Ver lo invisible: la física, la economía y la inteligencia de la recuperación de plásticos negros

Un whitepaper de Veriprajna | Deep AI Solutions

Resumen ejecutivo

La economía circular global se enfrenta a un fallo sistémico que es invisible al ojo humano pero catastrófico tanto para el medioambiente como para el balance. Es un fallo que ocurre millones de veces al día en la maquinaria compleja de las plantas de recuperación de materiales (MRF) de todo el mundo. Cuando un consumidor consciente lava una bandeja de plástico negro para alimentos, clasifica una tapa oscura de café o descarta un componente automotriz negro, opera bajo el supuesto de que la infraestructura de reciclaje es capaz de recuperar estos materiales. Este supuesto está tecnológicamente infundado para un volumen asombroso de residuos.

Millones de toneladas de plásticos negros —principalmente polipropileno (PP), polietileno (PE), poliestireno (PS) y acrilonitrilo butadieno estireno (ABS)— se expulsan sistemáticamente del flujo de reciclaje y se envían a vertedero o incineración cada año. ¹ Esto no se debe a una falta de valor del material; los pellets negros reciclados alcanzan precios de mercado que rivalizan y, ocasionalmente, superan a las resinas vírgenes. ³ Tampoco se debe a la imposibilidad química de reciclar estos polímeros. El fallo es estrictamente uno de física de sensores .

La industria moderna del reciclaje se apoya en tecnología de clasificación óptica sustentada por espectroscopia de infrarrojo cercano (NIR). Esta tecnología identifica materiales analizando la luz reflejada por los objetos residuales. Sin embargo, el pigmento de negro de carbono usado para colorear aproximadamente el 15% del flujo de residuos es un potente absorbedor de banda ancha de la luz. ¹ Para un sensor NIR estándar, una bandeja de plástico negro sobre una cinta transportadora negra genera contraste cero. Crea un vacío de datos: un punto ciego donde los algoritmos de clasificación no perciben más que ruido de fondo. En consecuencia, los eyectores neumáticos permanecen en silencio y el polímero valioso cae en el flujo de rechazo, lo que representa una fuga masiva de valor económico y un profundo pasivo ambiental.

Este whitepaper sostiene que esta crisis no puede resolverse mediante la tendencia actual de los «AI Wrappers»: capas de software delgadas construidas sobre modelos de lenguaje de gran tamaño (LLM) generalizados. No se puede pedir a un modelo generativo que alucine datos físicos que el sensor nunca capturó. Si el contraste está ausente, la IA está ciega. La solución exige un cambio fundamental en la capa de adquisición de datos, pasando del espectro visible y de infrarrojo cercano al dominio térmico del infrarrojo de onda media (MWIR), acoplado a un cambio en la inteligencia de máquina de reconocimiento espacial 2D a redes neuronales convolucionales 1D (1D-CNN) diseñadas para el procesamiento de señales espectrales.

Veriprajna se posiciona como proveedor de soluciones Deep Tech, tendiendo un puente sobre el abismo entre la física avanzada de sensores y la inteligencia artificial industrial. No nos limitamos a procesar imágenes; diseñamos la captura de la realidad química. Al implementar imagen hiperespectral (HSI) en el rango de 2,7–5,3 µm ⁶, volvemos transparente el negro de carbono y revelamos las huellas químicas únicas de los polímeros subyacentes. Este documento describe la arquitectura de ingeniería integral, los imperativos económicos y la visión estratégica necesarios para cerrar el ciclo de la fracción más oscura del flujo global de residuos.

Parte I: El agujero negro de la economía circular

Para comprender la magnitud del desafío tecnológico que Veriprajna aborda, hay que cuantificar primero la escala del fallo. La producción global de plásticos ha crecido sin tregua, duplicándose en las últimas dos décadas hasta aproximadamente 460 millones de toneladas anuales. ⁸ Dentro de este torrente de material, los plásticos negros representan una «materia oscura» significativa, aunque a menudo no cuantificada, del flujo de residuos.

1.1 La ubicuidad y la utilidad de los polímeros negros

Los plásticos negros no son un subproducto accidental; son una elección de ingeniería deliberada profundamente incrustada en la cadena de suministro manufacturera. En el sector automotriz, el polipropileno (PP) negro y el ABS son el estándar para salpicaderos interiores, parachoques y componentes estructurales por su estabilidad UV y su capacidad de enmascarar suciedad y rayones. En la industria electrónica, las carcasas negras de ordenadores, televisores y periféricos son ubicuas.

De forma crucial, en los sectores de bienes de consumo de alta rotación (FMCG) y envases alimentarios, los plásticos negros —a menudo CPET (tereftalato de polietileno cristalino) o PP— se valoran por su neutralidad estética. Proporcionan un fondo de alto contraste que hace que los colores de los alimentos parezcan más vibrantes en los estantes del supermercado. ¹⁰ Además, el color negro permite a los fabricantes utilizar materia prima reciclada «jazz» o de color mixto. Al añadir pigmento de negro de carbono, los productores pueden homogeneizar una mezcla heterogénea de plásticos reciclados de múltiples colores en un producto uniforme y elegante, enmascarando eficazmente las imperfecciones. ⁶

Sin embargo, esta utilidad crea un callejón sin salida paradójico. El mismo pigmento que permite el uso de contenido reciclado —el negro de carbono— vuelve el producto final indetectable para la maquinaria de reciclaje estándar. El resultado es una trampa de «un solo uso» para materiales que son químicamente capaces de una circularidad infinita.

