跳到主要內容
maxstudioNews
商業NVIDIA Blog約 5 分鐘

AI 助攻回收產業:從混合廢棄物中創造永續價值

AI 和機器人技術正徹底改變回收產業,透過精準分類將數千噸廢棄物從垃圾掩埋場轉移。NVIDIA 合作夥伴利用視覺 AI 和機器學習,有效提升塑膠、家庭回收物和紡織品的回收效率與品質。這些創新不僅降低營運成本,也加速了循環經濟的實現,讓有價材料能持續被利用。

AI 助攻回收產業:從混合廢棄物中創造永續價值
圖片來源:NVIDIA Blog

視覺 AI 和機器人技術能從輸送帶上的舊衣、瓶罐和混合回收物中挑選出有價值的物品,將數千噸的材料從垃圾掩埋場轉移。

隨著世界各國領袖齊聚土耳其參加 COP31,會議強調的「零廢棄」目標,凸顯了一項實際挑戰:如何讓產品和材料能更長時間地被使用。全球經濟中,只有不到 7% 的材料來自回收或再利用的來源。每年城市固體廢棄物產生量超過 20 億噸,這個數字到 2050 年可能幾乎翻倍。

AI 和機器人技術正協助改變這一趨勢,全球的創新者正透過改進分類方式,回收原本會進入垃圾掩埋場的資源。

NVIDIA 永續發展部門主管 Josh Parker 表示:「更循環的經濟仰賴我們更好地利用現有資源。AI 可以幫助我們了解廢棄物中含有什麼、識別哪些可以回收,並自動化分類工作。我們正在為創新者提供運算工具,讓這些流程更有效率,並推廣到更多地方。」

看看 NVIDIA Inception 新創計畫的四個成員,如何應用 AI 來讓有價值的材料持續循環利用。

AIRECO 賦予塑膠廢棄物新生命

回收塑膠只有在成本和品質能與新材料競爭時才被使用。然而,情況往往並非如此:進料廢棄物品質不一,分類仰賴難以尋獲的人工,而混合廢料最終常被降級回收成低階產品。

台灣新創公司 AIRECO 的創辦人認為,AI 分類可以降低回收成本並提高品質,使這些材料更具商業價值。該公司利用視覺 AI 更精細地分類塑膠,讓材料能從混合廢料堆中挑選出來,進行閉環回收,也就是將舊物品再加工成相同產品的新版本。

AIRECO 創辦人兼執行長劉春風表示:「分類越精細,回收量就越多。有了精細分類的材料,物品更有可能留在循環中,例如塑膠瓶可以一次又一次地回收再製成瓶子,而不是最終變成難以進一步回收的其他產品。」

該公司在台南一處回收廠的試驗生產線上,使用 NVIDIA Jetson Orin NX 模組執行推論,包括驅動機器手臂從輸送帶上抓取目標物。測試線上的辨識準確率超過 95%。

在預計明年啟用的全面生產線上,該團隊目標是將每年廢棄物處理量從 18,000 噸提升近三倍至 48,000 噸,同時將營運成本降低 85%。

EverestLabs AI 將機器人技術導入回收產線

在材料回收設施(即分類家庭回收物的工廠)中,分類必須在高速運轉的輸送帶上即時完成,這需要快速分析以識別和分類物品。

美國新創公司 EverestLabs AI 在這些分類線上部署了由電腦視覺引導的機器人。目前約有 150 台機器人部署在北美和澳洲的設施中。

EverestLabs AI 執行長 R. Paul Singh 表示:「其他機器人有無限的時間來完成任務,但我們沒有這種奢侈,因為我們的輸送帶會以特定速度運轉,我們必須在材料移動之前迅速採取行動。這是一場即時的遊戲。」

