El pigmento de negro de carbón absorbe la luz del infrarrojo cercano. Cada bandeja de PP negro, recipiente de PE y carcasa de ABS que su clasificador óptico no detecta acaba en el rechazo y, después, en el vertedero. Nosotros construimos la capa de detección MWIR e IA en el borde que lo recupera.
3-15%
de su flujo de residuos es plástico negro que acaba en el rechazo
Recycling Magazine, Plastics Engineering
83,4%
precisión de MWIR+CNN sobre residuos reales (revisado por pares)
Resources, Conservation & Recycling, enero de 2026
Grado C+
mínimo de reciclabilidad del PPWR de la UE a partir de 2030
Reglamento PPWR 2025/40, Anexo II
El problema es la física del sensor, no el software. Ningún entrenamiento de IA arregla una entrada con señal nula.
Los clasificadores ópticos estándar (TOMRA Autosort, Machinex MACH Hyspec, Pellenc Mistral+) se basan en la espectroscopía de infrarrojo cercano en el rango de 0,9 a 1,7 micras. Identifican los polímeros leyendo los patrones de absorción de los enlaces moleculares: las vibraciones de estiramiento C-H, N-H, O-H.
El negro de carbón absorbe todas las longitudes de onda del NIR antes de que alcancen esos enlaces. El sensor recibe cero señal reflejada. Una bandeja de PP negro sobre una cinta transportadora de caucho negro es invisible. El eyector neumático permanece en silencio. El material cae al rechazo.
Esto no es un problema de actualización de firmware. Los fotones nunca llegan al detector. Se necesita una parte distinta del espectro electromagnético.
El infrarrojo de onda media (2,7 a 5,3 micras) apunta a las vibraciones fundamentales de las moléculas de polímero, no a los débiles sobretonos que lee el NIR. A estas longitudes de onda, la señal espectral es órdenes de magnitud más fuerte. Y lo que es más importante, el coeficiente de absorción del negro de carbón disminuye a medida que aumenta la longitud de onda. A las 3,0 micras, el pigmento se vuelve suficientemente transparente.
Una bandeja de PP negro que es un vacío en NIR produce una firma espectral nítida y dentada en MWIR. El pico de estiramiento C-H a 3,4 micras es fuerte e inequívoco. El poliestireno muestra modos C-H aromáticos distintos que se separan limpiamente de las bandas C-H alifáticas del PE y el PP.
El sensor que desplegamos (Specim FX50) captura 154 bandas espectrales en este rango. No ve "formas negras". Ve la composición química a la velocidad de la cinta.
No reemplazamos su clasificador existente. Añadimos una estación de detección, normalmente en una cinta lateral que recibe el rechazo de residuos con alta concentración de negro procedente de su clasificación NIR primaria. La arquitectura tiene tres componentes:
Hardware total de integración: cámara MWIR, soporte de montaje, GPU industrial en el borde (NVIDIA Jetson AGX Orin o estación de trabajo RTX), interfaz GigE Vision, cableado. Software: red 1D-CNN preentrenada con calibración in situ para el fondo de cinta específico del cliente y las características de su flujo de residuos.
Saque esta tabla en su próxima reunión de evaluación de proveedores. Cada entrada se basa en especificaciones publicadas y en la disponibilidad actual del producto.
