在PRS欧洲展会上,BPR与陶朗分选技术(TOMRA Recycling)的阿尔贝托·皮奥维桑(Alberto Piovesan)就神经网络与薄片分选技术的重要性展开对话。
[GD]凭借GAINnext技术荣获"回收机械创新奖"有何感想?[AP]我们非常荣幸能凭借GAINnext这项创新技术获得行业认可。这是对我们研发工作的肯定。我们正在深化神经网络研究——作为人工智能的子集,深度学习能让机器像人类一样思考。我们向神经网络输入数百万张图像,训练其通过特定产品形状或尺寸等视觉特征来检测识别物体,并将其与传统传感技术相结合。
由于收集的数据量庞大,我们需要突破近红外(NIR)或可见光(VIS)传感器的局限。如何高效处理这些数据?经过适当训练后,深度学习系统能开辟分选高复杂度材料的新途径。
[GD]据悉陶朗最新突破是薄片分选技术,能否具体说明?[AP]在高端机械回收领域,若没有薄片分选机,就无法达到挤出工艺所需的高纯度标准。该技术可识别不同聚合物(PET、PP、PE等)、颜色及污染物。随着《PPWR法规》实施,清除双酚A(BPA)等污染物的需求激增。我们能精准检测产BPA材料(如聚碳酸酯),通过分解污染物实现薄片提纯。
这项技术还能显著提升挤出工艺效率。优质预分选与薄片分选组合可使全程成品率大幅提升。我们提供成套解决方案,实现技术、数据与AI的协同共享,能平衡各类输入污染物,为回收商创造降本增效、原料选择多元化的商业价值。
[GD]自2019年推出业界首项垃圾分选深度学习技术以来,陶朗对AI的认知有何演变?[AP]2019年我们首次推出深度学习解决方案GainNEXT,当时仅能分选PE流中的硅胶盒——这需要训练有素的神经网络,因为材料相同而颜色因品牌设计各异,且目标物可能存在破损、挤压或重叠情况。实践证明神经网络可被训练高效执行任务。从现场测试到大规模应用的成功,促使我们开发了更多功能模块。
包括实现食品级PP/PET/HDPE首次食品与非食品分选、铝罐清洁、复杂木材分选等应用。神经网络需识别不同国家、季节、品牌背景下PP食品容器与非食品容器的差异,这需要AI专家与行业专家组成专业团队持续优化。我们已构建强大的学习系统,现阶段重点在于明确训练方向并完善支持体系。
[GD]对未来AI与回收领域的发展趋势有何预期?[AP]我期待整体回收率的提升。《PPWR法规》虽带来挑战但提供了发展契机。我们致力于通过技术提高产出并降低运营成本。虽然现有设备能区分所有材质与颜色,但如何持续优化效率帮助客户在严峻市场中提升利润仍是关键。
作为跨国企业,陶朗始终以客户为先。全球运营经验让我们洞悉各地实践方案,从而为客户提供利弊分析与定制化咨询。客户选择我们正是基于设备品质、设计流程与顾问式服务——这本质上是专业知识和精准技术的完美结合。
[GD]目前对AI仍存在诸多质疑,您如何回应?[AP]AI是个常被误解的概念。其本质只是机器的决策过程。那些声称"AI并非新生事物"的论调,所指的究竟是何种AI?现代神经网络具备类人思维与行动能力,其应用边界仍在探索中。提升决策质量就能实现双赢——既扩展可分选物料范围,又提高细分品类提取率。
关键在于客户教育。这正是我强调AI与深度学习神经网络区别的原因。我们必须对新技术研发保持信心,因其能显著提升效率。而普及认知是让人们看见可能性的第一步。
