MWIR 1D-CNNがNIR選別機の見落とす黒色プラスチックを読み取り、確信度ゲートをオフにすると同一モデルが不合格ベールを出荷する様子。保証こそが製品であることを示す図。

リサイクル機械学習循環型経済

リサイクル業者が廃棄する黒色プラスチックを回収するAIを開発した――分類器の構築は簡単な部分にすぎなかった

Ashutosh Singhal 2026年7月16日12 min

カーボンブラックは近赤外線（NIR）領域の全域を吸収するため、黒いコンベアベルト上を流れる黒いポリプロピレントレイは、世界の再資源化ラインを支えるTOMRA AutosortやMachinex、Pellencといった市場に出回るあらゆる光学式NIR選別機にとって、信号ゼロの虚空同然となる。選別機はその物体をまったく認識できず、残渣として落下し、最終的には埋立地へと送られてしまう。ストリームにもよるが、廃棄物の3〜15％がまさにこの方法で失われる黒色プラスチックであり、年間5万トンの処理能力を持ち5％の黒色プラスチックを含む施設では、年間約2,500トンの回収可能物質、すなわち年間220万〜270万ユーロ規模の機会損失に相当する（WP45調査、2026年）。私はこのシステム開発の大部分を、そのプラスチックを可視化することこそが興味深い問題なのだと思い込んで費やしていた。確かに最初の1週間ほどはそうだった。だがその後、真の問題が姿を現した。そしてそれは、モデルとはまったく別のところにあったのだ。

私が構築したデモはAssayと呼ばれ、公開先は https://veriprajna.com/demos/materials-recovery-aiである。他の何よりも先に、この中で何が実物であるかを述べておくべきだろう。なぜなら、この分野のあらゆるデモにはその境界を曖昧にしてしまいたい誘惑がつきまとうからだ。スペクトルは合成されたものであり、Specim FX50センサーの代役を務める物理ベースのエミュレータによって生成されている。また、空気圧式エジェクタはログ記録を行うスタブだ。本物であるのは、分類器、ゲート、ポリシーチェック、そして評価の数値である。私が合成側を意図的に構築したのは、ベールが売れるかどうかを決定づけるケースとは、クリーンな実験室での測定ではまず得られないような、廃棄物ストリーム内の曖昧で汚染されたPVC混入のケースだからだ。

見当違いのレースに勝とうと費やした1週間

私は大方の人がそうするように、この開発を精度競争としてスタートさせた。黒色プラスチック回収において誰もが持ち出すフレームワークは単一の数字だ。すなわち、NIRで盲目となるゼロから、研究室の見出しを飾るほぼ99％まで分類器の精度を引き上げれば、リサイクルの死角を克服できるという発想である。そこで私はまず、センシングの物理機構から着手した。カーボンブラックは中波長赤外線（MWIR）の信号を減衰させるものの、完全に消去するわけではない。そしてその隙間こそが、突破口のすべてだった。2.7〜5.3マイクロメートルのMWIR帯域において、各ポリマーは依然として診断的なフィンガープリントを残している。PPとPEにおける脂肪族炭素-水素ダブレット、PSの芳香環、ABSのニトリル伸縮、PVCの塩素隣接特徴などだ。私はnumpyで小さな1次元畳み込みネットワークを自作した。3層の畳み込み層からプーリングを経て2層の全結合層へ、そしてPP、PE、PS、ABS、PVCを分類するソフトマックスへとつなぎ、本格的な順伝播と逆伝播、Adam、温度キャリブレーションのステップを実装した。これは約5ミリ秒のホットパスにおいて、平易な数値計算コードとして動作する。ここでは大規模言語モデルは何一つ判断を下さない。自ら読むことのできる算術演算そのものだ。

そしてそれは、偽りのない水準で機能した。訓練時よりも意図的に汚れた、ホールドアウトされた1,700個の過酷なストリームにおいて、均衡精度（balanced accuracy）は0.894に達した。これは実際の廃棄物を対象としたMWIR分類の査読済み現場ベンチマークである83.4％（『Resources, Conservation & Recycling』2026年1月号）のすぐ隣に位置するものであり、ネットワークが自らの答案を自分で採点することのないよう、その下層に0.668の解釈可能なピーク比率ルールを配置した。困難なデータ分布において、これは優れた数字だ。研究室が誇る99％ではないが、私は開発の初期段階で、そうであるかのように見せかけることだけは絶対にしないと決めていた。