1.2 La realidad estadística de la pérdida

Las estadísticas globales sobre la gestión de residuos plásticos pintan un panorama sombrío de ineficiencia. De las

353 millones de toneladas de residuos plásticos generadas anualmente, solo el 9% se recicla con éxito. ⁸ El destino del resto es una mezcla de vertido (50%), incineración (19%) y mala gestión no controlada (22%). ⁸

Los plásticos negros pueblan de forma desproporcionada las fracciones no recicladas. Las estimaciones sugieren que los envases negros constituyen entre el 3% y el 15% del flujo total de residuos plásticos según la región. ⁵ En una planta típica de recuperación de materiales (MRF) que procesa 50.000 toneladas anuales, esto se traduce en miles de toneladas de material perdido. Esto no es mera basura; es ingreso perdido. Con precios de pellets reciclados para polímeros como el ABS y el PP oscilando entre 1.000 $ y 1.200 $ por tonelada ⁴, la incapacidad de clasificar el plástico negro representa una fuga de ingresos de varios millones de dólares para cada operador importante.

Además, el coste ambiental se agrava por el fenómeno del «downcycling». Como los plásticos negros no pueden clasificarse por tipo de polímero (p. ej., separar PP de PS), incluso cuando se recuperan manualmente, a menudo se agregan en un flujo rígido mixto de bajo valor. Este flujo mixto tiene utilidad limitada y a menudo se destina a aplicaciones de baja calidad como bancos de parque o, peor aún, incineración para recuperación energética, que libera el carbono incorporado de los polímeros de origen fósil de vuelta a la atmósfera. ¹

1.3 El asedio regulatorio

El enfoque «laissez-faire» hacia este flujo de residuos está llegando a su fin. Los marcos regulatorios en todo el mundo están apretando el nudo sobre los envases no reciclables. El Reglamento de Envases y Residuos de Envases (PPWR) de la Unión Europea es quizá el más agresivo, al exigir que todos los envases en el mercado de la UE sean reciclables para 2030. ¹³

Esta regulación desplaza la definición de «reciclable» de una posibilidad teórica a una realidad práctica. Ya no basta con decir que el PP negro puede reciclarse en un laboratorio; hay que demostrar que sí se recicla a escala en instalaciones industriales. Si los clasificadores ópticos estándar no pueden verlo, se clasifica legalmente como no reciclable. Esto plantea una amenaza existencial a las marcas que usan envases negros, obligándolas a abandonar el color (incurrir en costes de rebranding) o a exigir una solución tecnológica que haga visibles sus envases.

Al mismo tiempo, las penalizaciones económicas por el fallo están subiendo. Los impuestos de vertedero en Europa se han disparado, con costes en algunos Estados miembros que superan los €100 por tonelada para desalentar la disposición. ¹⁵ En Estados Unidos, aunque el vertido sigue siendo más barato, las tasas de admisión están subiendo, y las leyes de responsabilidad ampliada del productor (EPR) en estados como California (SB 54) están trasladando la carga financiera de la gestión de residuos a los productores. ¹⁷ La disposición «gratuita» del plástico negro es una reliquia del pasado.

Parte II: La física de la ceguera

Para resolver el problema del plástico negro, hay que ir más allá de la comprensión superficial de la «basura» y abordar la física fundamental de la interacción luz-materia. El fallo de la infraestructura actual de reciclaje no es un fallo de la robótica ni de la mecánica; es un fallo de la espectroscopia.

2.1 El pigmento de negro de carbono

El villano de esta narrativa, si hay uno, es el negro de carbono. Es un material producido por la combustión incompleta de productos petrolíferos pesados. Su rasgo definitorio es su coeficiente de absorción extremadamente alto a lo largo de una vasta franja del espectro electromagnético. Absorbe luz ultravioleta, luz visible (de ahí su apariencia negra) y, de forma crucial, luz de infrarrojo cercano (NIR). ¹

Esto es distinto de otros colorantes. Los tintes orgánicos, por ejemplo, pueden parecer negros al ojo humano porque absorben luz roja, verde y azul, pero a menudo son transparentes en el espectro infrarrojo. El negro de carbono, sin embargo, actúa como una trampa de fotones. Cuando los fotones de luz golpean una superficie pigmentada con negro de carbono, su energía se disipa como calor en lugar de reflejarse de vuelta a la fuente.

2.2 Las limitaciones de la espectroscopia NIR estándar

El sensor de caballo de batalla de la industria del reciclaje es el espectrómetro NIR, que opera típicamente en el rango de 900 nm a 1700 nm (0,9–1,7 µm). ¹⁹

●​ El mecanismo: En una unidad de clasificación estándar (p. ej., de fabricantes como Tomra o Steinert), lámparas halógenas iluminan la cinta transportadora. La luz golpea los objetos de plástico.

●​ La señal: Para un plástico transparente o de color (como una botella azul de detergente), la luz penetra la superficie, interactúa con los enlaces moleculares (C-H, N-H, O-H) y se refleja con longitudes de onda específicas absorbidas. Este patrón de absorción es la «huella espectral».

●​ El modo de fallo: Cuando la luz golpea una bandeja de plástico negro, el pigmento de negro de carbono absorbe la radiación incidente antes de que pueda interactuar de forma significativa con la matriz polimérica. El sensor recibe efectivamente una señal de retorno nula.

Este fenómeno crea un fallo fundamental de contraste. Las cintas transportadoras usadas en estas instalaciones son típicamente de caucho negro. Un objeto negro sobre una cinta negra, bajo un sensor que no ve reflexión de ninguno, produce una señal «en línea plana». El ordenador de clasificación no puede distinguir el objeto del fondo. Para el robot, la cinta parece vacía. ²

2.3 La trampa del «wrapper»: por qué los LLM no pueden arreglar la física

Existimos actualmente en una época tecnológica definida por el ascenso de los modelos de lenguaje de gran tamaño (LLM) y la IA generativa. Ha surgido una proliferación de «consultoras de IA» que ofrecen resolver problemas empresariales «envolviendo» modelos como GPT-4 o Claude vía API. ²¹ Estos negocios «wrapper» operan bajo la premisa de que un prompting y un contexto suficientes pueden extraer inteligencia de cualquier flujo de datos.

