Tu clasificador óptico es ciego al plástico negro. Dejamos de llamarlo un problema de software.
La primera vez que entendí de verdad el problema, estaba de pie al final de una línea de residuos, observando.
Una bandeja de polipropileno negro bajó por la cinta, pasó junto a una fila de clasificadores ópticos que habían costado casi medio millón de dólares, y cayó en el flujo de rechazo junto con todo lo demás que iba camino del vertedero. El eyector que había encima nunca se disparó. No porque el software tomara una mala decisión. Porque el software nunca vio nada en absoluto. Para ese clasificador, una bandeja negra sobre una cinta de goma negra es un vacío. No hay nada ahí que clasificar.
Esa bandeja vale la pena recuperarla. El PP, el PE y el ABS negros representan entre un 3 y un 15 por ciento de un flujo típico de plásticos, según la región, y casi todo ello va a parar a residuos. Para una instalación de tamaño medio eso suma una cifra con una coma, pagada cada año como tarifa de entrada al vertedero por un material que un comprador pagaría con gusto. Esta es la brecha en torno a la cual construimos el trabajo de Veriprajna en recuperación de materiales y clasificación de plástico negro: no "llevar la IA al reciclaje", porque el reciclaje ya tiene más IA que la mayoría de los sectores, sino resolver lo único que toda esa IA sigue ignorando.
Entré en esto convencido de que era un problema de aprendizaje automático. Salí entendiendo que era un problema de física disfrazado de aprendizaje automático, y que lo más valioso que podíamos hacer era, a veces, decirle a un director de planta que gastara menos dinero del que esperaba.
¿Por qué un clasificador de medio millón de dólares se queda ciego ante el plástico negro?
Los clasificadores ópticos estándar leen los polímeros con luz de infrarrojo cercano, en el rango de 0,9 a 1,7 micrones. El truco es elegante: cada plástico tiene una huella molecular, y los enlaces en su interior, las vibraciones de estiramiento carbono-hidrógeno y oxígeno-hidrógeno, absorben longitudes de onda NIR específicas en un patrón que el sensor puede cotejar con una biblioteca. TOMRA, Machinex, Pellenc, todo el campo de gama alta funciona con alguna versión de esto.
El negro de carbono lo rompe por completo. El pigmento absorbe esencialmente toda la luz del infrarrojo cercano antes de que pueda alcanzar esos enlaces moleculares y rebotar. El detector no recibe nada. Puedes reentrenar el modelo todo lo que quieras; no hay señal en la entrada de la que aprender.
Ninguna cantidad de entrenamiento de IA arregla una entrada sin señal. Los fotones nunca llegan al detector. Esto es física de sensores, no una actualización de firmware.
Esa frase es toda la razón por la que existe un enfoque distinto. La solución es cambiar qué parte del espectro se observa. El infrarrojo de onda media, aproximadamente de 2,7 a 5,3 micrones, lee las vibraciones fundamentales de las moléculas del polímero en lugar de los tenues sobretonos que capta el NIR, y a medida que sube la longitud de onda, el agarre del negro de carbono se afloja. Hacia los 3 micrones el pigmento se vuelve efectivamente transparente, y el pico de estiramiento carbono-hidrógeno a 3,4 micrones aparece nítido e inequívoco. Una bandeja negra que era un agujero en la vista NIR se convierte en una firma limpia y dentada en MWIR. Los modos aromáticos carbono-hidrógeno del poliestireno se separan limpiamente de las bandas alifáticas del PE y el PP. La cámara que desplegamos, una Specim FX50, captura 154 bandas espectrales en ese rango. No está viendo formas negras. Está leyendo la composición química a la velocidad de la cinta transportadora.
Cuando esbocé esto por primera vez, pensé que la historia terminaba ahí. Nueva cámara, nuevo espectro, problema resuelto. No terminó ahí.
La cifra que el folleto no quiere que veas
Los materiales de marketing de Specim, y la mayor parte de la prensa en torno a la clasificación MWIR, te orientan hacia cifras de precisión cercanas al 99 por ciento. Esa era la cifra que tenía en la cabeza cuando empezamos a construir el clasificador. Entrenamos una red neuronal convolucional 1D con los espectros, la vimos rendir de maravilla con muestras de referencia limpias, y me permití creer que teníamos casi todo el camino recorrido.