| Proveedor | Producto | Capacidad de plástico negro | Rendimiento | Brecha |
|---|---|---|---|---|
| TOMRA | AUTOSORT BLACK, GAINnext | Sí (MWIR/SWIR propietario) | 2.000 eyecciones/min; 95-98% de pureza en flujos estándar | Solo en paquete (450-650K EUR). Software cerrado. No se puede licenciar por separado ni adaptar a hardware ajeno a TOMRA. |
| Steinert | UniSort BlackEye | Sí (HSI en el rango MWIR) | ~1 t/h en fracción de escamas de 10-40 mm; velocidad de cinta hasta 4 m/s | Clasificador de acabado, no de clasificación primaria. Optimizado para escamas limpias, no para entrada de objetos enteros contaminados de un MRF. |
| Pellenc ST | Mistral+ CONNECT | Parcial (Detección de perfil) | Clasificación multimaterial de alta velocidad | Detecta "objeto negro en el flujo" para eliminar contaminantes. No clasifica PP frente a PE frente a PS. |
| Machinex | MACH Hyspec, MACH Vision | No (solo SWIR) | Hasta 99% de pureza con 14 unidades por instalación | El SWIR no puede ver a través del negro de carbón. El mismo punto ciego que el NIR estándar. |
| AMP Sortation | Cortex, AMP ONE | No (solo RGB) | 80-140 recogidas/min/robot. Modelo de contrato de pago por tonelada. | El rendimiento de la recogida robótica se queda muy por debajo de la eyección neumática. El RGB no puede clasificar polímeros. |
| Greyparrot (Bollegraaf) | Analyzer, Sync | No (medición RGB) | Solo medición, no actuación | Le indica lo que pasa por delante. No clasifica nada. Valioso para auditoría, no para recuperación. |
| Recycleye | QuantiSort | No (RGB + GPU Jetson) | Punto de entrada de menor CapEx para flujos de envases | Suelo de latencia de la GPU en el borde (~30-50 ms). Solo detección RGB. |
| Big 4 / grandes integradores de sistemas | Estrategia + selección de proveedores | Asesoría | N/D | Producirán una matriz de selección de proveedores y una hoja de ruta de implementación. No escribirán el kernel del 1D-CNN, no calibrarán un sensor criorrefrigerado ni pondrán en marcha una interfaz PLC. Los encargos van de 750K a más de 3M USD. |
| Veriprajna | Retrofit personalizado de MWIR + IA en el borde | Sí (Specim FX50 + 1D-CNN personalizado) | Ajustado a la velocidad de cinta y la configuración del eyector del cliente | Sin base instalada de hardware en paquete. No somos una organización de servicio de campo 24/7. Construimos y ponemos en marcha; el soporte de ciclo de vida requiere un equipo interno del cliente o un contrato de servicio del fabricante. |
La otra vía es que las marcas pasen del negro de carbón a pigmentos detectables por NIR (UPM Circular Renewable Black, alternativas de Cabot, masterbatches de Ampacet). Estos pigmentos cuestan entre 0,40 y 1,00 EUR/kg más que el negro de carbón estándar a 0,20 EUR/kg, antes de la recalificación para contacto con alimentos. La adopción desde 2018 ha sido lenta: menos del 10% de los envases negros de productos de gran consumo son detectables por NIR a fecha de 2026. Los interiores de automóviles y las carcasas de electrónica no están cambiando en absoluto. El flujo de residuos heredado de negro de carbón persistirá durante 15-20 años. La clasificación MWIR y la sustitución de pigmentos no son estrategias en competencia. Son vías coexistentes para un período de transición que se mide en décadas.
Cuatro capacidades. Cada una aborda una brecha que ningún proveedor de plataforma único cubre.
Una estación de detección de retrofit para su línea de clasificación existente. Montamos el Specim FX50 en una cinta lateral que recibe el rechazo de residuos con alta concentración de negro procedente de su clasificador NIR primario. El 1D-CNN se entrena con su flujo de residuos específico. La integración PLC se transmite directamente a su eyector neumático o recolector robótico existente.
Optamos por el 1D-CNN frente al 2D-CNN porque esto es procesamiento de señales, no reconocimiento de imágenes. Una bandeja de PP negro aplastada es espacialmente idéntica a un recipiente de PE negro aplastado. La forma no es fiable. La firma espectral de 154 bandas de los enlaces del polímero sí lo es. La arquitectura 1D también se ejecuta con una latencia de 3 a 5 veces menor que los modelos 2D comparables en el mismo hardware en el borde.
Antes de recomendar hardware, ejecutamos los cálculos de latencia frente a la velocidad real de su cinta, el paso del eyector y el objetivo de rendimiento. El entregable es una especificación de arquitectura con tres opciones: GPU optimizada (menor coste), FPGA+GPU híbrida (ruta determinista para latencia crítica, GPU para la clasificación más pesada) o flujo de datos FPGA completo (máxima velocidad de cinta). Cada opción incluye CapEx, calendario e impacto esperado en la pureza.
