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。

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。
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。
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。