ここで私の足を止めたものがある。私は0.894という数字を前にして、リサイクルプラントがこれで何をするだろうかと自問したが、その答えは「何もしない」だった。資源回収施設（MRF）が精度の数字を買うことなど決してない。彼らが対価を支払う唯一の対象は、仕様を満たすベールだけなのだ。

開発全体を再構成することになった一つのトグル

開発の方向性が一変した瞬間は、ほぼ思いつきで追加した一つのトグルスイッチだった。グレードA再生ポリプロピレンに対するAPR（プラスチックリサイクラー協会）のモデルベール仕様は、具体的で極めて厳格だ。最低でも97％のPPを含み、PVCは0.5％以下でなければならない。仕様を満たさないベールは受入拒否となり、埋立地への転送手数料が発生し、下流のリサイクル業者からの信頼を失うことになる。そこで私はダッシュボードに一つのコントロール、つまりオン/オフを切り替えられる確信度ゲートを組み込み、同一のストリームに対して同一のモデルを両方の設定で走らせ、ゲート単体にどれだけの価値があるかを観察した。

ゲートをオンにすると、低確信度の物体、すなわち単一のポリマーとスペクトルが一致しない多層ラミネートや汚染された破片は、当てずっぽうでベールに混入される代わりに、ソフトマックス閾値0.86で手作業QCへと保留される。また、意図的に低く設定した閾値を超えてPVCの疑いがある物体は、すべて即座にハードリジェクト（即時却下）される。デモシード11において、そのゲート適用済みベールはPPが99.2％、PVCの漏出はゼロと測定され、証明書には「合格、APRグレードA」と記載される。

確信度ゲートをオンにしたデモシード11におけるrPPベール証明書：PP 99.2％、PVC含有率0％、合格 APRグレードA rPP、手作業QCへ送られた物体38個 — デモシード11におけるゲート適用ベール。測定値はPP 99.2％、PVC含有率0.00％、APRの双方の条項が緑色で合格と判定され、パネルには手作業QCに保留された38個の物体と、リアルタイムで計算された回収トン数および収益が同一の証明書上に表示されている。

次に同じトグルをオフにして、分類器がすべての物体に対して最上位の予測をそのまま採用する素朴なargmax（何一つ保留しない状態）にした。同一のストリーム、同一の重みだ。するとベールの測定値はPP 94.2％、PVC 1.94％となり、証明書はグレードを決定づける0.5％のPVC上限を超過したため「不合格」へと一転した。

確信度ゲートをオフにした同一のデモダッシュボード：rPPビンには155個の物体が入り、PVCリジェクトと手作業QCの数値が変化し、パネルには「ベールは不合格となります」と表示されている — 同一モデル、同一ストリーム、ゲートオフ（素朴なargmax）。ゲート適用時には保留されていた物体をrPPビンが飲み込み、PVCや誤認識がグレードAベールへと漏れ出し、証明書には「ベールは不合格となります」と記される。

私はそれまで分類器を作っていた。だが目の前にあったのは、ベールを売却可能にしていた要因が、分類器などでは決してなかったという証拠だった。それを実現していたのは、棄権（判定保留）、PVCのハードリジェクト、そして決定論的なポリシーチェックだったのだ。これら2枚のスクリーンショットの間で、モデル自体は何一つ変わっていない。変化したのはそれを取り囲む保証インフラであり、それこそが提出可能なグレードAベールと、汚染された再粉砕材の山との決定的な違いだったのである。