La respuesta honesta suele ser "la GPU en el borde es suficiente". Una NVIDIA Jetson AGX Orin con optimización TensorRT alcanza una latencia de 12-18 ms. Para cintas que funcionan a 3 m/s o menos, eso es suficiente. No vendemos de más arquitecturas FPGA a menos que la ganancia de rendimiento justifique el sobrecoste de hardware de 25-40K EUR y los 4-6 meses de ingeniería adicional.
Para los recicladores de RAEE que procesan electrónica al final de su vida útil, construimos una canalización de fusión de doble sensor: MWIR para la identificación de polímeros (ABS, HIPS, PC/ABS) y XRF en línea para la concentración de bromo. El 1D-CNN fusiona ambos conjuntos de características en una única cabeza de clasificación. Contenedores de salida: rABS limpio, rHIPS limpio, rechazo positivo en BFR, rechazo mixto.
Por qué esto importa: RoHS prohíbe el material reciclado que contiene BFR en equipos nuevos. El 40-50% de los plásticos de RAEE capturados no se reciclan correctamente porque la separación es demasiado difícil. El rABS limpio alcanza los 800-1.100 USD/tonelada. El plástico mixto contaminado con BFR vale casi cero. El margen de esta separación justifica la inversión en el sensor en menos de 12 meses para la mayoría de los procesadores de RAEE que manejan más de 500 toneladas al año.
Para instalaciones que ya cuentan con clasificadores ópticos (TOMRA, Machinex, Pellenc, Steinert), desplegamos una cámara de medición al estilo de Greyparrot para caracterizar su flujo de material real y, a continuación, ajustamos la configuración del firmware de su clasificador existente, las velocidades de cinta y el temporizado del eyector para maximizar la pureza y la recuperación sin ninguna compra de hardware nuevo.
Este es el encargo que menos cuesta y que se amortiza más rápido. La mayoría de los MRF hacen funcionar sus clasificadores ópticos con la configuración predeterminada de fábrica. Un encargo de caracterización y ajuste de una semana suele elevar la recuperación entre 2 y 5 puntos porcentuales y reduce la tasa de rechazo entre 1 y 3 puntos. En una instalación de 50.000 t/año, una reducción del 2% del rechazo ahorra entre 100K y 150K EUR anuales solo en costes de vertedero evitados.
Toda decisión sobre la arquitectura de clasificación se reduce a una ecuación: velocidad de cinta por latencia es igual a desplazamiento. Así es como usarla.
Configuración: Un MRF de flujo único hace funcionar una cinta de 1,2 m de ancho a 3 m/s. El colector del eyector tiene un paso de boquilla de 12,5 mm. La latencia actual de detección a disparo es de 50 ms (GPU en el borde, sin optimizar). El objeto objetivo (bandeja de PP negro) mide en promedio 80 mm en la dirección de avance de la cinta.
Cálculo de desplazamiento: 3 m/s x 0,050 s = 0,150 m = 150 mm. Con una fluctuación típica de más o menos 10 ms, la ventana de incertidumbre del disparo abarca 120-180 mm. El sistema debe disparar una ráfaga que cubra 180 mm de longitud de cinta para garantizar el impacto. Con un paso de 12,5 mm, eso activa de 14 a 15 boquillas simultáneamente.
Consecuencia: La ráfaga ancha atrapa de 2 a 3 artículos adyacentes junto con el objetivo. La pureza cae de 4 a 6 puntos porcentuales. En una bala que debe tener al menos un 97% de PP según la especificación de la APR, esta contaminación puede provocar el rechazo.
