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

【美国】Heinz College学生利用声音分拣塑料以降低回收成本

责任编辑:Irene Shen6 分钟阅读
Heinz College学生利用声音分拣塑料以降低回收成本

要点

  • 模型对聚丙烯和PET识别准确率100%,聚苯乙烯92%
  • 采集约1000个样品、六种塑料类型音频数据
  • Reclamation Factory是匹兹堡的回收技术初创企业
  • 项目为海因茨学院MISM必修顶点项目

尽管人们努力将空饮料罐和外卖餐盒投入回收箱,但日常生活中使用的大部分塑料最终仍被送往垃圾填埋场。这主要是因为塑料在回收前必须经过分类,而这一过程对回收设施而言成本高昂。

卡内基梅隆大学海因茨信息系统与公共政策学院(Heinz College of Information Systems and Public Policy)的一支学生团队研究了回收设施能否通过塑料被丢弃时发出的声音来有效区分其类型,因为不同种类的塑料密度存在差异。该团队与总部位于匹兹堡的Reclamation Factory公司合作,该公司致力于开发降低回收成本的技术。

到秋季学期结束时,学生们已构建出一个机器学习模型,能够以超过90%的准确率根据声音对塑料类型进行分类。他们的工作回应了回收服务行业的实际需求,因为现有的分类方法不仅成本高昂,还可能导致废弃物产生和塑料类型误判。

该团队将这一课题作为其必修的顶点项目(capstone project)的一部分,该项目允许学生运用在海因茨学院获得的技能,为现实世界中的客户开发解决方案。参与Reclamation Factory项目的成员包括Akshay Kulkarni、Dhivya Sreedhar、Bryan Tan、Yvonne Tang和Abhi Vakil,他们均为信息系统管理硕士(MISM)项目的学生。

Kulkarni表示:“我认为这真的是一个极具‘MISM’特色的项目,因为它涵盖了从科学视角、构建完整的机器学习模型,到审视商业层面的所有方面。”

探索塑料的声音

据美国国家公共广播电台(NPR)报道,对于回收设施而言,处理每年被丢弃的数吨塑料往往在财务上并不划算。由于新塑料的生产成本较低,再生塑料的市场需求有限,这意味着对旧塑料进行复杂且昂贵的分类处理,往往难以获得可观的投资回报。然而,降低分类成本有助于回收设施将更多废旧塑料重新利用,而非将其送往垃圾填埋场。

“回收工厂”(Reclamation Factory)正是在这一背景下介入。2025年夏季,Sreedhar在“回收工厂”进行实习。她的任务是寻找一种更高效的塑料分类方法。她与其他实习生发现,不同类型的塑料在掉落到混凝土地面上时会发出不同的声音。于是,他们继续让塑料样品掉落,收集了约1000个样品、涵盖六种塑料类型的音频数据。

“这真的是一种非常随机的体验,”Sreedhar表示,“我们在想,‘我们能否利用这些数据,看看音频中是否包含可区分的特征?’”

在获取音频数据后,团队的下一步是特征工程(feature engineering),即将数据转化为机器学习系统可用于预测的输入变量。学生们选择了三个变量,这些变量共同捕捉了六种塑料类型的独特声音特征。随后,他们利用这些输入数据训练并评估了多个机器学习模型的性能。

最终,表现最佳的模型能够以100%的准确率正确识别两种常见于消费品中的塑料——聚丙烯(polypropylene)和聚对苯二甲酸乙二醇酯(polyethylene terephthalate),并以92%的准确率识别第三种塑料——聚苯乙烯(polystyrene)。另外三种塑料类型并非该项目的重点,但被纳入测试以进一步验证模型的泛化能力。

团队还为该模型开发了一个用户界面,使“回收工厂”能够向客户进行演示。Kulkarni表示:“我特别喜欢这次经历,因为它涵盖了方方面面。我们不仅要思考如何构建机器学习模型,还要思考这些塑料的结构。它们的物理结构是怎样的?它们会产生怎样的声学特征?”

