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

【韩国】激光与人工智能实现真实塑料废弃物100%准确识别以助力回收

责任编辑:Irene Shen8 分钟阅读
激光与人工智能实现真实塑料废弃物100%准确识别以助力回收

要点

  • 韩国团队在真实废物样本中,对PET、PP、HDPE、LDPE四类聚合物实现100%识别准确率。
  • 未优化数据时准确率仅61.7%,经23种预处理组合及变量选择后,部分配置达到100%。
  • 研究聚焦656.28nm氢谱线附近的光谱区域,该区域对区分不同聚合物具有关键信息价值。
  • 欧盟新包装法规框架正推动再生料使用从自愿选择转变为强制性要求,倒逼分选技术升级。

一项新技术通过分析废弃塑料的化学指纹,能够区分PET、PP、HDPE和LDPE,即使处理的是来自真实废物的样品。

这为何重要?

PET瓶和聚乙烯容器在外观上或许容易区分。但当数吨混合废物在传送带上移动,且这些废物肮脏、变形、着色,并由不同聚合物制成时,情况就大不相同了。

正确分离塑料决定了其中有多少部分能重新转化为优质原料。韩国研究人员测试了一种结合激光光谱学和机器学习的技术,能够利用真实废物区分四种最常见的聚合物。在分析的最佳配置中,准确率达到了100%。

这并非一种新的塑料回收方法,而是一项用于解决前置且关键问题的技术:在将材料送入适当的回收流程之前,识别出每件物品具体是何种塑料。

利用激光微脉冲识别废物成分

所用技术称为激光诱导击穿光谱(LIBS)。

其工作原理具有直观的视觉特征。高强度激光脉冲聚焦于废物表面的极小区域。在瞬间,部分材料汽化并形成微小等离子体。被激发的原子和分子在返回较低能态时发射光线。

这种光线包含有关材料成分的信息。

光谱仪收集该信号并将其分解为不同波长。结果形成一种类似光谱签名的特征,有助于识别外观可能极为相似的材料之间的差异。

机器学习在此环节介入。

研究团队采用主成分分析(PCA)和K近邻算法(kNN)等技术来解读光谱,并将每个样品归类至相应类别。

这些材料存在于瓶、容器、器皿、薄膜、袋子及众多日常产品中。正确分离它们至关重要,因为混合不相容的聚合物会显著降低再生材料的质量。

关键细节:使用真实垃圾

该研究特别有趣的部分,不仅在于实现了高准确率。

在洁净的参考材料和严格受控的实验室条件下,识别系统通常表现优异,但垃圾焚烧厂的环境截然不同。

实际场景中,物体表面可能存在划痕,并附着污垢、颜料、标签及添加剂,传感器与材料之间的距离也会波动,甚至到达表面的激光能量也可能发生变化。

研究人员特意在实验设计中引入了部分此类变异性。他们在非优化条件下工作,使用标准材料开发模型,而外部验证则采用来自真实废物的物理不同样品。

这一区别至关重要。一个仅能完美识别训练样本的算法,其工业价值有限。真正值得关注的是,当系统面对未曾见过的物体时会发生什么。

从61.7%到100%:算法需要学习“看什么”

最初的分类结果远非完美。

若未对数据进行适当处理,准确率仅为约61.7%。随后,团队研究了23种预处理组合和7种变量选择方法。

其目标是从噪声中分离出真正有用的信息。

通过LIBS(激光诱导击穿光谱)获取的光谱包含海量数据,并非所有波长对区分PET、HDPE或PP都具有同等价值。

优化信号处理显著提升了性能。在该团队此前的研究中,某些配置在额外变量选择之前已达到94.8%的准确率。在识别出最具信息量的光谱区域后,部分配置在评估的实验集合中实现了100%的准确率。

其中一个特别有用的区域出现在656.28 nm处的氢谱线附近。

这带来了一个有趣的启示:拥有更多数据并不必然意味着更好的分类效果。找到正确的信号,可能与改进算法本身同样重要。

为什么单靠摄像头不够?