Sin embargo, aplicar esta lógica a la clasificación física de plásticos negros es un error de categoría. Los modelos de IA generativa son motores probabilísticos diseñados para predecir el siguiente token en una secuencia o el siguiente píxel en una imagen a partir de vastos conjuntos de datos de entrenamiento. Requieren datos de entrada para funcionar.

●​ El vacío de entrada: En el caso de la clasificación de plásticos negros vía NIR estándar, los datos de entrada son un conjunto nulo. No hay curva espectral que analizar; solo hay ruido.

●​ Riesgo de alucinación: Si se forzara a un LLM a clasificar este ruido, podría alucinar un resultado basado en priors (p. ej., «la mayoría de las bandejas son PP»), pero esto no es detección; es adivinar. En un proceso industrial que exige un 99% de pureza para evitar contaminación, adivinar es inaceptable.

●​ Inadecuación de latencia: La clasificación industrial exige decisiones en el rango de milisegundos (<10-20ms). Enviar datos a una API de LLM en la nube introduce latencia del orden de cientos de milisegundos a segundos, lo que hace imposible la actuación en tiempo real. ²³

Veriprajna afirma que la solución reside en el Deep Tech —la aplicación rigurosa de científico descubrimiento a problemas de ingeniería, en lugar de la aplicación conveniente de preentrenados modelos. No intentamos hacer la IA «más lista» adivinando; cambiamos la física del sensor para hacer visible lo invisible.

Parte III: La solución fotónica – infrarrojo de onda media (MWIR)

Si los datos no existen en el infrarrojo cercano, debemos desplazar la mirada a otra ventana del espectro electromagnético. La solución reside en la región del infrarrojo de onda media (MWIR), específicamente entre 2,7 µm y 5,3 µm.

3.1 La ventana electromagnética

La absorción del negro de carbono no es infinita. A medida que aumenta la longitud de onda de la luz, el coeficiente de absorción del negro de carbono disminuye. Al pasar del infrarrojo de onda corta (SWIR) al infrarrojo de onda media (MWIR), cruzamos un umbral en el que el pigmento se vuelve lo suficientemente transparente como para permitir el análisis espectral. ⁶

●​ NIR/SWIR (0,9 – 2,5 µm): Dominado por «armónicos» de las vibraciones moleculares. Son señales débiles, fácilmente ahogadas por la absorción del negro de carbono.

●​ MWIR (2,7 – 5,3 µm): Esta región contiene las vibraciones fundamentales de las moléculas poliméricas. Las vibraciones de estiramiento C-H, los estiramientos carbonilo C=O y otras energías de enlace resuenan con fuerza en esta frecuencia.

En el dominio MWIR, las firmas espectrales de los plásticos son órdenes de magnitud más fuertes que en el NIR. Esta mayor intensidad de señal, combinada con la menor absorción del pigmento, permite al sensor «mirar a través» de la oscuridad. Una bandeja de polipropileno negro, que es un vacío en el NIR, brilla con una línea espectral distinta y dentada en el MWIR, claramente distinguible de un objeto de polietileno o poliestireno negro. ²⁵

3.2 Arquitectura de hardware: la Specim FX50

Veriprajna construye sus soluciones sobre hardware de primer nivel, en concreto la Specim FX50 cámara hiperespectral, que actualmente es el único instrumento comercialmente viable que cubre el rango completo de 2,7–5,3 µm necesario para esta aplicación. ⁷

La complejidad de ingeniería de este sensor pone de relieve la naturaleza «Deep Tech» de la solución:

●​ Material del detector: A diferencia de los sensores de silicio usados en cámaras RGB (baratos, sin refrigeración) o los sensores InGaAs usados en NIR (moderadamente caros), el MWIR requiere materiales semiconductores exóticos como el antimoniuro de indio (InSb) o el telururo de cadmio y mercurio (MCT) . ⁷ Estos materiales son sensibles a la radiación térmica.

●​ Refrigeración criogénica: Los sensores MWIR detectan esencialmente calor. Para evitar que el sensor quede cegado por su propia generación interna de calor, el detector debe enfriarse a temperaturas criogénicas (aprox. 77 kelvin). La FX50 integra un refrigerador Stirling —una unidad de refrigeración mecánica— directamente en el cuerpo de la cámara. Este requisito de refrigeración eleva de forma significativa la barrera de entrada y distingue a los actores industriales serios de los intentos aficionados. ²⁷

●​ Resolución espectral: La cámara actúa como un escáner de línea (push-broom) y captura 154 bandas espectrales distintas por cada píxel de la línea. Con un muestreo espectral de ~8,44 nm y una resolución espacial de 640 píxeles, genera un cubo de datos masivo y de alta dimensión ($x, y, \lambda$) en tiempo real. ⁷

3.3 Ver «química», no «color»

El paso a la imagen hiperespectral (HSI) representa un cambio de paradigma de la «visión por computador» a la «visión química».

●​ Visión por computador (RGB): Analiza la apariencia externa —forma, textura, etiqueta, color.

●​ Imagen hiperespectral (HSI): Analiza la composición intrínseca. Cuando la FX50 escanea un flujo mixto de plásticos negros, no ve «formas negras». Ve un flujo de datos químicos.

●​ Polietileno (PE): Caracterizado por fuertes absorciones de estiramiento C-H cerca de 3,4 µm.