| Solución | Latencia | Desplazamiento a 3 m/s | CapEx | Calendario | Veredicto |
|---|---|---|---|---|---|
| Reducir la cinta a 2 m/s | 50 ms | 100 mm | 0 EUR | Inmediato | Elimina el 33% del rendimiento. Rechazar. |
| Optimizar la canalización de GPU (TensorRT, batch=1, FP16) | 12-18 ms | 36-54 mm | 0 EUR (software) | 2-3 semanas | Mejor ROI. Activa de 3 a 4 boquillas. Pureza aceptable. |
| Flujo de datos FPGA (Kria KV260) | <2 ms | 6 mm | 25-40K EUR | 4-6 meses | Solo se justifica por encima de una velocidad de cinta de 4,5 m/s. |
La respuesta correcta para esta instalación es la opción 2. La recomendamos aunque nos genere menos ingresos de consultoría que la opción 3. Si la instalación decide más adelante llevar la velocidad de cinta a más de 5 m/s, la vía de mejora a FPGA está disponible. Pero gastar 30K EUR en hardware y seis meses de ingeniería para un problema que desaparece con una optimización de software de dos semanas no es ingeniería honesta.
12-18 ms
GPU optimizada en el borde (Jetson Orin, TensorRT)
<2 ms
Flujo de datos FPGA (Kria / Zynq UltraScale+)
~500 ms
Inferencia en la nube (no viable para clasificación)
Cuatro fases. Calendario típico: de 10 a 16 semanas desde el descubrimiento hasta la puesta en marcha para un retrofit de una sola línea.
Visitamos su instalación. Medimos la velocidad de su cinta, el paso del eyector, la latencia de detección actual y la composición del rechazo. Realizamos una caracterización de residuos de un día sobre la fracción de plástico negro (captura de imagen RGB, clasificación manual, pesaje por tipo de polímero). Entregable: una evaluación de viabilidad con un ROI proyectado a partir de las cifras reales de su instalación. Si el ROI no supera un umbral de amortización de 12 meses, lo decimos y cerramos el encargo. La evaluación no tiene coste si nos retiramos.
Desplegamos el Specim FX50 en su instalación sobre un montaje temporal para recopilar datos espectrales MWIR de su flujo de residuos real. Esto incluye envases sucios, aplastados, húmedos y multicapa en condiciones reales de funcionamiento. Recopilamos entre 5.000 y 15.000 espectros etiquetados de sus clases de polímero objetivo. El 1D-CNN se entrena con estos datos, no con muestras de laboratorio limpias. La validación utiliza un conjunto de prueba reservado de su flujo. Informamos de la precisión por clase de polímero con intervalos de confianza.
Montaje permanente de la cámara MWIR y el hardware de computación en el borde. Programación de la interfaz PLC (OPC-UA, Modbus o EtherCAT según su clasificador). Calibración del fondo de cinta. Sincronización del codificador para el temporizado del eyector. Prueba funcional de aceptación: clasificar 100 objetos negros seleccionados al azar, verificar la clasificación de polímeros frente a comprobaciones puntuales manuales con XRF. Objetivo de pureza: acordado por polímero según la especificación de bala de la APR/PRE.
Formamos a sus operadores en el panel de control del sistema (métricas de clasificación en tiempo real, distribución de la clasificación, estimaciones de pureza, tiempo de actividad). Configuramos la canalización de recalibración continua: las correcciones verificadas por el operador se retroalimentan en el modelo semanalmente mediante un bucle de reentrenamiento automatizado que se ejecuta en el hardware en el borde. Entregamos todos los pesos del modelo, el código de entrenamiento y la documentación. Advertencia: no somos una organización de servicio de campo 24/7. Para el mantenimiento del enfriador Stirling, el soporte mecánico de la cinta transportadora y la cobertura de emergencia, necesita su contrato de servicio del fabricante o un técnico interno. Proporcionamos la capa de IA y de sensores; somos transparentes sobre lo que no cubrimos.
Introduzca las cifras de su instalación. La herramienta estima los ingresos anuales en riesgo, recomienda una arquitectura de sensor y de cómputo, y señala la exposición regulatoria. Si las cifras dicen que no lo necesita, la herramienta se lo dirá.