人工智能正通过摄像头和机器视觉系统进入处理厂。这些设备可以根据形状、颜色和外观识别瓶子、托盘或特定包装物。

当外观相似的物体由不同材料制成时,识别难题便随之而来。

回收工厂普遍采用光谱技术,尤其是近红外(NIR)传感器,来识别聚合物。这类系统速度快、普及率高,但特定颜色、表面状态、配方差异以及材料组合仍可能干扰识别效果。

LIBS技术从另一角度切入:它分析材料在接收激光脉冲后产生的化学响应。

因此,LIBS不应被简单视为现有所有技术的自动替代品。未来的工厂可能会整合摄像头、红外技术、LIBS、其他传感器以及人工智能算法,让每种信息源在最能发挥价值的环节发挥作用。

分类技术正成为回收行业的关键竞争领域之一。

韩国团队的研究契合了行业内正在发生的深刻变革。

现代分类系统融合了摄像头、光学传感器、光谱分析、机器人技术和机器学习算法。部分商用设备已能在传送带上识别数十种废弃物类别,并实时反馈进出工厂的物料信息。

LIBS有望为这一体系增添新的信息维度。

该技术的应用也不局限于家庭包装。近期研究已探索将LIBS与机器学习结合,用于区分电子废弃物中的合金成分;另有研究关注其在电气电子废弃物塑料中的应用,这类材料常含有混合树脂和阻燃剂。

废弃物成分越复杂,精确掌握其组成就越重要。

对环境的潜在影响

相较于全球塑料废弃物这一庞大难题,提升分类精度看似微不足道,实则触及产业链的关键节点。

相对纯净的PET流作为二次原料的价值,远高于被多种聚合物污染的混合物。HDPE及其他组分亦同理。

分离精度越高,越有可能获得质量足以替代原生塑料的再生材料。

由于分选设备未能准确识别,部分本可回收利用的材料最终被送往能源化利用或处置环节,导致可回收物量的流失。

LIBS技术需要配备激光器、光学仪器、探测器以及相应的计算能力。将其集成到工业设施中会产生额外的经济和能源成本。要评估其真实的环境效益,必须将这些额外投入与该技术实际能够回收并重新投入市场的塑料数量进行对比。

实验室中取得的极高精度,尚不足以证明在工业规模下,其整体环境效益是正向的。

欧洲对包装分选的要求将日益严格

这项技术的出现,恰逢欧洲回收行业面临关键转型期。

欧盟新的包装及包装废弃物法规框架,正加大减少废弃物、提升可回收性以及提高再生原料使用比例的压力。对于某些塑料包装而言,使用再生料将逐步从生产商的自愿选择转变为强制性要求。

这带来一个现实问题:如果分选工厂无法生产出足够均质的二次原料,对高品质再生塑料的需求就无法无限增长。

先进传感器、人工智能和自动化技术,恰恰有助于突破这一瓶颈。

“100%”需要加一个重要的星号

这可能是该研究中最引人注目的数据,但也是解读时最需谨慎的数字。

这一100%的数值,仅对应于实验评估范围内特定配置下的表现,并不能证明该技术对任意塑料废弃物均能达到100%的识别精度。

该研究仅涵盖四大类聚合物。PVC、聚苯乙烯、聚碳酸酯、聚酰胺、生物塑料以及众多其他商业配方均不在其列。

此外,实际物品中的成分往往远不止主聚合物,还可能包含颜料、矿物填料、纤维、增塑剂、阻燃剂、粘合剂、油墨、涂层,甚至由多种不同材料构成的多层结构。

真实垃圾的复杂性令人头疼。正因如此,研究人员开始摒弃理想化样本,转向更贴近实际的研究,这一趋势才显得尤为值得关注。

尚待证明的环节

若要将该技术真正应用于分选工厂,还需回答一系列非常务实的问题。

首要挑战在于速度。工业传送带处理的材料吞吐量巨大,识别过程必须几乎实时完成。

其次是系统的鲁棒性。实际场景中,待检测的废弃物往往处于潮湿、老化、受压、受污染的状态,且其配方构成远比实验室样本复杂多变,系统必须在此类严苛条件下保持稳定的识别性能。

此外,材料数据库的覆盖范围亟需大幅扩展。虽然仅针对四大聚合物家族进行识别已足以有力验证该原理的可行性,但实际工厂接收的废弃物种类远为杂乱,涵盖的聚合物类型也更为广泛。