●​ Poliestireno (PS): Muestra modos de estiramiento C-H aromáticos distintos que son nítidos y únicos, claramente separables de las bandas C-H alifáticas de PE/PP. ⁶

●​ Retardantes de llama: De forma crucial, el MWIR a menudo puede detectar la presencia de retardantes de llama en el ABS (usado en electrónica), lo cual es vital para separar plásticos de RAEE (residuos de aparatos eléctricos y electrónicos) de los plásticos de envase estándar. ²⁵

Esta capacidad convierte el proceso de clasificación de un juego visual de adivinanzas en un análisis químico cuantitativo realizado a la velocidad de una cinta transportadora.

Parte IV: El motor cognitivo – redes neuronales convolucionales 1D

Capturar el hipercubo MWIR es solo la mitad de la batalla. El sensor genera gigabytes de datos por segundo. Para hacerlo accionable, necesitamos una arquitectura de inteligencia artificial capaz de interpretar estas firmas químicas complejas con latencia casi nula. Aquí es donde entran en juego las redes neuronales convolucionales 1D (1D-CNN) propietarias de Veriprajna.

4.1 Los fallos de la visión por computador 2D en los residuos

El enfoque estándar en el reconocimiento de imágenes con IA es la 2D-CNN (p. ej., ResNet, YOLO). Estas redes están diseñadas para reconocer rasgos espaciales: la curva de la oreja de un gato, el rectángulo de una matrícula.

●​ Irrelevancia espacial: En el reciclaje de residuos, los rasgos espaciales no son fiables. Una botella de plástico puede estar aplastada, retorcida, rota o sucia. Un fragmento de un parachoques de coche negro se ve espacialmente idéntico a un fragmento de una bandeja alimentaria negra. Confiar en la «forma» conduce a una precisión pobre. ²

●​ Ceguera espectral: Aplicar 2D-CNN a datos hiperespectrales a menudo trata las bandas espectrales como meros «canales de color» (como R, G, B), sin capturar las relaciones sutiles y de alta frecuencia entre las 154 bandas espectrales que definen la huella química.

4.2 El paradigma 1D-CNN

Veriprajna trata el problema no como reconocimiento de imágenes, sino como procesamiento de señales . Por cada píxel de la cinta transportadora extraemos un vector 1D de 154 valores —el espectro. Alimentamos este vector a una 1D-CNN. ³¹

Especificaciones de arquitectura:

1.​ Capa de entrada: Un vector $1 \times 154$ que representa la reflectancia/radiancia normalizada valores.

2.​ Capas convolucionales (Conv1D): En lugar de núcleos cuadrados deslizándose sobre una imagen, usamos núcleos lineales que se deslizan sobre el espectro. Estos núcleos aprenden a detectar formas espectrales específicas: una caída nítida a 3,4 µm, un hombro amplio a 4,0 µm o un pico doble concreto. La red aprende la «gramática» de los enlaces moleculares. ³³

3.​ Capas de pooling: El max-pooling reduce la dimensionalidad y hace el modelo robusto a pequeños desplazamientos de calibración o ruido. ³⁵

4.​ Capas totalmente conectadas: Estas agregan las características extraídas por las capas convolucionales para mapearlas a clases específicas (p. ej., PP negro, PE negro, ABS negro).

5.​ Salida: Una distribución de probabilidad softmax (p. ej., [PP: 99%, PE: 0,5%, Other: 0,5%]).

4.3 Superioridad frente a Transformers y LSTM

En la literatura académica hay un interés significativo en usar Transformers (mecanismos de autoatención) y LSTM (redes de memoria a corto y largo plazo) para el análisis espectral. ³² Aunque son potentes, a menudo no se adaptan bien a la dura realidad de la clasificación industrial.

●​ Latencia: Los Transformers tienen una complejidad computacional cuadrática $O(N^2)$ con respecto a la longitud de la secuencia. Los LSTM son secuenciales y difíciles de paralelizar. Ambos introducen latencias de inferencia que pueden superar el presupuesto de tiempo estricto de una línea de clasificación de alta velocidad (velocidades de cinta de 3 m/s). ³²

●​ Eficiencia de las 1D-CNN: Las 1D-CNN tienen complejidad lineal $O(N)$ y son altamente paralelizables en GPU. Pueden optimizarse con TensorRT para ejecutarse a miles de fotogramas por segundo en hardware de borde, asegurando que la clasificación siga el ritmo del flujo físico de residuos. ³⁶

Los modelos de Veriprajna no solo son precisos; son rápidos . En el tiempo que tarda un Transformer en «atender» al contexto global de un espectro, nuestra 1D-CNN ya ha clasificado el píxel y ha disparado el chorro de aire.

Parte V: Arquitectura del sistema e integración

Veriprajna aporta el «cerebro», pero este cerebro debe residir en un cuerpo. La integración de HSI MWIR en una línea de clasificación robótica exige una sofisticada arquitectura de fusión de sensores y computación en el borde.

5.1 Fusión de sensores: lo mejor de ambos mundos

Aunque el MWIR es superior para la clasificación de materiales, tiene menor resolución espacial que las cámaras RGB estándar y es caro. Para optimizar rendimiento y coste, empleamos fusión de sensores . ³⁸

●​ El flujo RGB: Una cámara RGB de alta resolución y bajo coste escanea la cinta. Su trabajo es únicamente la segmentación —detectar los límites de los objetos (p. ej., «Hay un ítem ubicado en los píxeles 100-200»). Crea una «máscara» de dónde está el residuo.

●​ El flujo MWIR: La Specim FX50 captura los datos espectrales.

