUTOSORT™设备中集成GAINnext™技术,增加智能过滤机制可靠剔除非食品级塑料。升级后产出的物料流中至少95%适用于食品接触包装,助力其获得美国FDA安全批准,并为在欧洲和英国获得类似认可铺平道路,验证了AI在提升再生料合规性上的实际价值。