NVIDIA 介绍四家回收创业公司如何用视觉 AI 分拣废料
AI Helps Recyclers Turn Mixed Waste Into Reusable Material
NVIDIA 介绍四家加入其 Inception 计划的回收创业公司用视觉 AI 和机器人分拣混合废料。台湾 AIRECO 在台南试点线上用 Jetson Orin NX 跑推理并驱动机械臂,识别准确率超过 95%,计划明年把年处理量从 18000 吨提升到 48000 吨、运营成本降低 85%。
四家回收创业公司把分拣从人工抽样改成视觉识别加机械臂,Greyparrot 称核查 15 吨废料的时间从 375 小时降到 6 小时,但分拣结果仍要人工兜底。
视觉 AI 和机器人技术从传送带上的旧衣物、瓶子和混合可回收物中挑出值得回收的部分,让数千吨材料免于进入垃圾填埋场。
世界各国领导人齐聚土耳其参加 COP31 之际,本次会议对零废弃的重视凸显出一个现实挑战:如何让产品和材料使用得更久。全球范围内,进入经济体系的材料中不到 7%来自回收或再利用来源。城市固体废物每年产生超过20 亿吨垃圾——这一数字到 2050 年可能几乎翻倍。
AI 和机器人技术正在帮助改变这一趋势,全球各地的创新者正改进分拣,回收那些原本会进入垃圾填埋场的资源。
“更循环的经济依赖于更好地利用我们已有的东西,”NVIDIA 可持续发展负责人 Josh Parker 表示。“AI 可以帮助我们了解废物流中有什么、识别哪些可以回收,并实现分拣工作的自动化。我们为创新者提供计算工具,让这些流程更高效,并推广到更多地方。”
来看看面向初创企业的 NVIDIA Inception 计划中的四家成员如何应用 AI 让有价值的材料继续循环。
AIRECO 让塑料废物重获新生

再生塑料只有在成本和质量能与新材料竞争时才会被使用。但往往做不到:进厂废料质量参差不齐,分拣依赖难以招募的人工,混合废料最终被降级回收成低档产品。
台湾初创公司 AIRECO 的创始人认为,AI 分拣可以降低成本、提升回收质量,让这些材料更具商业价值。该公司利用视觉 AI 对塑料进行更精细的分拣,从而能从混合废料堆中挑出材料进行闭环回收——即把用过的物品再加工成同一产品的新版本。
您的浏览器不支持 video 标签。
“分得越细,能回收的就越多,”AIRECO 创始人兼 CEO 刘俊峰表示。“经过精细分拣的材料,更有可能留在循环中——一个塑料瓶可以一次又一次地回收成瓶子,而不是最终变成难以进一步回收的其他产品。”
该公司使用 NVIDIA Jetson Orin NX 模块,在台南一家回收厂的试点产线上运行推理,包括驱动从传送带上抓取目标的机械臂。测试产线上的识别准确率超过 95%。
在计划于明年建成的完整产线上,团队的目标是将年废物处理能力从 18,000 吨提升近两倍至 48,000 吨,同时将运营成本降低 85%。
EverestLabs AI 让机器人走上回收产线

在材料回收设施——即分拣家庭可回收物的工厂——分拣必须在快速运转的传送带上实时完成,需要快速分析来识别和分拣物品。
美国初创公司 EverestLabs AI 在这些分拣线上部署了由计算机视觉引导的机器人。目前约有 150 台机器人部署在北美和澳大利亚的设施中。
EverestLabs AI 首席执行官 R. Paul Singh 表示:“其他机器人有无限的时间来完成任务,我们没有这种奢侈,因为我们的传送带会以一定速度运转,必须在物料移动之前快速行动。这是一场实时博弈。”
您的浏览器不支持视频标签。
EverestLabs 在边缘端的 NVIDIA RTX GPU 上运行 AI 推理,并在 NVIDIA 数据中心 GPU 上训练模型,使用 NVIDIA CUDA 进行优化。该公司估计,其已部署的系统迄今已识别约 400 亿个物体,回收了约 25,000 吨材料,并避免了约 30,000 公吨的二氧化碳排放。
其团队不断改进模型,以正确分类和拾取每一种物体,同时采集关于每种材料的材质、品牌和包装的元数据。他们还在交付智能体 AI 工具,为回收设施的员工提供可操作的数据——从车间经理到负责多个设施的高管——并正在寻求将这一能力扩展到相邻行业。
Greyparrot 让回收商清晰洞察废物流

回收工厂每天可处理数万吨废物,但运营者长期以来一直通过人工采样不到 1% 的废物来判断传送带上的物料。
英国初创公司 Greyparrot 构建了其 Analyzer 平台来改变这一现状。该平台安装在传送带上方,利用计算机视觉识别每个经过的物体,按材质和品牌分类,即使在多尘环境或传送带以高达每秒 4 米的速度运行、照明不佳的情况下也能正常工作。
Greyparrot 联合创始人 Ambarish Mitra 表示:“废物一直在变化。它按小时、按季节、按供应商而变化。以前,运营者基于极小的样本进行猜测,现在他们可以准确看到传送带上的东西。”
您的浏览器不支持视频标签。
Greyparrot 使用 NVIDIA GPU 在数十亿个物体上训练 AI 模型,同时 NVIDIA Jetson 模块在边缘端运行快速检测。目前已有 300 多套 Analyzer 系统在 20 多个国家运行,迄今已完成超过一万亿次边界框检测——将检查 15 吨废物所需的时间从 375 小时缩短到仅 6 小时。
使用 Analyzer 实时数据的设施报告效率提升了 10% 到 30%。在全球包装公司 Amcor,该解决方案帮助将 食品级塑料的产量提高了 12%。可口可乐、高露洁-棕榄和 Kenvue 等品牌也使用 Greyparrot 技术来测量其包装在实际分拣工厂中的回收情况。
reverse.fashion 让废弃衣物重获新生

欧洲每年产生 近 700 万吨 废旧纺织品。其中约四分之一被单独收集,并手工分拣成数百个类别,用途从复古转售到降级回收为家具填充物或清洁布不等。这项工作缓慢、成本高昂且难以配备人员,导致可重复使用衣物的价值被埋没。
总部位于柏林的初创公司 reverse.fashion 正借助高分辨率计算机视觉技术,让这项分拣工作实现自动化。其系统能识别产品类型、瑕疵、颜色、尺码、品牌、面料结构、季节和款式,并把每件衣物归入价值最高的类别。
“与传统的垃圾分拣相比,我们的 AI 模型必须以极高的分辨率运行,因为人对纺织品很挑剔,”reverse.fashion 联合创始人兼首席技术官 Karsten Pufahl 说。“计算机视觉流水线需要能发现细微瑕疵,才能判断每件衣物的质量和潜在价值。”
您的浏览器不支持 video 标签。
纺织品以每秒 3 米的速度在传送带上移动,每件经过 Reverse Fashion 分析的纺织品都要通过十几个视觉 AI 模型,这些模型用 NVIDIA TensorRT 软件优化,并在边缘端的 NVIDIA Jetson 模块上运行。模型则在工作站和云端的 NVIDIA GPU 上训练。
Pufahl 估计,这套系统一小时的分拣量相当于过去一周的工作量,目前正在欧洲各地的工厂推广。
了解更多 由 NVIDIA 支持的可持续发展应用。
相关新闻
来源:NVIDIA Blog · blogs.nvidia.com