なぜPVC判定を非対称な決定にしたのか

私は意図的にPVCを他のすべての対象と異なるものとして扱ったが、その理由は率直に説明する価値がある。PPベールにおけるPVCの偽陰性は、単なる小さな誤差ではない。下流の溶融プロセス全体を劣化させかねない塩素汚染物質なのだ。そのため、ゲートはPVCを他のクラスと対称的に比較考量することはない。ネットワークがわずかでもPVCの疑いがあるとフラグを立てた物体は、塩素リスクとして即座にハードリジェクトされる。これは、PVCを絶対に混入させないために、本物のPPの一部を廃棄することを許容することを意味する。それはコストであり、私はデモでそのコストを隠すのではなく、むしろ前面に示したいと考えた。ゲートを適合させた60ベールの評価において、システムは約12.6％の物体を手作業QCへと送り、全60ベールを通じてPVCの漏出をわずか1件に抑えつつPVCの約99.8％を捕捉し、PPストリームの約71.2％を回収した。素朴なシステムよりも多くの材料を人間の判断に委ね、完璧なシステムよりも回収量は少なくなるが、システムはその事実をありのままに提示する。自らの純度を過大宣伝する回収システムは、それが存在する唯一の目的においてすでに失敗しているのだ。

確信度ゲートをオンにした状態。rPPビンに無理やり詰め込まれることなく、手作業QCビンに蓄積された38個の物体を示している — 機能している棄権レイヤー。ネットワークが確信を持てない物体（ラミネート材や汚染破片）は、当てずっぽうでrPPビンに放り込まれる代わりに、手作業QCビン（ここでは38個）に蓄積される。ハッタリを利かせるのではなく、しっかりと保留する。

この構想全体に潜む罠は、棄権することが弱点のように見えてしまう点にある。エンジニアたちに手作業QCの山を見せると、閾値を押し上げて回収率をもっと高めないのかと反射的に尋ねられる。だが、選別ラインで下される判断とは、平均的な推測がいかに優れているかではない。塩素の時限爆弾がグレードAベールに混入するかどうかであり、確率論的なモデルにそのような判断を下させるべきではないのだ。必要なのは、モデルが決して覆すことのできないルールである。

私がスコアボードに掲げることを選んだ数字

私はスコアボードに掲げる数字に関して、維持するのに痛みを伴う一つの決断を下した。0.894は、汚れを含んだ過酷なホールドアウト・ストリームにおいて真実である数字だ。ほぼ99％というのは、売れ行きの良い、クリーンなSpecimの実験室データから得られる数字であり、それを引用して人々に都合よく推測させることもできただろう。しかし私はデモにベンチマークパネルを組み込み、0.894という数値を、0.668の解釈可能なベースラインや83.4％の査読済み現場数値のすぐ隣に配置した。これにより、私たちが現在どのような立ち位置にあり、実験室の上限を過大に主張していないことを誰もが正確に確認できるようにしたのだ。

デモのモデルベンチマークパネル：MWIR 1D-CNN 0.894、ピーク比率ルール 0.668、現場ベンチマーク 0.834、無作為に選ばれた40ベールにおいてゲート適用ベールのAPR適合率85％に対しゲートなしは23％ — 過酷なホールドアウト・ストリームにおけるベンチマークパネル。当社の0.894の1D-CNNは、実験室の約99％という数字ではなく、0.668のルールベースラインおよび0.834の査読済み現場数値（RCR、2026年1月）の隣に並んでいる。その下には確固たる証拠が示されている。無作為に抽出された40ベールにおいて、ゲート適用ベールは約85％の割合でAPRグレードAを満たすのに対し、素朴なargmaxでは約22.5％（パネル上では四捨五入されて23と表示）にとどまる。

パネルに表示されているのは真に重要な数字であり、それは単なる精度ではない。過酷なストリームから無作為に抽出された40ベールにおいて、ゲートを適用したベールは約85％の割合でAPRグレードAを満たしたが、ゲートを適用しないベールが適合したのはわずか約22.5％だった。これら2つの検証ポイントを注意深く読み取ってほしい。両者は異なる測定値であり、意図的に区別しているからだ。99.2対94.2の比較はデモシード11における単一の特定ベールのものであり、85対22.5は無作為な40ベールの集計結果である。単一ベールは視覚的に鮮明なバージョンであり、集計結果は誠実なバージョンだが、双方が同じ方向を指し示しているからこそ、この物語は成立する。0.894のモデルが、大半のケースで合格するベールになるか、あるいは大半のケースで不合格となるベールになるかは、ひとえにゲートがループ内に組み込まれているかどうかにかかっているのだ。

