見えないものを見る：物理学、 経済学、そして黒色 プラスチック回収のインテリジェンス

Veriprajna | Deep AI Solutionsによるホワイトペーパー

エグゼクティブサマリー

世界の循環経済は、肉眼では見えないが 環境と貸借対照表の双方にとって壊滅的なシステミックな失敗に直面している。この失敗は毎日数百万 回、世界中のマテリアル回収施設（MRF）の複雑な機械の中で起きている。 良心的な消費者が黒色プラスチックの食品トレーを洗い、暗いコーヒーの蓋を分別し、あるいは 黒色の自動車部品を廃棄するとき、その前提は リサイクルインフラがこれらの材料を回収できるというものである。この前提は、 膨大な量の廃棄物について技術的に根拠がない。

数百万トンの黒色プラスチック——主にポリプロピレン（PP）、ポリエチレン（PE）、ポリスチレン （PS）、およびアクリロニトリル・ブタジエン・スチレン（ABS）——が体系的にリサイクル ストリームから排除され、毎年埋立または焼却に送られている。 ¹ これは材料の価値が欠けているからでは ない。再生黒色ペレットは、バージン樹脂に匹敵し、時にはそれを上回る市場価格を 維持している。 ³ これらのポリマーをリサイクルすることが化学的に不可能だからでもない。 失敗は厳密に センサー物理学 の問題である。

現代のリサイクル産業は、次の技術に支えられた光学選別技術に依存している。 近赤外（NIR）分光法である。この技術は、光を分析することで材料を識別する。 廃棄物から反射した光である。しかし、およそ次の割合を着色するために使われるカーボンブラック顔料は、 廃棄物ストリームの15%であり、強力な広帯域光吸収体である。 ¹ 標準的なNIRセンサーにとって、 黒いコンベアベルト上の黒色プラスチックトレーはコントラストを一切生じない。データ空隙—— 選別アルゴリズムが背景雑音しか知覚しない死角——を作り出す。 その結果、空気圧式エジェクターは沈黙したままで、価値あるポリマーは 残渣ストリームに落ち、経済価値の大規模な漏出と深刻な 環境負債を意味する。

本ホワイトペーパーは、この危機が現行の「AI ラッパー」——汎用大規模言語モデル（LLM）の上に構築された薄いソフトウェア層——の潮流では解決できないと主張する。 生成モデルに、センサーが一度も捕捉しなかった物理データを幻覚させるようプロンプトすることは できない。コントラストがなければ、AIは盲目である。必要なのは根本的な転換である。 データ取得層において、可視および近赤外スペクトルから 中波赤外（MWIR） 熱領域へと移り、あわせて機械知能を 2D空間認識から、次の用途に設計された 1次元畳み込みニューラルネットワーク（1D-CNN） へと転換することである。 スペクトル信号処理である。

VeriprajnaはDeep Techソリューションプロバイダーとして、次の間の溝を橋渡しする。 先進センサー物理学と産業人工知能である。単に処理するだけではない。 画像ではなく、化学的現実の捕捉を設計する。ハイパースペクトルイメージングを実装することで （HSI）2.7–5.3 µmの範囲で ⁶、カーボンブラックを透明にし、その下にある独自の ポリマーの化学指紋を明らかにする。本資料は包括的な エンジニアリングアーキテクチャ、経済的要請、そして閉じるために必要な戦略的ビジョンを示す。 世界の廃棄物ストリームのうち最も暗い画分のループである。

第I部：循環経済のブラックホール

Veriprajnaが取り組む技術的課題の大きさを理解するには、 まず失敗の規模を定量化しなければならない。世界のプラスチック生産は容赦なく急増し、 過去20年で倍増し、年間およそ4億6,000万トンに達している。 ⁸ この 材料の奔流の中で、黒色プラスチックは、しばしば定量化されないものの、重要な「ダーク マター」として廃棄物ストリームを占める。

1.1 黒色ポリマーの遍在と有用性

黒色プラスチックは偶発的な副産物ではない。意図的なエンジニアリング上の選択であり、 製造サプライチェーンに深く埋め込まれている。自動車セクターでは、黒色の ポリプロピレン（PP）とABSが内装ダッシュボード、バンパー、および 構造部品の標準である。UV安定性と汚れ・傷を隠す能力のためである。 エレクトロニクス産業では、コンピュータ、テレビ、周辺機器の黒色筐体が遍在している。

決定的に、日用消費財（FMCG）および食品包装セクターでは、黒色 プラスチック——しばしばCPET（結晶性ポリエチレンテレフタレート）またはPP——が次の点で重宝される。 美的中立性である。食品の色をより鮮やかに見せる高コントラストの背景を スーパーの棚で提供する。 ¹⁰ さらに、黒という色はメーカーに次のことを可能にする。 「ジャズ」すなわち混色の再生原料を利用することである。カーボンブラック顔料を加えることで、生産者は 多色の再生プラスチックの不均質な混合物を、均一で洗練された 製品に均質化し、欠陥を効果的に隠す。 ⁶