●​ El motor de fusión: El sistema superpone la máscara RGB sobre los datos MWIR. Consulta los datos espectrales dentro de los límites del objeto identificados por la cámara RGB. La 1D-CNN clasifica el material a partir del espectro medio o píxel a píxel dentro de esa máscara.

●​ El resultado: El robot recibe un paquete de datos compuesto: «El objeto ID #452 es una bandeja de polipropileno negro, ubicada en $(x,y)$, orientación $\theta$.»

Este enfoque híbrido nos permite usar la alta fidelidad espacial del RGB para guiar la sujeción o eyección precisas, mientras nos apoyamos en la alta fidelidad espectral del MWIR para la toma de decisiones. ⁴⁰

5.2 Computación en el borde y actuación en tiempo real

No hay nube en este bucle. El ancho de banda necesario para transmitir vídeo hiperespectral en bruto (cientos de bandas a altas tasas de fotogramas) es masivo, y la latencia de los ida y vuelta de internet es inaceptable.

●​ IA en el borde: Veriprajna despliega GPU de borde de grado industrial (p. ej., NVIDIA Jetson AGX Orin o IPC robustos con tarjetas RTX de la serie A) directamente en la máquina de clasificación.

●​ Velocidad de inferencia: Nuestros modelos 1D-CNN optimizados se ejecutan con tiempos de inferencia inferiores a 5 milisegundos.

●​ Actuación: El sistema se interconecta directamente con el controlador lógico programable (PLC) del clasificador.

○​ Clasificadores ópticos: Para envases ligeros (films, escamas), el sistema dispara un chorro preciso de aire comprimido desde una barra de válvulas para eyectar el material objetivo. ¹¹

○​ Brazos robóticos: Para plásticos rígidos o ítems más pesados, el sistema guía robots Delta de alta velocidad («robots araña») para recoger el ítem de plástico negro y colocarlo en el contenedor correcto. ⁴³

5.3 El ecosistema de maquinaria

Veriprajna trabaja dentro del ecosistema existente de hardware de clasificación. Nuestra tecnología está diseñada para integrarse o actualizar sistemas de fabricantes importantes como Tomra (p. ej., Autosort Black) y Steinert (p. ej., Unisort BlackEye). ⁴² Aunque estos fabricantes ofrecen sus propias soluciones propietarias, Veriprajna ofrece una capa de software especializada y personalizable que puede adaptarse a flujos de residuos específicos y difíciles (p. ej., mezclas concretas de retardantes de llama o films multicapa novedosos) que el firmware estándar puede pasar por alto. Aportamos la «inteligencia a medida» para el hardware estandarizado.

Parte VI: El imperativo económico

La adopción de la tecnología de Veriprajna no se impulsa solo por la conciencia ambiental, sino por métricas económicas duras. La recuperación del plástico negro transforma un centro de coste en un centro de beneficio.

6.1 La «prima verde» y los precios de las materias primas

Los pellets de plástico reciclado (reciclado posconsumo o PCR) se han desacoplado del precio de las resinas vírgenes de origen petrolífero. Impulsados por objetivos de sostenibilidad corporativa y mandatos regulatorios, el PCR de alta calidad a menudo se cotiza con una prima.

●​ Pellets reciclados negros:

○​ PP reciclado (rPP): Se cotiza en el rango de $1,130 – $1,200 por tonelada . ⁴

○​ ABS reciclado (rABS): Se cotiza entre $800 y $1,100 por tonelada . ³

○​ Virgen frente a reciclado: En Europa, los plásticos reciclados han alcanzado paridad de precio con los plásticos vírgenes y, en algunos sectores de alta demanda, mandan una prima por escasez. ⁴⁶

Una instalación que descarta el 10% de su entrada como «rechazo» porque es negro está esencialmente tirando dinero. Para una planta que procesa 50.000 toneladas al año, recuperar solo 2.000 toneladas de PP negro representa más de $2 millones de ingresos potenciales .

6.2 El coste de los residuos: impuestos de vertedero y de carbono

La alternativa a la recuperación —la disposición— se está volviendo prohibitivamente cara.

●​ Tasas de admisión a vertedero: En EE. UU., la tasa media de admisión es ~$60/ton, pero esto enmascara enormes variaciones regionales (>$100/ton en el Noreste y la Costa Oeste). ⁴⁷ En la UE, las prohibiciones e impuestos de vertedero empujan estos costes aún más alto para forzar la circularidad. ¹⁶

●​ Incineración y ETS: A medida que el Sistema de Comercio de Emisiones de la UE (ETS) se amplía para cubrir la incineración de residuos, las instalaciones pagarán por el CO2 emitido al quemar plásticos. Como el plástico es esencialmente combustible fósil sólido, el coste de carbono es significativo. Recuperar el plástico evita este impuesto. ¹⁴

6.3 Cálculo del ROI

Estudio de caso: MRF de tamaño medio (Europa)

●​ Capacidad de procesamiento: 50.000 toneladas/año.

●​ Contenido de plástico negro: 5% (2.500 toneladas).

●​ Destino actual: Incineración (Coste: €100/ton tasa de entrada + impuesto) = -€250,000/año de coste.

●​ Con el sistema Veriprajna + MWIR:

○​ Tasa de recuperación: 90% (2.250 toneladas).

○​ Ingresos: Vendidos a €900/ton = +€2,025,000 de ingresos.

○​ Ahorro de disposición: €225,000 de coste evitado.

○​ Impacto anual total: €2.25 millones .

●​ CAPEX del sistema: ~$300,000 (hardware + integración).

●​ Periodo de recuperación: < 2 meses .

La economía es innegable. El Deep Tech se paga solo.

Parte VII: Posicionamiento estratégico – el foso «Deep Tech»

En un mercado saturado de startups de «IA para X», Veriprajna se distingue mediante una estrategia de profundidad vertical e integración física.