EverestLabs 在邊緣裝置上使用 NVIDIA RTX GPU 執行 AI 推論,並在 NVIDIA 資料中心 GPU 上訓練其模型,這些模型透過 NVIDIA CUDA 進行優化。該公司估計,其部署的系統迄今已識別約 400 億個物件,回收了約 25,000 噸材料,並減少了約 30,000 公噸的二氧化碳排放。

他們的團隊不斷努力改進模型,以正確分類和拾取各種物件,同時捕捉每個物件的材料類型、品牌和包裝的元數據。他們也正在推出代理式 AI 工具,為回收設施的工作人員提供可操作的數據,從現場經理到負責多個設施的高階主管,並尋求將此能力擴展到相關產業。

Greyparrot 讓回收業者清楚掌握廢棄物流向

回收廠每天可以處理數萬噸廢棄物,但操作員長期以來都是透過人工抽樣不到 1% 的廢棄物來判斷輸送帶上的內容。

英國新創公司 Greyparrot 建立了其 Analyzer 平台來改變這種狀況。該平台安裝在輸送帶上方,利用電腦視覺識別每個經過的物件的材料和品牌,即使在多塵環境或光線不佳、輸送帶以每秒 4 公尺速度移動的情況下也能辨識。

Greyparrot 共同創辦人 Ambarish Mitra 表示:「廢棄物一直在變化,它會隨時間、季節和供應商而異。以前,操作員只能根據微小的樣本進行猜測,現在他們可以清楚看到輸送帶上的確切內容。」

Greyparrot 使用 NVIDIA GPU 訓練數十億個物件的 AI 模型,同時 NVIDIA Jetson 模組在邊緣裝置上執行快速偵測。迄今為止,超過 300 套 Analyzer 系統已在 20 多個國家運作,進行了超過一兆次的邊界框偵測,將檢查 15 噸廢棄物所需的時間從 375 小時縮短到僅 6 小時。

使用 Analyzer 即時數據的設施回報效率提升了 10% 到 30%。在全球包裝公司 Amcor,該解決方案協助將食品級塑膠的產量提高了 12%。包括 Coca-Cola、Colgate-Palmolive 和 Kenvue 等品牌也使用 Greyparrot 技術來衡量其包裝在實際分類廠中的回收情況。

reverse.fashion 讓廢棄衣物重獲新生

歐洲每年產生近 700 萬噸的廢舊紡織品。其中約四分之一被單獨收集,並手工分類成數百個類別,用途從古著轉售到降級回收作為家具填充物或清潔布。這項工作緩慢、成本高昂且難以招募人手,使得可重複利用衣物的價值被埋沒。

柏林新創公司 reverse.fashion 正透過高解析度電腦視覺協助自動化這項工作。其系統能識別產品類型、瑕疵、顏色、尺寸、品牌、織物結構、季節和款式,並將每件衣物分配到其最有價值的類別。

reverse.fashion 共同創辦人兼技術長 Karsten Pufahl 表示:「與傳統廢棄物分類相比,我們的 AI 模型必須在高解析度下運行,因為人們對紡織品非常挑剔。電腦視覺管線需要發現微小的瑕疵,才能判斷每件衣物的品質和潛在價值。」

當紡織品以每秒 3 公尺的速度在輸送帶上移動時,Reverse Fashion 分析的每件紡織品都會經過十多個視覺 AI 模型,這些模型透過 NVIDIA TensorRT 軟體進行優化,並在邊緣裝置上的 NVIDIA Jetson 模組上運行。這些模型則是在工作站和雲端上的 NVIDIA GPU 上進行訓練。

Pufahl 估計,該系統在一小時內就能完成過去需要一週才能完成的分類工作,目前正在歐洲各設施推廣。

探索更多由 NVIDIA 驅動的永續應用。

Share

覺得值得一看?分享給朋友。

以上為 AI 自動翻譯導讀。原文版權歸 NVIDIA Blog 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。

Newsletter

不用每天追,AI 重點每週寄給你

43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。

每週一封。Email 只用來寄電子報,每封信都能一鍵退訂。