しかし、この有用性は逆説的な行き止まりを生む。まさにその顔料が、 再生含有の使用を可能にする——カーボンブラック——が、最終製品を検出不能にする。 標準的なリサイクル機械に対してである。これは、材料にとっての「単回使用」の罠となる。 化学的には無限の循環が可能な材料である。

1.2 損失の統計的現実

プラスチック廃棄物管理に関する世界統計は、非効率の暗い絵を描く。

年間に発生する3億5,300万トンのプラスチック廃棄物のうち、成功裏にリサイクルされるのはわずか9%である。 ⁸ 残りの 運命は、埋立（50%）、焼却（19%）、および無制御の 不適切管理（22%）の混合である。 ⁸

黒色プラスチックは非リサイクル画分に不均衡に多く存在する。推計によれば、 黒色包装は総プラスチック廃棄物ストリームの3%から15%を占め、地域に 依存する。 ⁵ 年間5万トンを処理する典型的なマテリアル回収施設（MRF）では、 これは数千トンの失われた材料に相当する。単なるゴミではない。失われた収益である。 ABSやPPなどのポリマーの再生ペレット価格は$1,000から$1,200の間で推移しており、 1トンあたり ⁴、黒色プラスチックを選別できないことは、数百万ドル規模の収益漏出を意味する。 すべての主要事業者にとってである。

さらに、環境コストは「ダウンサイクリング」現象によって複合化する。 黒色プラスチックはポリマー種ごとに選別できないため（例：PPをPSから分離する）、たとえ 手作業で回収されても、しばしば低価値の混合硬質 ストリームにまとめられる。この混合ストリームは用途が限られ、しばしば低級用途に向かう。 公園のベンチなど、あるいはさらに悪いことにエネルギー回収のための焼却であり、それは体化された 化石燃料由来ポリマーの炭素を大気中に放出する。 ¹

1.3 規制の包囲

この廃棄物ストリームに対する「レッセフェール」のアプローチは終わりつつある。規制の枠組みは 世界中で、リサイクル不能な包装に締め付けを強めている。欧州連合の 包装および包装廃棄物規則（PPWR）はおそらく最も攻撃的であり、 EU市場のすべての包装が2030年までにリサイクル可能でなければならないと義務付ける。 ¹³

この規則は「リサイクル可能」の定義を理論上の可能性から実務上の 現実へと移す。黒色PPが実験室でリサイクル_できる_と言うだけではもはや十分ではない。証明されなければならない。 それが産業施設でスケールでリサイクル_されている_ことである。標準的な光学選別機が見えなければ、法的にリサイクル不能と分類される。これは黒色 包装を使うブランドに、色を放棄する（リブランド費用が発生する）か、あるいは求めることを強制する。 包装を可視化する技術的解決策である。

同時に、失敗に対する経済的罰則は上昇している。欧州の埋立税は 急騰し、一部の加盟国では処分を抑制するため1トンあたり€100を超えるコストとなっている。 ¹⁵ 米国では、埋立は依然として安いものの、チップ料金は上昇しており、拡大 生産者責任（EPR）法がカリフォルニア（SB 54）などの州で、財務的な 廃棄物管理の負担を生産者へと移している。 ¹⁷ 黒色プラスチックの「無料」処分は 過去の遺物である。

第II部：盲目の物理学

黒色プラスチック問題を解くには、表面的な理解を超えて進まなければならない。 「ゴミ」であり、光と物質の相互作用の基礎物理学に取り組むことである。 現行のリサイクルインフラの失敗は、ロボティクスや力学の失敗ではない。それは 分光法の失敗である。

2.1 カーボンブラック顔料

この物語に悪役がいるとすれば、それはカーボンブラックである。それは次の過程で生産される材料である。 重質石油製品の不完全燃焼である。その決定的な特性は、 電磁スペクトルの広大な範囲にわたる極めて高い吸収係数である。それは 紫外線、可視光（それゆえ黒く見える）、そして決定的に近赤外 （NIR）光を吸収する。 ¹

これは他の着色剤とは異なる。有機染料は、例えば、次のように見えることがある。 人間の目には黒く、赤・緑・青の光を吸収するからであるが、しばしば透明である。 赤外スペクトルでは。しかしカーボンブラックは光子の罠として働く。光の光子が カーボンブラック着色面に当たると、そのエネルギーは熱として散逸し、 光源へ反射されない。

2.2 標準NIR分光法の限界

リサイクル産業の主力センサーはNIR分光計であり、通常は次の範囲で動作する。 900 nmから1700 nm（0.9–1.7 µm）である。 ¹⁹

●​ メカニズム： 標準的な選別ユニット（例：Tomraや次のメーカーのもの）では、 Steinert）、ハロゲンランプがコンベアベルトを照らす。光はプラスチック物体に当たる。

