机器学习系统从传统塑料垃圾中分类可堆肥

近年来，可降解塑料越来越受欢迎，但通常看起来与传统塑料相同，因此无法正确回收。

传统的塑料样品包括PP和PET，常用于食品容器和饮料瓶，以及LDPE，常用于塑料袋和包装。

可堆肥塑料样品包括用于杯盖、茶包和杂志包装的聚乳酸和聚丙烯酸甲酯，以及棕榈叶和甘蔗，这两种材料都是用于生产包装的生物质材料。

样本被分为一个训练集，用于建立分类模型，和一个测试集，用于检查准确性。研究人员使用了不同类型的塑料，尺寸从50mm × 50mm到5mm × 5mm不等。

当样品测量超过10mm × 10mm时，该模型对所有材料都达到了完美的精度。然而，对于甘蔗衍生的或基于棕榈叶的材料，尺寸为10mm × 10mm或更小，错误分类率分别为20%和40%。

该研究的通讯作者、伦敦大学学院(UCL)的研究员马克·米奥多尼克(Mark Miodownik)教授说:“精度非常高，将来可以在工业回收和堆肥设施中使用这项技术。”

观察5mm × 5mm的碎片，一些材料的识别比其他材料更可靠。LDPE和PBAT的误分类率为20%，生物质衍生材料的误分类率分别为60%(甘蔗)和80%(棕榈叶)。然而，无论样品测量值如何，该模型都能够正确识别PLA、PP和PET件。

Miodownik说:“目前，大多数可堆肥塑料在传统塑料回收过程中被视为污染物，降低了它们的价值。”“可堆肥包装的优势只有在它们经过工业堆肥，不进入环境或污染其他废物流或土壤时才能体现出来。”

为了提高准确性，该团队测试了不同类型的传统、可堆肥和可生物降解塑料，使用高光谱成像(HSI)进行分类模型开发。

HSI是一种成像技术，可以在扫描不同材料的同时检测不可见的化学特征，从而对样品进行逐像素的化学描述。人工智能模型用于解释这些描述并进行材料识别。

在回收和工业堆肥过程中，塑料管理不善的情况非常严重，因此可靠的分类机制至关重要。

Miodownik承认:“目前，识别的速度太低，无法在工业规模上实现，”但他表示，该技术的速度可以提高，这将使其成为使可堆肥塑料成为可持续回收替代品的关键技术。