Достижения в области спектроскопических и визуализационных технологий для сортировки отходов

Глобальный кризис отходов требует более эффективных систем переработки. Каждый год генерируются миллиарды тонн твердых бытовых отходов, но показатели переработки остаются упорно низкими - часто ниже 30% во многих регионах. Основным узким местом является этап сортировки: разделение ценных перерабатываемых материалов от загрязненных или неперерабатываемых материалов. В течение десятилетий сортировка опиралась на линии ручной сборки, магнитные сепараторы и системы вихревого тока. Хотя эти методы эффективны для сыпучих металлов и крупных объектов, эти методы не могут различать различные типы пластмасс, бумажных марок или композитных материалов. Сегодня новое поколение спектроскопических и визуализирующих технологий превращает сортировочные линии в интеллектуальные автоматизированные системы, которые могут идентифицировать и отделять десятки фракций материалов с высокой чистотой. Эти достижения имеют решающее значение для достижения амбициозных целей по переработке, снижения зависимости от свалок и обеспечения круговой экономики.

Введение в технологии сортировки отходов

Эффективная сортировка отходов имеет решающее значение для переработки и сокращения использования свалок. Традиционные методы в значительной степени опирались на ручной труд, который был трудоемким, опасным и подверженным ошибкам. Современные системы сортировки на основе датчиков теперь автоматизируют и улучшают этот процесс, делая его быстрее, безопаснее и гораздо точнее. Основной принцип включает анализ потока отходов в режиме реального времени и направление отдельных предметов на правильный выходной желоб с использованием воздушных струй, роботизированных рук или механических дивертеров. Самые мощные системы сортировки сочетают в себе несколько методов датчиков - спектроскопию, визуализацию и даже рентгеновское излучение - для создания всестороннего профиля каждого объекта, когда он проходит на конвейерной ленте со скоростью до 4 метров в секунду. В этой статье рассматриваются ключевые спектроскопические и технологии визуализации, управляющие этими системами, их принципы работы, сильные стороны, ограничения и будущие направления.

Спектроскопические технологии в сортировке отходов

Спектроскопические методы анализируют химический состав отходов путем измерения того, как они взаимодействуют с электромагнитным излучением. Каждый материал имеет уникальный спектральный «отпечаток пальца» — образец поглощения, отражения или излучения на разных длинах волн. Захватывая эти сигнатуры, системы сортировки могут идентифицировать полимеры, типы бумаги, дерево, текстиль, металлы и даже опасные материалы. Наиболее распространенные спектроскопические методы, используемые в сортировке отходов, включают ближнюю инфракрасную (NIR), среднюю инфракрасную (MIR), рамановскую спектроскопию, рентгеновскую флуоресценцию (XRF) и лазерную расщепляющую спектроскопию (LIBS).

ближняя инфракрасная спектроскопия (NIR)

NIR-спектроскопия является рабочей лошадкой современной сортировки пластмасс. Она работает в диапазоне волн 700-2500 нм и измеряет обертоны и комбинации молекулярных колебаний - особенно те, которые связаны с C-H, O-H и N-H. Когда пластиковый объект проходит под датчиком NIR, он отражает свет, который несет функции поглощения, характерные для его типа полимера. Например, полиэтилен (PE) и полипропилен (PP) показывают различные пики, позволяя системе отсканировать их от ПЭТ, ПВХ или PS. Системы NIR могут сканировать полную ширину пояса в миллисекундах, что делает их идеальными для высокопроизводительных линий сортировки. Их основное ограничение, однако, заключается в том, что черные или темные материалы поглощают большинство света NIR и отражают очень мало, поэтому они не могут быть идентифицированы. Кроме того, NIR не эффективен для металлов или неорганических материалов и борется с материалами, содержащими высокую влажность, хотя последние методы предварительной обработки улучшают производительность.

Средне-инфракрасная (MIR) спектроскопия

МИР-спектроскопия работает в диапазоне 2,5-25 мкм и непосредственно исследует фундаментальные молекулярные вибрации - растяжение C=O, изгиб C-Cl и другие низкоэнергетические режимы. Это обеспечивает гораздо более богатый спектральный отпечаток, чем NIR, что позволяет идентифицировать очень похожие материалы и сложные смеси. Датчики MIR часто используются в качестве вторичной проверки после NIR, особенно для сортировки смешанных пластмасс или для удаления конкретных загрязнителей. Однако системы MIR требуют более сложных оптических компонентов и обычно медленнее, чем NIR, поэтому они используются на более медленных линиях или для целевого контроля качества. Они также сталкиваются с той же проблемой с темными материалами, хотя в несколько меньшей степени, потому что некоторые темные пигменты все еще проявляют функции поглощения в области MIR.