TOMRA Autosort Black y Steinert UniSort BlackEye son los dos sistemas comerciales capaces de clasificar plásticos negros por tipo de polímero. Ambos utilizan sensores MWIR propietarios o SWIR extendido emparejados con IA integrada. Son máquinas excelentes. También son ecosistemas cerrados que se venden como líneas completas a 450K-650K EUR instaladas, sin opción de licenciar el software por separado ni adaptarlo a hardware de terceros. El Steinert BlackEye está además limitado a aproximadamente 1 tonelada por hora de rendimiento en la fracción de escamas de 10-40 mm, lo que lo convierte en un clasificador de acabado en lugar de una línea de clasificación primaria.
Veriprajna funciona de otra manera. Integramos la cámara MWIR Specim FX50 (154 bandas, rango de 2,7 a 5,3 micras) con modelos de clasificación 1D-CNN personalizados y los desplegamos sobre su infraestructura de cinta transportadora existente. Este enfoque de retrofit cuesta normalmente entre 150K y 250K EUR, incluyendo el sensor, el hardware de cómputo en el borde, la integración PLC y la puesta en marcha. Podemos montarlo junto a una unidad TOMRA o Machinex existente en una cinta lateral específicamente para la fracción negra que su clasificador NIR actual rechaza al residuo. El sensor es la misma física. La diferencia es la independencia del proveedor, un menor CapEx y la capacidad de ajustar el modelo de clasificación a su flujo de residuos específico en lugar de hacer funcionar el firmware de fábrica.
Esta es la pregunta correcta, porque la brecha entre las cifras de laboratorio y las de campo es significativa. Los materiales de marketing de Specim citan una precisión cercana al 99% para escamas limpias de una sola capa en condiciones controladas. El estudio de referencia revisado por pares publicado en Resources, Conservation and Recycling en enero de 2026 informa de una precisión equilibrada del 83,4% utilizando MWIR más CNN sobre muestras de residuos reales. La diferencia proviene de la contaminación (residuos de alimentos, humedad, etiquetas adhesivas), los envases multicapa (los laminados de PP/EVOH/PE producen espectros compuestos que no coinciden con las clases de entrenamiento de un solo polímero) y la degradación espectral inducida por la velocidad de la cinta.
Abordamos esta brecha de tres maneras. Primero, entrenamos con datos sucios. El 1D-CNN debe ver espectros de muestras contaminadas, aplastadas y húmedas recopiladas del flujo de residuos real del cliente, no escamas limpias de laboratorio. Segundo, construimos una clase de rechazo. Cuando la confianza del modelo cae por debajo del umbral (normalmente el 85%), el objeto se enruta a una estación manual de control de calidad en lugar de contaminar una bala clasificada. Tercero, ejecutamos bucles de recalibración continua, retroalimentando las correcciones verificadas por el operador en el modelo semanalmente. Con estos ajustes, la precisión de campo en los cinco principales polímeros negros (PP, PE, PS, ABS, PVC) se estabiliza en el rango del 88-93% tras dos o tres meses de funcionamiento. Eso no es el 99%. Es lo suficientemente alto como para producir balas que cumplan los umbrales de especificación de la PRE y la APR para rPP de Grado A (al menos 97% de PP, no más del 0,5% de PVC), siempre que el paso de control de calidad de balas posterior esté implementado.
Depende de la velocidad de su cinta y del paso del eyector. Los cálculos son sencillos. Multiplique la velocidad de su cinta en metros por segundo por su latencia de detección a disparo en segundos. Eso le da el desplazamiento en metros entre el momento en que la cámara ve el objeto y el momento en que dispara el chorro de aire. Compare ese desplazamiento con el paso de boquilla de su eyector (normalmente de 12,5 mm a 31 mm). Si el desplazamiento está dentro de uno o dos pasos de boquilla, la GPU en el borde está bien. Si lo supera, o bien reduce la cinta (eliminando rendimiento), amplía la ráfaga de aire (eliminando pureza) o reduce la latencia.
Una NVIDIA Jetson AGX Orin que ejecuta una canalización TensorRT optimizada alcanza una latencia de inferencia de 12-18 ms con aproximadamente más o menos 5 ms de fluctuación. A 3 metros por segundo, eso son 36-54 mm de recorrido, lo cual es viable para la mayoría de los colectores de paso de 12,5 mm con activación de una sola boquilla. A 5 metros por segundo, la misma latencia produce 60-90 mm de recorrido más 25 mm de envolvente de fluctuación, y la pureza se degrada de 4 a 6 puntos porcentuales.