Luego la pusimos a prueba contra el tipo de entrada que ve una planta de recuperación real. No pellets impecables. Objetos enteros, rayados, manchados de comida, cubiertos de etiquetas, solapados sobre una cinta en movimiento, con el polvo y la mugre que lo recubren todo en una planta de reciclaje. La precisión equilibrada resultó ser del 83,4 por ciento.
Quiero ser honesto sobre cómo cayó eso, porque fue el momento más importante del proyecto. Mi primer instinto fue que habíamos hecho algo mal, que había un error en el proceso, una calibración que nos habíamos saltado. No lo había. Un artículo revisado por pares publicado en Resources, Conservation and Recycling en enero de 2026, sobre exactamente este problema, MWIR más una CNN para la identificación de plástico negro, informó del mismo tipo de cifra con residuos reales. El 99 por ciento era una cifra de laboratorio. El 83 por ciento era el mundo real.
La brecha entre la demostración de laboratorio y la cinta sucia es donde muere silenciosamente la mayor parte de la tecnología de reciclaje. Decidimos vivir en esa brecha en lugar de ocultarla.
Eso replanteó todo sobre cómo lo presentamos. Dejamos de prometer una recuperación casi perfecta y empezamos a hablar de tasas de recuperación realistas, del tipo que aun así amortizan el sistema varias veces, porque incluso al 83 por ciento la economía no está ni cerca de fallar. Una instalación de 50.000 toneladas al año que procesa un 5 por ciento de plástico negro está sentada sobre unas 2.500 toneladas de polímero recuperable. A los precios vigentes del PP reciclado y el coste de vertedero evitado, el caso honesto y conservador ronda los 2,2 a 2,7 millones de impacto anual en las cuentas de resultados, frente a un coste de reacondicionamiento de unos pocos cientos de miles. No necesitas un 99 por ciento para que esas cuentas cuadren. Necesitas dejar de fingir que lo tienes.
"Simplemente compra el hardware más rápido" fue mi instinto equivocado
La segunda cosa en la que me equivoqué era la velocidad.
Hay una verdadera cuestión de ingeniería enterrada en cualquier línea de clasificación: ¿con qué rapidez puedes pasar de "la cámara vio una bandeja de PP negro" a "la válvula de aire se disparó exactamente en el punto correcto"? Si esa latencia es demasiado larga, la cinta ha llevado el objeto más allá de la ventana de disparo, y el eyector o bien falla o se lleva la bandeja más dos vecinas, y tu pureza se derrumba. Al entrar, di por sentado que la respuesta a esto era siempre un hardware más rápido y más determinista, una tubería de flujo de datos FPGA que pudiera alcanzar unos 2 milisegundos sin fluctuación. Incluso empezamos a diseñar una.
Luego realmente hice los cálculos para una instalación representativa, y me abochornaron. Imagina una planta de 50.000 toneladas, una cinta de 1,2 metros a 3 metros por segundo, boquillas eyectoras separadas 12,5 milímetros, y una tubería de GPU en el borde sin optimizar que tarda 50 milisegundos. La velocidad de la cinta multiplicada por la latencia da 150 milímetros de recorrido antes de que la válvula se dispare, y con la fluctuación la ventana de disparo real se difumina a lo largo de 200 a 260 milímetros, mucho más ancha que un objetivo de 60 a 90 milímetros. Por supuesto que la pureza cae. Pero la solución no es la FPGA.
La solución, para esa instalación, es optimizar la tubería de la GPU, TensorRT, tamaño de lote uno, fusión de kernels, precisión media, lo que reduce la latencia a 12 a 18 milisegundos. Ahora tu error de recorrido es de 36 a 54 milímetros y el sistema funciona, con cero gasto en hardware, solo ingeniería. La vía de la FPGA, 2 milisegundos y 6 milímetros de error, solo justifica su coste por encima de aproximadamente 5 metros por segundo de velocidad de cinta, y arrastra consigo meses de ingeniería especializada. La mayoría de las plantas no funcionan a 5 metros por segundo.
La respuesta honesta a "¿necesito el costoso hardware determinista?" suele ser no, y las únicas personas que te lo dirán son las que no te lo están vendiendo.
Así que incorporamos esos cálculos a un compromiso de descubrimiento. Lo ejecutamos primero, antes de proponer nada, y más a menudo que no le decimos al cliente la respuesta más barata. Nos hace ganar menos. También significa que el próximo director de planta oye hablar de nosotros por el anterior.
¿Qué pasa cuando la cámara MWIR se avería?