Рамановская спектроскопия

Рамановская спектроскопия измеряет неупругое рассеяние монохроматического лазерного света. Она очень специфична для молекулярной структуры и может различать химически похожие полимеры — например, различные типы полиамида (ПА) или между девственными и переработанными сортами. Ее ключевое преимущество заключается в том, что вода и углекислый газ не мешают, что делает ее пригодной для влажных потоков отходов. Раман также может идентифицировать определенные черные пластмассы, потому что лазерное возбуждение может преодолеть поглощение углеродных черных пигментов. Основными недостатками являются низкая интенсивность сигнала, потенциальная флуоресценция от красителей или добавок, которые маскируют сигнал Рамана, и необходимость тщательного управления мощностью лазера, чтобы избежать повреждения образца. Недавно портативные датчики Рамана были интегрированы в линии сортировки для трудно идентифицируемых фракций.

Рентгеновская флуоресценция (XRF) и лазерно-индуцированная спектроскопия разрушения (LIBS)

Для сортировки металлов и тяжёлых элементов XRF является доминирующей техникой. Она облучает материалы высокоэнергетическими рентгеновскими лучами, выталкивая электроны внутренней оболочки; при заполнении вакансий электроны из внешних оболочек испускают характерную для каждого элемента рентгеновскую флуоресценцию. Энергия этих выбросов уникальна для каждого элемента, позволяя точно идентифицировать алюминиевые сплавы, медь, латунь, нержавеющую сталь и даже драгоценные металлы из электронных отходов. XRF может анализироваться через тонкие покрытия и не требует линейного контакта, что делает его прочным для промышленных сред. LIBS использует сфокусированный лазерный импульс для стирания крошечного количества материала, создавая плазму, чей атомный спектр излучения раскрывает элементный состав. LIBS особенно эффективен для идентификации загрязняющих веществ в исходном сырье, таких как свинец в ПВХ или кадмий в пластмассах. Оба метода обычно объединяются с другими датчиками для полной характеристики материала.

Технологии визуализации при сортировке отходов

Технологии визуализации дополняют спектроскопические методы, предоставляя визуальные и пространственные данные. Они захватывают форму, размер, цвет, текстуру и в некоторых случаях внутреннюю структуру. Эта информация необходима для различения аналогичных материалов (например, измельченная бутылка ПЭТ против прозрачного контейнера ПЭТ) и для обнаружения неоднородных предметов, таких как многослойная упаковка или композиты.

Гиперспектральная визуализация

Гиперспектральная визуализация (HSI) сочетает в себе спектроскопию с визуализацией: она записывает полный спектр для каждого пикселя на изображении, создавая трехмерный куб данных (два пространственных измерения плюс одно спектральное измерение). Для сортировки отходов камеры HSI обычно покрывают видимые, ближние инфракрасные или коротковолновые инфракрасные области. Анализируя спектральную сигнатуру каждого пикселя, система может отображать химическое распределение по поверхности объекта. Это бесценно для сортировки материалов, которые визуально идентичны, но химически различны — например, сортировка PP из PE, когда оба прозрачны и не окрашены. HSI также может обнаруживать примеси, покрытия и загрязняющие вещества. Вычислительные требования обработки гиперспектральных данных когда-то были ограничением, но достижения в скорости процессора, ускорение на основе FPGA и выделенные графические процессоры сделали коммерчески жизнеспособной сортировку HSI в реальном времени.

Системы машинного зрения

Системы машинного зрения используют цветные камеры высокого разрешения, 3D-камеры и обработку изображений на основе ИИ для классификации отходов по визуальным признакам. Камеры захватывают изображения предметов на поясе, а модели глубокого обучения — обученные на миллионах помеченных примеров — распознают такие категории, как «ПЭТ-бутылка», «алюминиевая банка», «картонный ящик» или «пищевой лоток». Эти системы быстры и адаптируются к новым потокам отходов; они могут быть переобучены на месте с новыми данными. Заметным шагом является использование нейронных сетей на основе трансформатора, которые рассматривают полный контекст сцены, улучшая точность в беспорядке. Машинное зрение превосходит сортировку на основе формы (например, круглая против плоской) и часто сочетается с распознаванием материала по форме от спектроскопических датчиков. Он также используется для контроля качества: выявление неправильно отсортированных предметов и настройка параметров вниз по течению.

Терагерц и рентгеновская визуализация

Терагерц (ТГц) визуализация использует электромагнитные волны между микроволнами и инфракрасным, чтобы видеть через непроводящие материалы, такие как бумага, пластмассы и керамика. Она может выявить скрытые слои, содержание влаги и внутренние дефекты. В сортировке отходов ТГц появляется как способ идентификации многослойной упаковки (например, бумажной чашки с пластиковым покрытием) и оценить состав композиционных материалов, таких как печатные платы. Рентгеновская передача (XRT) визуализация использует два разных уровня энергии для вычисления эффективного атомного номера и плотности объектов, различая органические материалы, металлы и другие неорганические вещества. XRT обычно используется в сортировке металлов и для идентификации материалов в громоздких или непрозрачных предметах, где камеры и NIR выходят из строя. Комбинирование XRT со спектральными датчиками дает высоконадежную сортировку, особенно для электронных отходов и остатков автомобильного измельчителя.