7.1 Escapar de la trampa del «wrapper»

El modelo de negocio «wrapper» —construir una UI sobre la API de otro— es estructuralmente frágil. No tiene «foso». Si el proveedor del modelo subyacente (p. ej., OpenAI) actualiza su producto para incluir tu función, tu negocio se evapora. Además, los wrappers están limitados por las limitaciones del modelo subyacente. No se puede «promptear» a GPT-4 para que vea espectros MWIR en los que nunca fue entrenado. ²¹

Veriprajna es una empresa Deep Tech.

●​ Datos propietarios: Generamos nuestros propios datos. Las firmas espectrales MWIR de residuos sucios, aplastados y del mundo real no están disponibles en internet público. Construimos y poseemos este conjunto de datos.

●​ Foso físico: Nuestra solución exige la integración de hardware criogénico, computación en el borde y robótica. Esto no puede copiarlo un par de desarrolladores en una cafetería. Requiere rigor de ingeniería y acceso físico a emplazamientos industriales. ⁵⁰

7.2 Integración vertical y alianza

No operamos en el vacío. Nos posicionamos como la capa de inteligencia dentro del ecosistema de hardware.

●​ Agnósticos respecto al sensor, pero con criterio: Aunque preferimos la Specim FX50 por su rendimiento, nuestras arquitecturas 1D-CNN pueden adaptarse a otros sensores MWIR a medida que surjan.

●​ Capacidad de retrofit: Una parte clave de nuestra estrategia es el retrofit de clasificadores ópticos existentes.

Muchas MRF tienen sistemas de cinta y eyectores de aire perfectamente válidos, pero cabezales de sensor obsoletos. Veriprajna puede actualizar los «ojos y el cerebro» de la máquina sin sustituir el «cuerpo», reduciendo el CAPEX para nuestros clientes.

7.3 El futuro: más allá de la clasificación

Una vez que podemos «ver» química, desbloqueamos valor más allá de la simple clasificación.

●​ Pasaportes digitales de producto (DPP): Podemos rastrear exactamente qué materiales pasan por la cadena de reciclaje.

●​ Aseguramiento de la calidad: Podemos certificar la pureza de una bala de plástico reciclado antes de que se envíe a un convertidor, reduciendo las cargas rechazadas.

●​ Auditorías de marca: Podemos aportar datos a los productores sobre cuánto de su envase negro específico se está recuperando realmente, ayudándoles a cumplir los requisitos de reporting EPR.

Conclusión

«Lavas tus residuos para reciclar. Los clasificas. Y la IA los tira a la basura de todos modos.»

Esta afirmación encapsula la tragedia del sistema actual. Es un fallo de visión —tanto literal como metafórica. Al apoyarnos en el espectro visible, nos hemos cegado al valor oculto en la oscuridad.

La solución no es más de lo mismo. No es un mejor prompt, un modelo de lenguaje más grande ni una interfaz de usuario más pulida. La solución es la física . Es la aplicación rigurosa de la imagen hiperespectral de infrarrojo de onda media para hacer visible lo invisible. Es la aplicación de redes neuronales convolucionales 1D especializadas para interpretar la realidad química de nuestros residuos.

Veriprajna se sitúa en esta intersección de fotónica e inteligencia. No nos limitamos a procesar datos; diseñamos la adquisición de la verdad. Al posibilitar la recuperación de plásticos negros, no solo cerramos un bucle masivo en la economía circular, sino que también demostramos el poder del Deep Tech para resolver los problemas físicos duros de nuestro tiempo.

Le invitamos a dejar de mirar la imagen y a empezar a mirar la química.

#GreenTech #Recycling #ComputerVision #Sustainability #DeepTech

Apéndice: especificaciones técnicas

Tabla 1: especificaciones del sistema MWIR de Veriprajna

Componente	Specifci ation	Justificación
Núcleo del sensor	Specim FX50 (InSb/MCT)	Único sensor comercial que cubre el completo 2,7–5,3 µm rango.7
Bandas espectrales	154 bandas	Alta resolución para diferenciar polímeros químicamente similares (p. ej., PE vs PP).

Refrigeración	Refrigerador Stirling (criogénico)	Esencial para minimizar el ruido térmico en el MWIR rango.27
Tasa de fotogramas	380 Hz (fotograma completo)	Soporta velocidades de cinta >2 m/s con alta superposición.
Modelo de IA	1D-CNN personalizada (5 capas)	Optimizada para latencia <5 ms en GPU de borde; alta extracción de características espectrales.
Hardware de inferencia	NVIDIA Jetson AGX Orin / RTX 4090	Se requiere computación en el borde para eliminar la de red latencia.23
Materiales detectables	PP, PE, PS, ABS, PVC negros, Caucho	Cubre >90% del flujo de residuos de plástico negro.
Conectividad	GigE Vision / GenICam	Interfaz industrial estándar para una integración fluida.