Una canalización de flujo de datos FPGA en una AMD Kria KV260 o Zynq UltraScale+ alcanza una latencia determinista de menos de 2 ms con una fluctuación casi nula. A 5 metros por segundo, el desplazamiento es de 10 mm. Ese nivel de precisión solo se justifica para instalaciones que llevan las velocidades de cinta por encima de 4,5 metros por segundo o que realizan clasificaciones de fracción ultrafina donde cada milímetro importa. Ejecutamos los cálculos de latencia para cada encargo antes de recomendar una arquitectura. En aproximadamente el 70% de los casos, la GPU optimizada en el borde es la respuesta correcta. La vía FPGA añade entre 25 y 40K EUR de coste de hardware más cuatro a seis meses de ingeniería. No la recomendamos a menos que la ganancia de rendimiento justifique la inversión.
El Specim FX50 enfría su detector de InSb a aproximadamente 77 Kelvin utilizando un criorrefrigerador Stirling integrado. La hoja de datos estima la vida útil del enfriador en 10.000 horas. En un entorno real de MRF con polvo, vibración de los motores de la cinta transportadora y ciclos térmicos del arranque/parada de turno, espere de 7.000 a 8.000 horas antes de que el enfriador requiera servicio. A 16 horas de funcionamiento al día, eso son aproximadamente de 14 a 18 meses entre cambios de enfriador. Los enfriadores de repuesto de Specim tienen un plazo de entrega de 12 a 16 semanas. Este es el mayor riesgo operativo de cualquier despliegue de clasificación MWIR, y todos los directores de planta preguntan por ello.
Lo mitigamos con cuatro medidas. Primero, un montaje de cámara de intercambio en caliente. El FX50 se monta en un soporte de liberación rápida para que toda la unidad de cámara pueda cambiarse en menos de 30 minutos sin detener la cinta. Segundo, un programa de repuesto rotacional. Recomendamos comprar un segundo FX50 (o cualificar un sensor alternativo como el Telops Hyper-Cam Mini-MWIR) como repuesto de mantenimiento. La cámara uno se retira a las 6.500 horas para el servicio preventivo del enfriador y pasa a ser el repuesto. La cámara dos entra en funcionamiento. Esto mantiene la línea funcionando de forma continua. Tercero, un modo de clasificación de respaldo. Cuando no hay ningún sensor MWIR disponible, el sistema revierte a la segmentación solo con RGB. Este modo no puede clasificar el tipo de polímero, pero puede separar los objetos negros del flujo para clasificación manual o acopio hasta que la cámara MWIR regrese. La línea nunca se detiene. Cuarto, cualificación de sensores alternativos. Mantenemos pesos de modelo validados para al menos una plataforma de sensor MWIR adicional para protegernos frente a interrupciones de la cadena de suministro de Specim.
Sí, y esta es una de las aplicaciones de mayor valor. Los recicladores de RAEE procesan grandes volúmenes de mezclas de ABS, HIPS y PC/ABS negros procedentes de electrónica al final de su vida útil. La Directiva RoHS prohíbe los retardantes de llama bromados (BFR) en la materia prima reciclada para equipos nuevos, pero entre el 40 y el 50% de los plásticos de RAEE capturados no se reciclan correctamente porque separar el material positivo en BFR del negativo en BFR es difícil.
La mejor práctica actual combina XRF (fluorescencia de rayos X) para la detección de bromo con NIR para la identificación de polímeros. El problema es que el NIR no puede ver a través de las carcasas negras, por lo que el paso de clasificación de polímeros falla. El MWIR resuelve la parte de los polímeros. Identifica si una pieza negra es ABS, HIPS o PC/ABS independientemente del pigmento de negro de carbón. Para la determinación de BFR, fusionamos los datos espectrales MWIR con lecturas de XRF en línea. Ciertos compuestos BFR producen características de absorción detectables en el rango MWIR de 3,0 a 4,5 micras, en particular los modos de estiramiento C-Br, aunque esto es menos fiable que el XRF a velocidad de producción. El enfoque combinado de fusión de sensores clasifica cada pieza en rABS limpio, rHIPS limpio, rechazo positivo en BFR y rechazo mixto.