学生们表示,“回收工厂”是一个非常有价值的合作伙伴。他们每周与该公司的两名成员会面,获取关于基于密度和音频频率对物品进行分类的数据和文献资料。Tan表示,他感觉团队是在与客户协作解决实际问题,而不是在做无意义的忙碌工作。

Sreedhar补充道,该项目“不仅仅是为了达成商业目标、获取数据指标——Reclamation Factory确保我们每个人都获得了充分的学习体验”。Reclamation Factory首席执行官兼首席机器人工程师Georgia Crowther于2019年在卡内基梅隆大学(CMU)获得机器人系统开发硕士学位。她表示,毕业项目团队将声学传感的概念转化为了可行的产品。“他们在短短几个月内取得如此卓越的成果,是因为承担了极具基础性的研究工作,”Crowther说。“作为一家团队规模小、资源有限的初创企业,如果没有他们的辛勤付出,我认为我们的技术不可能如此迅速地发展到今天的水平。”

协作的“魔力”

Tang表示,团队中大多数人此前没有音频分类经验,这使初期工作显得颇具挑战性。“我们正踏入一片未知领域,许多术语对我们来说如同外语,比如‘频谱图’(spectrogram)。但我认为,我们的协作中发生了‘魔法’,”Tang说。“我们必须依靠集体智慧来寻找解决方案和答案。我们在一起度过了大量时间,这向我证明了一个有承诺感的团队能够跨越任何知识鸿沟。”Vakil指出,该项目为学生提供了锻炼项目管理技能的机会,因为他们负责与客户沟通、在成员间分配任务,并营造了一个可以安全分享想法的环境。对Kulkarni而言,该项目展示了在创建解决方案时优先考虑用户体验的重要性。Tan表示,团队的协作努力帮助他们在处理其他优先事项(如课程、考试和求职申请)的同时推进了项目。在项目结束时,他获得了机器学习方面的宝贵技能,而他的背景主要在于用户体验研究和设计工程。“我从在模型训练方面技术更熟练的其他团队成员那里学到了很多。能够一边自学一边向他人学习,这是一段极其愉快的经历,”他说。

将技能付诸实践

海因茨学院MISM项目主任肖恩·贝格斯表示,毕业项目(Capstone Projects)是一种极具价值且富有成效的体验式学习工具。他指出,这些项目让学生得以展示批判性思维与问题解决能力,并学会接受在开发非传统现实世界解决方案过程中不可避免的复杂性与混乱感。“我们的学生由最优秀、最杰出的教授团队培养,”贝格斯说道,“此外,学生们具备一种‘智能行动’思维模式,这种模式源于他们深入应用课堂所学知识的实践。我衷心感谢‘回收工厂’(Reclamation Factory)将这一挑战带到海因茨学院!”

海因茨学院跨学科的课程体系使谭(Tan)能够从整体视角审视“回收工厂”项目,不仅关注最终产品的技术层面,还兼顾用户体验与交付流程。团队成员高度重视学院开设的谈判技巧、颠覆性技术管理、人工智能落地应用及专业演讲等课程。斯里德哈尔(Sreedhar)表示,MISM课程中机器学习、数据分析与商业知识的融合,帮助她全面探索毕业课题的解决方案。瓦基尔(Vakil)指出,将研究生阶段所学技能“用于环境福祉”,使该项目变得格外引人入胜。

编辑观点

声学分选技术为机械回收提供了低成本分选方案,可能改变现有光学分选主导的市场格局。从业者应关注该技术在实际回收设施中的部署效果,特别是与现有分选线的集成能力,以及能否降低rPET、rPP等再生料的杂质率,提升食品级再生料产量。

常见问题

Reclamation Factory的声学分选模型准确率多少?

模型对聚丙烯和PET的识别准确率为100%,对聚苯乙烯为92%。依据是团队在秋季学期结束时构建的机器学习模型,基于约1000个样品、六种塑料类型的音频数据训练而成。

为什么塑料掉落声音能区分类型?

不同塑料密度差异导致声学特征不同。依据是团队发现塑料掉落到混凝土地面时发出不同声音,通过特征工程提取频谱图等变量,训练模型捕捉这些独特声学特征。

声学分选比传统方法有什么优势?

成本更低且减少误判。依据是现有分类方法成本高且易产生废弃物,而声学方法通过非接触式传感降低分选成本,帮助回收设施将更多塑料重新利用而非填埋。