La primera reunión trata de si el MWIR puede ver el plástico negro. La segunda reunión es siempre la misma pregunta, y es la que separa a la gente que realmente ha desplegado este equipo en campo de la gente que vende diapositivas: ¿qué pasa cuando la cámara se avería?
Es un miedo justificado. La Specim FX50 enfría su detector a unos 77 Kelvin con un refrigerador Stirling integrado, y ese refrigerador es la pieza que se desgasta. La hoja de datos dice 10.000 horas. En una planta de recuperación real, con entrada de polvo y vibración constante, cuenta con 7.000 a 8.000. A 16 horas al día, eso es un mantenimiento del refrigerador aproximadamente cada 14 a 18 meses, y el plazo de entrega del recambio de Specim va de 12 a 16 semanas. Si tu línea de recuperación está parada durante un trimestre financiero porque un criorrefrigerador está en un barco, no has comprado una solución, has comprado un pasivo.
Por eso la contingencia forma parte de la construcción, no es una ocurrencia tardía. La cámara se monta en un soporte de intercambio en caliente para que salga en media hora, y los refrigeradores funcionan por rotación, donde uno se retira para reacondicionarlo antes de que falle y vuelve como repuesto para el siguiente ciclo. Mientras una unidad está fuera, un modo de reserva degradado ejecuta solo segmentación RGB, con menor precisión, para que la línea nunca se detenga por completo. Debajo de todo eso hay una segunda fuente de sensores cualificada, Telops e IRCameras entre ellas, porque casi toda propuesta de MWIR en este mercado depende silenciosamente de una cámara de una sola empresa, y una instalación que apuesta millones a la recuperación merece algo mejor que un único punto de fallo que no sabía que tenía.
Dónde se detiene el campo, y por qué
Quiero ser preciso sobre la competencia, porque el espacio de la IA para reciclaje está genuinamente concurrido y no pretendo fingir lo contrario. TOMRA ha ejecutado aprendizaje profundo en el borde desde 2022 y tiene miles de unidades en campo. La razón por la que esta brecha sigue existiendo no es que las empresas establecidas estén dormidas. Es que cada una de ellas se queda justo a las puertas de resolverla, por razones estructurales.
Los que pueden ver el plástico negro lo venden empaquetado. El Autosort Black de TOMRA es una máquina aparte dentro de una línea que empieza en torno a los 450.000 a 650.000 euros, con software cerrado que no puedes licenciar en un hardware que ya posees. El UniSort BlackEye de Steinert realmente funciona con MWIR, pero está ajustado como clasificador de acabado para escamas limpias a alrededor de una tonelada por hora, no para entrada de objetos enteros contaminados de un flujo primario. Los que no pueden verlo son honestos al respecto de distintas maneras: la línea hiperespectral de Machinex funciona en SWIR, que choca contra el mismo muro del negro de carbono que el NIR estándar; la detección de perfil de Pellenc puede señalar "una cosa negra en el flujo" para la eliminación de contaminantes pero no te distinguirá el PP negro del PS negro; los recolectores robóticos de AMP y los analizadores de Greyparrot hacen un trabajo real, recolectando y midiendo respectivamente, pero con cámaras RGB que no pueden clasificar el polímero en absoluto.
Todo proveedor en este mercado es excelente en algo adyacente a tu problema del plástico negro. Ninguno de ellos vende el reacondicionamiento que lo resuelve directamente.
Esa es toda la oportunidad. No reemplazamos el clasificador que alguien ya pagó. Añadimos una estación de detección, normalmente en la cinta lateral que recoge el rechazo con alta carga de negro, con una cámara RGB para hallar los límites de los objetos, la FX50 para clasificar los espectros dentro de ellos, y una interfaz limpia con el PLC de la máquina existente mediante OPC-UA, Modbus o EtherCAT para disparar los eyectores existentes. El comprador conserva el 92 por ciento del flujo que su línea actual maneja bien y recupera la porción que fue diseñada para ignorar.
Y hay una versión más difícil y de mayor margen de esto para los recicladores de electrónica. La electrónica al final de su vida útil está llena de ABS negro, gran parte de él cargado con retardantes de llama bromados que la directiva RoHS prohíbe que vuelvan a equipos nuevos, y del 40 al 50 por ciento de los plásticos RAEE capturados nunca se reciclan adecuadamente por ello. La fluorescencia de rayos X puede leer el bromo pero no el polímero; el MWIR lee el polímero pero no el bromo. Fusiona ambos en una sola cabeza de clasificación, funcionando a unos 5 milisegundos, y puedes separar el ABS reciclado limpio de los rechazos con retardante de llama en una sola pasada, donde la mayoría de las instalaciones aún hacen dos. Usados juntos, los sensores retiran hasta un 98 por ciento de los plásticos bromados del flujo. Ese problema de fusión de sensores está en gran medida sin resolver a nivel de producción, que es exactamente por lo que vale la pena construirlo.
