Кейс: пластик нужно различать не только по цвету

После разборки автомобиля переработчик получает детали, похожие внешне, но разные по полимеру и наполнителям. Смешение ухудшает качество вторичного сырья: одинаково чёрные или серые фрагменты могут вести себя по-разному при повторной переработке. Ручная сортировка медленна и зависит от маркировки, которая бывает загрязнена, повреждена или отсутствует.

Испанская малая компания Canonical Robots разработала CIRPLASTIC — решение для классификации пластиков с начальным фокусом на автомобильную отрасль. По материалам EIT Manufacturing, система использует гиперспектральное изображение и ИИ для распознавания спектральных признаков материала. Компания перенесла подход из своей линии KIWISORT, где спектральный анализ применялся для определения зрелости киви.

EIT сообщает, что прототип классифицирует PET, HDPE, PP и три марки наполненного полипропилена с 98% precision и recall. Это сильный технический результат, но не готовый расчёт окупаемости предприятия. В публикации не раскрыты размер тестовой выборки, скорость конвейера, доля чёрных и загрязнённых деталей, число смен и стоимость ошибки. Поэтому цифру следует читать как результат заявленной проверки матрицы материалов, а не как гарантию 98% на любой линии.

Как работает гиперспектральное зрение

Обычная камера записывает несколько широких цветовых каналов. Гиперспектральная камера измеряет отражение во множестве узких диапазонов длин волн. Получается не только изображение формы, но и спектральная подпись каждого участка. Разные полимеры и наполнители взаимодействуют со светом по-разному, поэтому модель может классифицировать материал, даже когда глаз видит похожие детали.

Рабочая линия обычно включает:

  • стабильный источник света и экранированную зону измерения;
  • гиперспектральную камеру над конвейером;
  • датчик положения или энкодер для связи спектра с конкретной деталью;
  • предварительную обработку: коррекцию тёмного и белого эталона, удаление шума, нормализацию;
  • модель классификации и порог уверенности;
  • робот, воздушный выбрасыватель или другой исполнитель;
  • корзину «не уверен» для ручной проверки.

Это референсная архитектура пилота, а не описание всех внутренних компонентов CIRPLASTIC: открытый кейс не публикует полный состав оборудования и алгоритмов.

Почему перенос опыта из пищевой линии разумен

KIWISORT и сортировка пластика решают разные задачи, но у них общий инженерный каркас. В обоих случаях предмет движется через контролируемую зону, сенсор получает пространственно-спектральные данные, модель относит объект к классу, а исполнитель направляет его по нужному пути.

Переиспользовать можно не только модельный код. Ценнее опыт с освещением, синхронизацией камеры и конвейера, калибровкой, обработкой пропусков, интерфейсом оператора и безопасной остановкой. Для малого производителя это важный урок: первый AI-проект стоит искать рядом с уже освоенным процессом и данными, а не начинать с полностью новой линии.

Однако веса модели зрелости фруктов нельзя просто перенести на полимеры. Нужны новые эталоны, спектральный диапазон, обучающая выборка, критерии приёмки и испытания на реальном сырье.

Что действительно подтверждено

По открытым материалам можно считать подтверждёнными следующие пункты:

  • Canonical Robots — испанская SME, развивавшая CIRPLASTIC при поддержке программы EIT Manufacturing;
  • решение ориентировано на классификацию пластиков, прежде всего в автомобильном потоке;
  • заявлены шесть классов: PET, HDPE, PP и три наполненные марки PP;
  • EIT приводит 98% precision и recall для проведённой проверки;
  • продукт предлагается по модели Robot-as-a-Service, чтобы заменить крупные первоначальные вложения операционным платежом;
  • оператор сохраняет роль в наблюдении, проверке данных и обслуживании.

Не подтверждены публичной производственной статистикой пропускная способность, доступность линии, стоимость на тонну, экономия труда, срок окупаемости и стабильность метрик по сезонам и поставщикам. Эти показатели должен получить будущий заказчик в собственном пилоте.

Главный технический риск — чёрные и сложные пластики

Независимые обзоры технологий сортировки отмечают физическое ограничение ближнего инфракрасного диапазона: технический углерод в чёрном пластике поглощает излучение, поэтому отражённый сигнал становится слабым. Проблемы также вызывают загрязнение, влага, тонкие плёнки, покрытия, смешанные материалы и добавки, включая антипирены.

ИИ не отменяет эту физику. Если сенсор не получил различимый сигнал, более сложная нейросеть не создаст информацию из ничего. Для части потока могут понадобиться другой диапазон, дополнительный сенсор, маркировка, предварительное разделение или отдельный маршрут.

Именно поэтому в приёмочных испытаниях нельзя ограничиваться чистыми разноцветными образцами. Доля чёрного пластика и наполненных марок должна соответствовать реальному входному потоку. Отдельно проверяются детали с маслом, пылью, царапинами, наклейками, сложной геометрией и поверхностным старением.