Obras citadas

1. Transforming Black Plastic Recycling, consultado el 12 de diciembre de 2025, https://www.plasticsengineering.org/2025/07/transforming-black-plastic-recycling-005543/

2. Seeing The Unseen: Black Plastics Detection & Machine Vision, consultado el 12 de diciembre de 2025, https://www.portableas.com/news/black-plastics-detection-machine-vision/

3. recycled abs plastic material price, consultado el 12 de diciembre de 2025, https://www.ecoplashk.com/productstags/recycled-abs-plastic-material-price.html

4. Polypropylene Price per kg in 2025: Trends, Forecasts, and Market Analysis - Sales Plastics, consultado el 12 de diciembre de 2025, https://salesplastics.com/polypropylene-price-per-kg/

5. Black plastics recycling: towards a circular economy, consultado el 12 de diciembre de 2025, https://www.recycling-magazine.com/2022/09/22/black-plastics-recycling-towards-a-circular-economy/

6. Overcoming Black Plastic Recycling Challenge with MWIR Hyperspectral Imaging Technology - Qd-uki.co.uk, consultado el 12 de diciembre de 2025, https://qd-uki.co.uk/overcoming-black-plastic-recycling-challenge-with-mwir-hyperspectral-imaging-technology/

7. Specim FX50 - Hyperspectral Camera - MEETOPTICS, consultado el 12 de diciembre de 2025, https://www.meetoptics.com/detection-devices/cameras/hyperspectral-camera/s/specim/p/Specim%20FX50

8. Plastic pollution is growing relentlessly as waste management and recycling fall short, says OECD, consultado el 12 de diciembre de 2025, https://www.oecd.org/en/about/news/press-releases/2022/02/plastic-pollution-is-growing-relentlessly-as-waste-management-and-recycling-fall-short.html

9. Plastic Pollution - Our World in Data, consultado el 12 de diciembre de 2025, https://ourworldindata.org/plastic-pollution

10. Why is black plastic packaging so hard to recycle? - The World Economic Forum, consultado el 12 de diciembre de 2025, https://www.weforum.org/stories/2019/12/black-plastic-recycling-supermarkets-waste/

11. UniSort Black for reliable detection and sorting of different materials - steinert, consultado el 12 de diciembre de 2025, https://steinertglobal.com/us/sorting-systems/sensor-sorting/nir-sorting-systems/unisort-black/

12. High Quality Recycled ABS Granules at A Competitive Price - Exir Polymer, consultado el 12 de diciembre de 2025, https://exirpolymer.com/granules/abs-granules/

13. Plastic Recycling with NIR Technology: A Complete Guide - Solid Scanner, consultado el 12 de diciembre de 2025, https://solidscanner.com/basics-and-limitations-of-nirs-and-how-it-is-used-in-plastic-recycling/

14. Europe's Drive to Slash Plastic Waste Moves Into High Gear - Yale E360, consultado el 12 de diciembre de 2025, https://e360.yale.edu/features/europes-drive-to-slash-plastic-waste-moves-into-high-gear

15. Final layout - MRBT costs study Apr23 - Zero Waste Europe, consultado el 12 de diciembre de 2025, https://zerowasteeurope.eu/wp-content/uploads/2023/04/ZWE_Apr23_Study_MRBT_costs_study.pdf.pdf

16. Economic instruments and separate collection systems — key strategies to increase recycling | Publications - European Environment Agency, consultado el 12 de diciembre de 2025, https://www.eea.europa.eu/publications/economic-instruments-and-separate-collection

17. Can recycling advancements get black rigid plastics off packaging's blacklist?, consultado el 12 de diciembre de 2025, https://www.packagingdive.com/news/recycling-technology-advancements-black-rigid-plastic-packaging/759439/

18. Why Is Carbon Black a Particular Challenge for Automated Plastic Sorting Technologies?, consultado el 12 de diciembre de 2025, https://lifestyle.sustainability-directory.com/learn/why-is-carbon-black-a-particular-challenge-for-automated-plastic-sorting-technologies/

19. Real-Time, Non-Contact Sorting of Plastics for Recycling Using Hyperspectral Imaging - Headwall Photonics, consultado el 12 de diciembre de 2025, https://headwallphotonics.com/application-notes/real-time-non-contact-sorting-of-plastics-for-recycling-using-hyperspectral-imaging/

20. What Are the Limitations of Current Near-Infrared (NIR) Sorting Technology for Mixed Plastics? → Learn - Lifestyle → Sustainability Directory, consultado el 12 de diciembre de 2025, https://lifestyle.sustainability-directory.com/learn/what-are-the-limitations-of-current-near-infrared-nir-sorting-technology-for-mixed-plastics/

21. Beyond the Blank Slate: Escaping the AI Wrapper Trap - jeffreybowdoin.com, consultado el 12 de diciembre de 2025, https://jeffreybowdoin.com/beyond-blank-slate-escaping-ai-wrapper-trap/

22. AI Wrappers - The Quiet Race for Interface Dominance - The Prompt Engineering Institute, consultado el 12 de diciembre de 2025, https://promptengineering.org/ai-wrappers-the-quiet-race-for-interface-dominance-2/

23. The AI infrastructure reckoning: Optimizing compute strategy in the age of inference economics - Deloitte, consultado el 12 de diciembre de 2025, https://www.deloite.com/us/en/insights/topics/technology-management/tech-tretnds/2026/ai-infrastructure-compute-strategy.html

24. Black plastic identification by hyperspectral imaging in mid-wave infrared PubMed, consultado el 12 de diciembre de 2025, https://pubmed.ncbi.nlm.nih.gov/41067168/

25. Revolutionizing Black Plastic Sorting: The Power of the Specim FX50 MWIR Hyperspectral Camera and Its Integration into Industria - ATEsystem, consultado el 12 de diciembre de 2025, https://img.eshop.atesystem.cz/fotocache/files/Dokumenty/Revolutionizing-Black-Plastic-Sorting.pdf

26. Hyperspectral Imaging: Shaping the Future of Plastic Recycling - Konica Minolta Sensing, consultado el 12 de diciembre de 2025, https://sensing.konicaminolta.us/us/blog/hyperspectral-imaging-shaping-the-future-of-plastic-recycling/

27. Specim FX50 (2.7-5.3 µm) - Channel Systems, consultado el 12 de diciembre de 2025, https://channelsystems.ca/products/midwave-infrared-mwir/specim-fx50-27-53-um