Los informes de la literatura muestran que los enfoques combinados de NIR más XRF eliminan hasta el 98% de los plásticos que contienen BFR. Al sustituir el MWIR por el NIR en la fracción negra, extendemos esa capacidad al flujo de material que actualmente se omite por completo. La economía es atractiva. El rABS limpio alcanza los 800-1.100 USD por tonelada. El plástico de RAEE mixto contaminado con BFR vale casi cero. Separar 500 toneladas al año de rABS limpio de un flujo de RAEE que actualmente va a la valorización energética representa entre 400K y 550K USD de valor recuperado.
El Reglamento de Envases y Residuos de Envases de la UE (PPWR, Reglamento 2025/40) introduce grados obligatorios de rendimiento de reciclabilidad para todos los envases vendidos en la UE. La Comisión Europea debe adoptar actos delegados que establezcan los criterios de diseño para el reciclaje y los umbrales de grado antes del 1 de enero de 2028. A partir de 2030, solo los envases con grado A, B o C podrán colocarse en el mercado de la UE. A partir de 2038, el mínimo asciende al Grado B.
RecyClass (operado por Plastics Recyclers Europe) clasifica actualmente los envases pigmentados con negro de carbón como reciclables solo si existe infraestructura de clasificación con capacidad MWIR en la instalación de procesamiento. Sin esa infraestructura, el envase recibe por defecto un grado inferior. Si cae por debajo del Grado C, se vuelve invendible en la UE después de 2030.
Para las marcas, esto crea un incentivo urgente para cambiar a pigmentos negros detectables por NIR (lo cual está ocurriendo lentamente, con menos del 10% de los envases negros de productos de gran consumo convertidos a fecha de 2026 debido a sobrecostes de 0,40 a 1,00 EUR por kilogramo sobre el negro de carbón estándar) o para garantizar que sus envases lleguen a MRF equipados con clasificación MWIR. Para los operadores de MRF, esto crea una oportunidad comercial. Las instalaciones que pueden demostrar la recuperación de plástico negro con MWIR se convierten en socios preferentes para el cumplimiento de la RAP de las marcas. En paralelo, la SB 54 de California comienza a recaudar tasas de RAP en 2027, con una estimación de 500 millones de USD anuales de las empresas de productos de gran consumo más hasta 150 millones de USD de los fabricantes de resina. Los mandatos de contenido reciclado (30% de rPET en botellas, 35% en otros envases de plástico para 2030) impulsarán la demanda de pellets reciclados de alta pureza, incluidos rPP y rABS negros, muy por encima de la oferta actual. Los MRF que puedan producir estas balas con pureza de Grado A captarán precios premium a los que las instalaciones limitadas a la clasificación solo con NIR no pueden acceder.
Los whitepapers interactivos que sustentan esta página de solución. Para la física detallada, la arquitectura y el modelado económico.
Arquitectura de imagen hiperespectral MWIR, clasificación espectral 1D-CNN, fusión de sensores con segmentación RGB y el caso económico de la recuperación de plástico negro en los MRF.
Arquitecturas de inferencia en el borde FPGA frente a GPU para la clasificación en cinta transportadora de alta velocidad. Análisis de latencia, estrategias de cuantización y la cinemática del temporizado de la eyección neumática.
Un MRF de 50.000 t/año que recupera un 5% de plástico negro genera entre 2,0 y 2,5 millones de EUR en ingresos anuales por pellets a partir de material que actualmente va al vertedero.
Empezamos con una visita de descubrimiento sin coste: medimos la composición de su rechazo, ejecutamos los cálculos de latencia en su línea de clasificación y entregamos una evaluación de viabilidad con cifras reales. Si el ROI no está ahí, se lo decimos.