Слияние данных и искусственный интеллект

Истинная сила современных систем сортировки заключается в слиянии датчиков: объединение выходов нескольких спектроскопических и визуализирующих датчиков в единое решение. Типичный высокопроизводительный сортировочный модуль может включать спектрометр NIR, цветную камеру, 3D-лазерный профилировщик и датчик XRT — все смотрят на один и тот же объект. Потоки данных синхронизируются временно и пространственно, а затем подаются в модель машинного обучения, которая взвешивает доказательства от каждого датчика. Например, если NIR указывает, что материал, вероятно, полиэтилен, но объект черный, система может снизить уверенность или использовать данные второго ряда Raman для перепроверки. Глубокие нейронные сети, обученные на слитых датчиках, последовательно превосходят подходы с одним датчиком, достигая скорости очистки материала выше 98% для определенных фракций. ИИ также позволяет адаптивную сортировку: система может учиться на новых образцах отходов, таких как введение нового типа бутылки или упаковочного материала, без ручного перепрограммирования.

Edge Computing для сортировки в реальном времени

Запуск сложных моделей ИИ на быстро движущемся поясе требует высокоскоростной обработки. Многие современные системы сортировки теперь включают в себя периферийные вычислительные устройства - графические процессоры, ускорители ИИ (например, Intel Movidius, Nvidia Jetson) или выделенные FPGA-платы - которые выполняют вывод локально. Это позволяет избежать задержки отправки данных на центральный сервер. Краевые компьютеры могут обрабатывать гиперспектральные изображения полного спектра менее чем за 20 миллисекунд, позволяя воздушным форсункам стрелять в тот момент, когда объект проходит через массив эжектора. Тенденция направлена на более компактные, энергоэффективные краевые модули, которые могут быть модернизированы на существующие конвейерные линии.

Реальные приложения и тематические исследования

TOMRA - мультисенсорная пластическая сортировка

TOMRA, ведущий производитель, интегрирует NIR, VIS (цветные камеры) и глубокое обучение в свою серию AUTOSORT. Используя комбинацию под названием SHARP EYE, они могут различать более 20 типов пластика при пропускной способности до 15 тонн в час. Их системы развернуты на крупных объектах по переработке в Европе и США, достигая чистоты ПЭТ более 99% для переработки пищевых продуктов. Компания недавно добавила модуль на основе ИИ, который адаптируется к сортировке этикеток и рукавов, которые могут спутать традиционные датчики. TOMRA Recycling

ZenRobotics — роботы-сортеры с функцией Vision и XRF

ZenRobotics (теперь часть Terex) использует комбинацию 3D-камер, датчиков NIR и рентгеновской флуоресценции для направления роботизированных рук для сбора компонентов отходов из смешанного потока. Их робот Heavy Picker может сортировать строительные и сносные отходы (древесина, камень, металл), а также электронные отходы. Путем слияния данных датчиков система может идентифицировать и захватывать объекты различной формы и веса. [Внешняя ссылка: ] ZenRobotics

Machinex - гиперспектральная сортировка бумаги и картона

Machinex развернула гиперспектральные камеры в своих модулях для сортировки бумаги, чтобы отделить неволоконные загрязнители от высококачественных бумажных потоков. Система может обнаруживать и удалять пластмассы, металлы и влагоповрежденную бумагу, которая ухудшит качество переработанной целлюлозы. Это увеличило скорость извлечения бумаги на 15% в некоторых объектах. [Внешняя ссылка: ] Переработка машинного топлива ]

Проблемы и ограничения

Несмотря на достижения, остаются несколько проблем. Темные материалы — особенно чёрные пластмассы — поглощают NIR и видимый свет, оставляя мало сигнала для идентификации. Решения в стадии разработки включают использование меток среднего ИК или Raman, которые могут быть считаны NIR. Влажность и грязь на поверхностях могут рассеивать или поглощать спектральные сигналы, снижая точность классификации. Материальная сложностьМатериальная сложность увеличивается: многослойные пленки, биоразлагаемые пластмассы и композитная упаковка трудно сортировать, потому что их спектральные сигнатуры пересекаются или изменяются с деградацией. Сортировка алгоритмов должна постоянно обучаться на новых материалах, что требует больших маркированных наборов данных — узкий барьер для мелких и средних переработчиков.