El problema del plástico negro tiene un reloj de quince años
La gente que sigue el mundo del envasado planteará la objeción obvia: ¿por qué construir infraestructura para el negro de carbono siquiera, cuando las marcas podrían simplemente cambiar a pigmentos negros detectables por NIR y el problema desaparece en el origen? Es un movimiento real. UPM lanzó un negro detectable por NIR de base biológica a finales de 2025; Cabot tiene alternativas aptas para contacto con alimentos; Ampacet tiene masterbatches ajustados para la clasificabilidad.
Analicé esto a fondo, porque si la sustitución estuviera a punto de eliminar el problema, construir una práctica de MWIR sería una mala apuesta. No lo está. El negro de carbono estándar cuesta unos 0,20 euros el kilogramo; las alternativas detectables cuestan de tres a seis veces eso, antes del coste de recalificar el envasado de contacto con alimentos. La adopción desde 2018 ha sido lenta, las mejores estimaciones sitúan el negro detectable por debajo del 10 por ciento del envasado negro de gran consumo, y el flujo heredado no tiene adónde ir: los interiores de automóvil no están cambiando, las carcasas de electrónica no están cambiando, el envasado de marca blanca sensible al coste no está cambiando.
Así que esto es una transición de 15 a 20 años, no un precipicio. El planteamiento honesto, el que de verdad creo, es la recuperación por MWIR ahora mientras las marcas convierten lentamente, y que la misma línea siga recuperando la larga cola durante dos décadas después. Mientras tanto, el suelo regulatorio se eleva por debajo de todo ello: la SB 54 de California empieza a extraer unos 500 millones al año de los productores de envases, con el primer plazo de reporte a finales de mayo de 2026, y las normas de envasado de la UE exigirán grados de reciclabilidad y objetivos de contenido reciclado en fuerte aumento, un 30 por ciento en envases de plástico para 2030, que sencillamente no pueden cumplirse si el plástico negro sigue yendo al vertedero. El material recuperado ya no es solo ingresos. Es cumplimiento normativo.
Lo que les digo a quienes preguntan si de verdad nos necesitan
Casi siempre surgen dos preguntas, y prefiero responderlas aquí que en una llamada de ventas.
La primera es si deberían simplemente contratar a una de las grandes consultoras en su lugar. Pueden hacerlo, y para algunas preguntas deberían. Pero un compromiso con Accenture o Capgemini se cuenta en millones y produce una matriz de selección de proveedores y una hoja de ruta. No escribe la CNN 1D, ni calibra un sensor criorrefrigerado contra el fondo específico de tu cinta, ni pone en marcha la interfaz del PLC. Somos más pequeños que los integradores de sistemas, más rápidos que desarrollar la capacidad internamente, donde, francamente, no puedes contratar con facilidad a la gente que puede cualificar un refrigerador Stirling o escribir un algoritmo de seguimiento contra un controlador EtherCAT, y más enfocados que los fabricantes de equipos originales, cuyo trabajo es venderte su siguiente máquina.
La segunda pregunta es de la que más orgulloso estoy por cómo la respondemos: ¿de verdad necesitan esto? A veces la respuesta es no. Una instalación de menos de unas 25.000 toneladas al año, con una escasa proporción de plástico negro, en una región donde el vertedero es barato, puede que nunca vea el retorno. Lo decimos y nos retiramos. Un proveedor de plataforma, por su estructura, no puede decirte que no encajas. Nosotros sí, y los proyectos que vuelven a nosotros son aquellos en los que las cuentas realmente cuadran.
La industria del reciclaje pasó los últimos años comprando "IA" como si fuera una única cosa que tenías o no tenías. No lo es. A la bandeja negra que cae en el contenedor de rechazo no le importa cuántas redes neuronales estén funcionando aguas arriba. Le importa si algo en el edificio la está mirando en una longitud de onda en la que existe. La mayoría de las plantas, ahora mismo, no lo hacen. Ese es un problema más pequeño y más resoluble de lo que los folletos hacen parecer, y más valioso de lo que el informe de residuos te dirá jamás. Si quieres ver cómo cerraríamos las cuentas de tu línea, el desglose completo está aquí.