最后,经济性是落地应用的关键。该系统必须证明,通过额外回收材料所创造的价值,能够覆盖激光器、光谱仪、日常维护、工业集成以及数据处理等全链条成本。

技术速览

工作原理

激光脉冲照射塑料表面,激发产生微小等离子体。随后,利用激光诱导击穿光谱(LIBS)技术对发射光进行分析。所得光谱经过多阶段信号处理后,输入机器学习算法,依据聚合物类型对废弃物进行分类。

数据概览

差异化优势

该系统将材料自身的光谱信息与机器学习技术相结合,并采用真实废弃物作为外部验证集进行测试。此外,研究人员引入了多项实验变量,旨在更贴近非理想实验室条件下可能出现的实际波动情况。

与传统技术的直接对比

机器视觉:主要识别形状、颜色、外观等视觉特征。

近红外(NIR):基于材料的光谱响应进行识别,目前已在工业分选领域得到广泛应用。

LIBS+机器学习:通过激光激发等离子体,并利用其光谱获取材料成分信息。

目前,LIBS尚不能被视作NIR技术的成熟替代方案。其潜在优势在于,当识别难度极大时,可作为其他传感器的补充手段。

局限性

100%的识别准确率无法外推至所有塑料废弃物。

研究仅覆盖四大聚合物家族,尚未针对更复杂的混合物、多层塑料、污垢、添加剂、颜料及其他工业配方进行验证。

此外,目前尚未有完整系统在高速工业传送带上实现连续稳定运行的实证。

该研究在商业化规模下,对成本、能耗、维护、分析速度、模型稳定性及环境平衡等关键要素尚缺乏评估。

目前,该技术仍处于实验室或实验验证阶段。研究证实了在刻意设定的非理想条件下,利用真实废弃物进行分选的技术可行性,但尚未展示工业级分选试点工厂,也未推出基于该系统的商业化产品。

该研究由韩国高丽大学(Korea University)和成均馆大学(Sungkyunkwan University)以及美国斯坦福大学(Stanford University)的研究人员共同完成,作者包括Jieun Kang、Jungwun Lee、Moonsoo Bak、Seong-kyun Im和Serang Kwon。

研究获得了韩国国家研究基金会(National Research Foundation of Korea, NRF)基础科研计划、韩国基础科学研究所(Korea Basic Science Institute)及高丽大学的支持,部分资金来源于韩国科学技术信息部。

相关数据源自一篇经同行评审的科学论文,该论文于2026年9月23日发表在Nature Portfolio旗下的《Scientific Reports》期刊上。

研究标题为《利用机器学习辅助激光诱导击穿光谱法对真实塑料废弃物进行分类》(Classification of real plastic waste using machine learning-assisted laser-induced breakdown spectroscopy)。

该稿件于2026年3月9日提交,2026年9月18日获准发表。作者声明不存在利益冲突。

编辑观点

LIBS技术为突破机械回收纯度瓶颈提供了新维度,但工业落地需解决实时性、鲁棒性及经济性挑战。从业者应关注多传感器融合方案,评估LIBS在复杂混合废物场景下的实际回收增量与成本效益,以应对欧盟日益严格的再生含量合规要求。

常见问题

LIBS技术怎么在真实垃圾里认出塑料种类?

通过激光脉冲汽化表面材料形成等离子体,光谱仪收集其发射光形成化学指纹,再经PCA和kNN算法分类。该技术在真实废物样本中对PET、PP、HDPE、LDPE实现了100%识别准确率。

为什么LIBS比摄像头和近红外传感器更准?

LIBS分析材料受激后的化学响应,不受颜色、表面状态或配方差异干扰,而摄像头依赖外观、NIR易受杂质干扰。研究指出,在656.28nm氢谱线附近优化信号后,分类精度从61.7%提升至100%。

欧盟新规下分选精度对再生料有何影响?

欧盟包装法规强制提高再生料比例,若分选不均质则无法生产高品质再生塑料。提升分离精度可避免可回收物流失,确保rPET等二次原料价值,满足从自愿到强制的合规要求。