NIST研究以近红外光谱结合机器学习分选聚烯烃塑料，最难类别准确率达95%至98%

美国国家标准与技术研究院研究员Bradley Sutliff在NIST官方博客Taking Measure介绍其团队用近红外光谱结合机器学习提升废塑料分选精度的研究。文章指出，地方政府在回收物的收集与处理上投入不菲，而塑料分选的准确性至关重要，因为不同塑料熔点不同，混杂后会损害再生产品质量。团队的做法是采集塑料的近红外光谱信号，再训练计算机把新样本的信号与已知塑料的信号进行相似度比对，从而判定塑料种类。研究显示，针对业内公认最难区分的聚烯烃类，该方法的分选准确率达到95%至98%，而聚烯烃约占全球塑料产量的四成。关键的技术进展在于，通过测量反射光即可推断塑料的密度与结晶度特性，速度远快于传统的液体浸没法，这对高速运转的回收产线尤为重要。文章同时说明，这项研究仍处于早期阶段、尚不适用于所有塑料，团队还在扩充数据并校正颗粒、粉末、成品容器以及有色塑料之间的信号差异。作者认为，如果分选效率提升让回收具备更好的经济性，改善后的成本结构有望提高回收参与度并支撑循环经济。

这是机器学习在传统工业产线上的落地样本：靠光谱加模型替代慢速物理测量，直接改变回收环节的单位成本，属于AI创造现金流而非仅提升演示指标的场景。

废塑料回收企业与分选设备厂商的技术路线可能转向光谱加模型方案；再生塑料品质稳定性提升将影响下游包装与消费品采购。