Какие данные нужны переработчику

Обучающая выборка должна отражать не каталог, а будущую смену на линии. Для каждого образца полезно хранить:

  • подтверждённый лабораторией тип полимера и наполнитель;
  • поставщика или партию, цвет, возраст и состояние поверхности;
  • спектральный диапазон, настройки освещения и дату калибровки;
  • скорость ленты, положение и ориентацию детали;
  • загрязнение, влажность и температуру;
  • решение модели, уверенность и фактическую корзину;
  • результат контрольного анализа после сортировки.

Разделять train и test случайно по кадрам опасно: соседние кадры одной детали почти одинаковы. Независимый тест лучше строить по партиям, дням или поставщикам. Тогда он показывает переносимость на новый поток, а не способность узнать уже виденный образец.

Precision и recall нужно привязать к бизнес-ошибке

Precision отвечает на вопрос: какая доля деталей, отправленных в корзину PP, действительно является PP. Recall показывает, какую долю всего PP система смогла найти. Одна средняя цифра по шести классам может скрыть слабый класс.

Для производства нужна матрица ошибок. Ложное попадание несовместимого полимера в дорогую фракцию может стоить дороже, чем отправка хорошей детали на повторную сортировку. Поэтому пороги задают по классам и назначению сырья.

Полезная политика состоит из трёх зон:

  • высокая уверенность — автоматическая сортировка;
  • пограничная уверенность — повторное измерение или ручная проверка;
  • неизвестный спектр — карантин, а не принудительное назначение ближайшего класса.

Новый материал или поставщик сначала проходит теневой режим. Модель выдаёт решение, но деталь сортируется по действующему процессу; результаты сравниваются до включения автоматики.

Безопасная интеграция с роботом

Модель не должна напрямую управлять приводом. Контроллер линии получает структурированный класс, уверенность, идентификатор детали и время измерения. Затем детерминированные правила проверяют допустимый класс, порог, положение на ленте и готовность исполнительного механизма.

Если камера потеряла калибровку, время ответа превышено или деталь перекрыта другой, система переводит объект в ручную корзину. Аварийная остановка, ограждения и PLC остаются независимыми от модели. Человек отвечает за изменение порогов, ввод нового класса и возврат линии после сбоя.

В журнале нужны версия модели, калибровка, спектральный файл или его защищённый идентификатор, решение, действие робота и последующий контроль качества. Это позволяет отличить ошибку модели от плохого освещения, механического смещения или неверного эталона.

Модельная экономика для небольшой линии

Robot-as-a-Service переносит часть капитальных затрат в регулярный платёж, но открытый кейс не публикует тариф CIRPLASTIC. Заказчику всё равно нужно считать полный процесс: сенсор и интеграцию, подготовку потока, обслуживание, простои, эталонный анализ и ручную проверку неопределённых деталей.

Иллюстративный расчёт. Линия обрабатывает 600 тонн в год. Более чистая сортировка повышает стоимость 120 тонн целевой фракции на 4 000 рублей за тонну — эффект 480 000 рублей. Автоматизация также экономит 700 человеко-часов по 700 рублей — ещё 490 000 рублей. Валовый годовой эффект равен 970 000 рублей.

Если сервис, обслуживание и контроль качества стоят 600 000 рублей в год, модельный чистый эффект составляет 370 000 рублей. Разовый пилот и интеграция за 550 000 рублей окупятся примерно за 18 месяцев. Это не данные Canonical Robots и не предложение поставщика: все объёмы и ставки являются допущениями. Расчёт теряет смысл, если загрязнение снижает цену фракции меньше ожидаемого или линия простаивает.

Пилот без дорогой ошибки

1. За две недели соберите репрезентативные детали минимум из трёх партий и зафиксируйте лабораторный эталон.
2. Выберите два экономически важных класса и обязательную категорию «неизвестно».
3. Проведите стендовую проверку при разных цветах, загрязнении, ориентации и скорости.
4. Зафиксируйте precision, recall и матрицу ошибок отдельно по каждому классу.
5. Запустите теневой режим на линии и измерьте p95 задержки, долю ручной корзины и дрейф по сменам.
6. Подключите исполнитель только после безопасной межблокировки и проверки повторного измерения.
7. Считайте экономику по подтверждённой чистоте фракции, простоям и тоннам, а не по лабораторной accuracy.

Кейс CIRPLASTIC показывает хороший маршрут для SME: перенести знакомую сенсорную архитектуру в соседнюю отрасль, доказать распознавание на ограниченной матрице и предложить сервисную модель. Для заказчика следующий шаг скромнее рекламного обещания: собственная грязная выборка, независимый holdout и месяц теневой работы до первого автоматического броска детали в корзину.