机器学习帮助研究人员以“非常高”的准确性将可堆肥与传统塑料废物区分开来

一次性塑料无处不在：食品容器、咖啡杯、塑料袋。其中一些塑料，称为可堆肥塑料，可以设计成在受控条件下生物降解。然而，它们通常看起来与传统塑料相同，回收不正确，结果污染塑料废物流并降低回收效率。同样，可回收塑料经常被误认为是可堆肥的塑料，导致堆肥污染。

伦敦大学学院（UCL）的研究人员在《可持续发展前沿》（Frontiers in Sustainability）上发表了一篇论文，他们使用机器学习自动对不同类型的可堆肥和可生物降解塑料进行分类，并将它们与传统塑料区分开来。

研究人员使用尺寸在50毫米×50毫米和5毫米乘5毫米之间的不同类型的塑料。传统的塑料样品包括通常用于食品容器和饮料瓶的PP和PET，以及用于塑料袋和包装等的LDPE。可堆肥塑料样品包括PLA和PBAT，用于杯盖，茶包和杂志包装;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衍生材料。样本被划分为一个训练集，用于构建分类模型;以及用于检查准确性的测试装置。

结果显示成功率很高：当样品测量值超过 10 毫米 x 10 毫米时，该模型对所有材料都达到了完美的精度。然而，对于尺寸为10mm x 10mm或更小的甘蔗衍生或棕榈叶基材料，误分类率分别为20%和40%。

查看尺寸为 5 毫米 x 5 毫米的工件，某些材料的识别比其他材料更可靠：对于 LDPE 和 PBAT 工件，误分类率为 20%;两种生物质衍生材料均以60%（甘蔗）和80%（棕榈叶）的比率被误认。然而，无论样品测量如何，该模型都能够无误地识别 PLA、PP 和 PET 碎片。

“目前，大多数可堆肥塑料在传统塑料的回收中被视为污染物，降低了它们的价值。滚筒筛和密度分选应用于筛分堆肥并减少其他材料的存在。然而，当前筛选过程中的污染物水平高得令人无法接受，“Miodownik解释说。“可堆肥包装的优势只有在工业堆肥并且不会进入环境或污染其他废物流或土壤时才能实现。

为了提高准确性，来自伦敦大学学院塑料废物创新中心的Nutcha Teneepanichskul，Helen Hailes教授和Miodownik在内的一组科学家使用高光谱成像（HSI）测试了不同类型的常规，可堆肥和可生物降解塑料进行分类模型开发。HSI是一种成像技术，可在扫描不同材料时检测其不可见的化学特征，从而产生样品的逐像素化学描述。人工智能模型被用来解释这些描述并进行材料识别。

回收和工业堆肥过程中的塑料管理不善严重，因此可靠的分类机制至关重要。“目前，识别速度太低，无法在工业规模上实施，”Miodownik指出。然而，“我们可以而且将会改进它，因为自动分拣是使可堆肥塑料成为回收的可持续替代品的关键技术。