28. Specim FX50 hyperspectral camera - A breakthrough in black plastic sorting, consultado el 12 de diciembre de 2025, https://www.specim.com/breakthrough-in-black-plastic-sorting/

29. SPECIM FX50 - デルフトハイテック株式会社, consultado el 12 de diciembre de 2025, https://dht.co.jp/wp/wp-content/uploads/2019/06/Specim-FX50-Technical-Datasheet-01_dht.pdf

30. The Differences Between SWIR, MWIR, and LWIR Cameras - Axiom Optics, consultado el 12 de diciembre de 2025, https://www.axiomoptics.com/blog/the-diferences-between-swir-mwir-and-lwirf-cameras/

31. Deep&Dense Convolutional Neural Network for Hyperspectral Image Classification - MDPI, consultado el 12 de diciembre de 2025, https://www.mdpi.com/2072-4292/10/9/1454

32. (PDF) Hyperspectral Image Classification: An Analysis Employing CNN, LSTM, Transformer, and Attention Mechanism - ResearchGate, consultado el 12 de diciembre de 2025, https://www.researchgate.net/publication/369128397_Hyperspectral_Image_Classification_An_Analysis_Employing_CNN_LSTM_Transformer_and_Atention_Mechatnism

33. Hands-On Fundamentals of 1D Convolutional Neural Networks—A Tutorial for Beginner Users - MDPI, consultado el 12 de diciembre de 2025, https://www.mdpi.com/2076-3417/14/18/8500

34. 1D-CNN architecture (based in ¹⁴). We named this... - ResearchGate, consultado el 12 de diciembre de 2025, https://www.researchgate.net/figure/D-CNN-architecture-based-in-14-We-named-this-architecture-1D-CNN-O-O-stands-for_fig2_369128397

35. 5. Convolutional 1D Network Classification - ReCoDE- AI For Patents, consultado el 12 de diciembre de 2025, https://imperialcollegelondon.github.io/ReCoDE-AIForPatents/5_Convolutional_1D_Network_Classification/

36. Hyperspectral Image Classification: An Analysis Employing CNN, LSTM, Transformer, and Attention Mechanism - IEEE Xplore, consultado el 12 de diciembre de 2025, https://ieeexplore.ieee.org/document/10064297/

37. [1903.09834] 1D-Convolutional Capsule Network for Hyperspectral Image Classification, consultado el 12 de diciembre de 2025, https://arxiv.org/abs/1903.09834

38. Enhanced Waste Sorting Technology by Integrating Hyperspectral and RGB Imaging - MDPI, consultado el 12 de diciembre de 2025, https://www.mdpi.com/2313-4321/10/5/179

39. (PDF) Enhanced Waste Sorting Technology by Integrating Hyperspectral and RGB Imaging, consultado el 12 de diciembre de 2025, https://www.researchgate.net/publication/395723120_Enhanced_Waste_Sorting_Technology_by_Integrating_Hyperspectral_and_RGB_Imaging

40. FusionSort: Enhanced Cluttered Waste Segmentation with Advanced Decoding and Comprehensive Modality Optimization The authors would like to thank MBZUAI for providing the computational resources used in this research. We also gratefully acknowledge the Multispectral Waste (MSWaste) dataset team for sharing their dataset. - arXiv, consultado el 12 de diciembre de 2025, https://arxiv.org/html/2508.19798v1

41. Specim Case Study: Waste Robotics - Hyperspectral Imaging: A Tool for Future Waste Management - YouTube, consultado el 12 de diciembre de 2025, https://www.youtube.com/watch?v=9gqLT70auzw

42. AUTOSORT™ BLACK: Advanced Sorting for Black Plastics - TOMRA, consultado el 12 de diciembre de 2025, https://www.tomra.com/waste-metal-recycling/products/machines/autosort-black

43. Revolutionising the sorting of black plastics in industry with the Specim FX50 MWIR hyperspectral camera - OptiXs, consultado el 12 de diciembre de 2025, https://www.optixs.cz/en/revolucni-trideni-cernych-plastu-v-prumyslu-s-hyperspektralni-kamerou-specim-fx50-mwir

44. STEINERT UniSort sorting technology for black plastics - recovery Magazine, consultado el 12 de diciembre de 2025, https://www.recovery-worldwide.com/en/artikel/steinert-unisort-sorting-technology-for-black-plastics-3932622.html

45. Pp Pellets Price - Made-in-China.com, consultado el 12 de diciembre de 2025, https://www.made-in-china.com/products-search/hot-china-products/Pp_Pellets_Price.html

46. Impact on Virgin vs. Recycled Plastics Prices and Implications for a Production Cap - IEEFA, consultado el 12 de diciembre de 2025, https://ieefa.org/sites/default/files/2024-11/Reviewed-14920-Briefing%20note_Petchem%20recycling%20prices.pdf

47. US landfilling costs jumped sharply last year - Resource Recycling, consultado el 12 de diciembre de 2025, https://resource-recycling.com/recycling/2023/06/12/us-landfilling-costs-jumped-sharply-last-year/

48. The Deep Tech Opportunity - Matthew Mandel, consultado el 12 de diciembre de 2025, https://matthewmandel.com/2025/01/08/the-deep-tech-opportunity/

49. Myth of "Unfundable" LLM Wrappers – Build Profitable AI SaaS | 1Mby1M | 1m1m, consultado el 12 de diciembre de 2025, https://1m1m.sramanamitra.com/virtual-accelerator/no-equity/the-myth-of-unfundable-llm-wrapper-startups/

50. Wrappers, deeptechs, and generative AI: a profitable but fragile house of cards, consultado el 12 de diciembre de 2025, https://www.duperrin.com/english/2025/05/20/wrappers-deeptechs-generative-ai/