人工智能引導的高速機器人分揀系統，在傳送帶上按類別識別材料。迄今為止，運行中的系統已經識別了超過500億個各種排列的物體。

 提高認識，明確方向

某天的早上，你家門前放著一個藍色的大垃圾桶，里面裝滿了報紙、紙板、瓶子、罐頭、鋁箔外賣托盤和空的酸奶容器。你可能會認為自己正在盡自己的一份力量來減少浪費。但在你沖洗完酸奶容器并把它丟進垃圾桶后，你可能再也不會多想它了。

回收箱里的東西將被倒入卡車，并被帶到回收設施進行分類。大多數材料將用于加工和最終用于新產品。但很多都會在垃圾填埋場結束。

那么，有多少進入垃圾箱的材料可以避免去垃圾填埋場？對于進行回收的國家來說，這個數字（稱為回收率）似乎平均在70%至90%左右，盡管沒有廣泛的數據，但看起來還是不錯的，在一些城市，它可以低至40%。

更糟糕的是，只有一小部分可回收物進入垃圾箱——在美國只有32%，全球只有10%到15%。這是許多由有限資源制成的材料，這些材料會不必要地浪費。

有一種方法可以做得更好。使用計算機視覺、機器學習和機器人來識別和分類回收材料，我們可以提高自動分揀機的準確性，減少對人為干預的需求，并提高整體回收率。

夯實基礎，創新技術

在解釋人工智能將如何改善回收之前，讓我們看看回收材料過去是如何分類的，以及當今世界大部分地區是如何分類的。

當回收在20世紀60年代開始時，分類的任務落在了消費者身上——報紙裝在一捆里，紙板裝在另一捆里，玻璃和罐子放在他們自己的單獨的垃圾桶里。這對許多人來說太麻煩了，并限制了可回收材料的收集量。

在20世紀70年代，許多城市拿走了多個垃圾箱，用一個集裝箱取而代之，分揀發生在下游。這種“單流”回收促進了參與，現在是發達國家的主要回收形式。

將分揀任務進一步下游，導致了分揀設施的建設。為了進行實際分類，回收企業家調整了采礦和農業行業的設備，必要時填充人力。這些分類系統沒有計算機智能，而是依靠材料的物理特性來分離它們。例如，玻璃可以碎成小塊，然后篩選和收集。紙板是剛性和輕的——它可以滑過一系列機械凸輪狀圓盤，而其他密度更高的材料落在圓盤之間。黑色金屬可以與其他材料通過磁力分離；也可以使用大渦流在鋁等有色金屬中誘導磁性。

到20世紀90年代，由美國宇航局開發并于1972年首次在衛星上發射的高光譜成像在商業上變得可行，并開始出現在回收世界中。與主要看到紅色、綠色和藍色組合的人類眼睛不同，高光譜傳感器將圖像劃分為更多的光譜帶。該技術區分不同類型塑料的能力改變了回收商的游戲規則，不僅將光學傳感，而且將計算機智能帶入了該過程。還開發了可編程光學分揀器來區分紙制品，例如，區分報紙和垃圾郵件。

因此，今天大部分排序都是自動化的。這些系統通常排序為80%至95%的純度——也就是說5%至20%的輸出不應該存在。然而，為了使產出有利可圖，純度必須高于95%，低于這個閾值，價值會下降，通常一文不值。因此，人類手動清理每條溪流，在材料被壓縮和打包運輸之前，挑選出雜散的物體。

盡管進行了所有自動和手動分類，但進入該設施的大約10%至30%的材料最終最終會進入垃圾填埋場。在大多數情況下，一半以上的材料是可回收的，物有所值，但只是被遺漏了。

我們已經盡可能地推動了當前的系統。只有人工智能才能做得更好。

將人工智能納入回收業務意味著將拾取和放置機器人與準確的實時物體檢測相結合。拾取和放置機器人與計算機視覺系統相結合，用于制造中抓取特定物體，但它們通常只是重復尋找單個物品，或在受控照明條件下尋找一些已知形狀的物品。然而，回收涉及沿傳送帶移動的物體的種類、形狀和方向的無限可變性，需要即時識別，同時快速向機器人手臂發送新的軌跡。

人工智能在理論上可以完全基于圖像分析，以接近100%的精度從混合材料流中恢復所有可回收物。如果基于人工智能的排序系統能夠看到一個對象，它可以準確地對它進行排序。

考慮當今回收分揀機的一種特別具有挑戰性的材料：高密度聚乙烯（HDPE），一種通常用于洗滌劑瓶和牛奶罐的塑料。（在中國、歐洲和美國，HDPE產品被標記為2號可回收物。）在依賴高光譜成像的系統中，一批HDPE往往與其他塑料混合，并可能帶有紙張或塑料標簽，這使得高光譜成像儀難以檢測底層物體的化學成分。

相比之下，人工智能驅動的計算機視覺系統可以通過識別瓶子的包裝來確定瓶子是HDPE而不是其他東西。這種系統還可以使用顏色、不透明度和外形因素等屬性來提高檢測準確性，甚至按顏色或特定產品進行排序，從而減少所需的后處理量。雖然系統不試圖理解標簽上單詞的含義，但單詞是項目視覺屬性的一部分。

群峰重工已經構建了可以進行這種排序的系統。在未來，AI系統還可以按材料組合和原始用途進行分類，使食品級材料與裝有家用清潔劑的容器分離，并將被食品廢物污染的紙張與清潔紙分離。

訓練神經網絡來檢測回收流中的物體并不容易。它至少比在照片中識別人臉更具挑戰性幾個數量級，因為可回收材料變形的方式幾乎多種多樣，系統必須識別排列。

編輯：趙凡