私が過剰なアップセルをやめた理由

私は自分自身の請求額を押し下げるように計算処理側を構築したが、それは自分でも驚くほどの結果となった。レイテンシの計算は明快だ。エアブラストの移動距離はベルト速度と検出から噴射までのレイテンシの積に等しく、純度を維持するのに十分な狭さである約4つのエジェクターノズルピッチ以内にそのブラストが収まる場合にのみ、そのアーキテクチャは成立する。施設のベルト速度である秒速3.0メートルにおいて、最適化されたエッジGPU（TensorRTを14ミリ秒で実行するJetson AGX Orin）は、ノズルピッチ約3.4個分に相当する42ミリメートルのブラストを発生させ、許容ウィンドウ内に収まる。そのため、エンジンはGPUを推奨し、このベルト速度ではFPGAを採用する妥当性がないことを率直に明示して、約3万2,000ユーロと20週間のエンジニアリング期間を節約する。ベルト速度をおよそ秒速3.6メートル以上に引き上げると、GPUのブラストは4ノズルの境界を超え、その時点ではじめてFPGAの推奨へと切り替わる。物理条件が許す限り、たとえFPGAの方が高額な請求につながるとしても、より安価なハードウェアを推奨するのだ。すべての購入者を高価な選択肢へと誘導するようなデモにはしたくなかったため、私は安価な推奨をデフォルトの挙動とし、その論拠を画面上に明示した。

より優れたモデルが登場しても生き残る部分

私は選別機を作ったわけではない。この点は慎重を期しておきたい。TOMRAやSteinert、あるいはMachinexを置き換える主張だと受け取られがちだからだ。それは誤った解釈である。Assayは、プライマリのNIR選別機の下流にベンダーニュートラルなサイドベルトステーションとして配置され、その選別機がすでにリジェクトした黒色濃度の高い残渣を読み取るものであり、前段にある機械には一切手を加えない。そしてそれが付加する価値は、モデルが改善されるにつれて陳腐化するような数字ではない。すべてのベールにはsha256でハッシュ化された署名付き証明書が添付され、測定された組成、合否判定が下された各APR条項、モデルのハッシュ値、棄権およびリジェクトの件数、そして回収トン数が記載される。このレシートこそが、プラントが正式に提出・保管できる記録となるのだ。

特定の規制上の理由から、これは5年前よりも現在のほうがはるかに重要な意味を持つ。EUの包装および包装廃棄物規則（PPWR、規則2025/40）、カリフォルニア州法SB 54、そしてRecyClassの枠組みが定着するにつれ、カーボンブラック包装材は、施設にMWIR対応の選別能力が実際に存在する場合にのみ「リサイクル可能」とみなされるようになる（WP45調査、2026年）。これは本デモに関するコンプライアンス上の主張ではなく、証明書は提出可能な純度の証拠であって適合スタンプではない。事業環境が変化している背景を説明するものだ。そのような世界で勝ち残る施設とは、スライド上で最高のベンチマーク数値を掲げる施設ではなく、出荷するすべてのベールについて監査人に提出可能なレシートを手渡せる施設である。選別ラインにおける信頼は決定論的でなければならず、そして決定論的な部分こそが、まさに分類器の内部には存在しない部分なのだ。

そして、私の文章を読むよりも、優れたモデルが不合格のベールを出荷してしまう様子を実際にその目で確かめたいのであれば、エンドツーエンドで稼働している全容がここにある。

優れたモデルが不合格のベールを出荷するのを見届け、それからトグルを一つ切り替えるだけで合格するベールを出荷する様子を見たいのであれば、デモは https://veriprajna.com/demos/materials-recovery-aiで公開されており、同一のストリームを両方の方法で実行しているため、変化しているのはゲートの有無だけである。私は当初、困難な問題は黒色プラスチックを見分けることだと考えていた。それを見分けるには、1週間の分光学の探究と小さなネットワークがあれば足りた。だが、回収したものが実際にクリーンであることを証明し、そうでなかったときに棄権し、即時却下し、大々的に不合格を宣言することを厭わない態勢を築くことこそが、それ以降のすべてを要したのである。