●​ 信号： 透明または着色プラスチック（青い洗剤ボトルなど）では、光は 表面に浸透し、分子結合（C-H、N-H、O-H）と相互作用し、 特定の波長が吸収された状態で反射される。この吸収パターンが 「スペクトル指紋」である。

●​ 失敗モード： 光が黒色プラスチックトレーに当たると、カーボンブラック顔料は 入射放射を、ポリマーマトリックスと有意に相互作用する前に吸収する。 センサーは実質的にゼロの戻り信号しか受け取らない。

この現象は根本的なコントラスト失敗を生む。これらの施設で使われるコンベアベルトは 通常、黒いゴムである。黒いベルト上の黒い物体は、どちらからも反射を見ないセンサーの下では、 「フラットライン」信号になる。選別コンピュータは区別できない。 物体と背景を。ロボットにとって、ベルトは空に見える。 ²

2.3 「ラッパー」の罠：なぜLLMは物理学を直せないのか

我々は現在、大規模言語の台頭によって定義される技術的時代に生きている。 モデル（LLM）と生成AIである。「AIコンサルタンシー」の急増が現れ、提供している。 GPT-4やClaudeのようなモデルをAPIで「ラップ」することで企業問題を解くことである。 ²¹ これらの 「ラッパー」事業は、十分なプロンプトと文脈があれば次のことができるという前提で運営される。 任意のデータストリームから知能を抽出することである。

しかし、この論理を黒色プラスチックの物理的選別に当てはめることはカテゴリー錯誤である。 生成AIモデルは、次のトークンを予測するよう設計された確率的エンジンである。 系列、または膨大な学習データセットに基づく画像の次の画素である。それらは_入力_ _データ_を機能のために必要とする。

●​ 入力の空隙： 標準NIRによる黒色プラスチック選別の場合、入力データは 空集合である。分析すべきスペクトル曲線はなく、雑音だけがある。

●​ 幻覚リスク： この雑音をLLMに分類させようと強制すれば、幻覚するかもしれない。 事前分布に基づく結果（例：「トレーの多くはPPである」）であるが、これはセンシングではなく推測である。 汚染を防ぐために99%の純度を要求する産業プロセスでは、推測は 受け入れられない。

●​ レイテンシ不適合： 産業選別はミリ秒範囲の決定を要求する （<10-20ms）。クラウドベースのLLM APIにデータを送ると、次の範囲のレイテンシが導入される。 数百ミリ秒から数秒であり、リアルタイム作動を不可能にする。 ²³

Veriprajnaは、解決策は Deep Tech ——科学の厳格な適用——にあると主張する。 発見をエンジニアリング問題に適用することであり、事前学習済みの便利な適用ではない。 モデルである。AIを推測で「賢く」しようとはしない。我々は変える、 センサーの物理を、見えないものを見えるようにするために。

第III部：フォトニック解決策——中波赤外 （MWIR）

近赤外にデータが存在しないなら、視線を別の窓へと移さなければならない。 電磁スペクトルの。解決策は 中波赤外（MWIR） 領域にあり、 具体的には2.7 µmから5.3 µmの間である。

3.1 電磁窓

カーボンブラックの吸収は無限ではない。光の波長が増加するにつれ、吸収 係数はカーボンブラックで低下する。短波赤外（SWIR）から移ることで 中波赤外（MWIR）へと、顔料が十分に透明になる閾値を越え、 スペクトル分析を可能にする。 ⁶

●​ NIR/SWIR（0.9 – 2.5 µm）： 分子振動の「倍音」が支配する。これらは 弱い信号であり、カーボンブラック吸収に容易に覆い隠される。

●​ MWIR（2.7 – 5.3 µm）： この領域にはポリマーの 基本振動 が含まれる。 分子である。C-H伸縮振動、C=Oカルボニル伸縮、およびその他の結合 エネルギーがこの周波数で強く共鳴する。

MWIR領域では、プラスチックのスペクトル署名は桁違いに強い。 NIRにおけるよりも。この増大した信号強度は、低減した吸収と相まって 顔料の、センサーが闇を「見通す」ことを可能にする。黒色ポリプロピレントレーは、NIRでは 空隙であるが、MWIRでは明瞭でギザギザのスペクトル線として輝き、明確に 黒色ポリエチレンやポリスチレンの物体と区別できる。 ²⁵

3.2 ハードウェアアーキテクチャ：Specim FX50

Veriprajnaは最高クラスのハードウェア、具体的には Specim FX50 の上にソリューションを構築する。 ハイパースペクトルカメラであり、現在この用途に必要な範囲をカバーする唯一の商業的に実行可能な装置である。 2.7–5.3 µmの全範囲である。 ⁷

このセンサーのエンジニアリング複雑性は、解決策の「Deep Tech」性を際立たせる。

●​ 検出器材料： RGBカメラで使われるシリコンセンサー（安価、非冷却）や NIRで使われるInGaAsセンサー（中程度に高価）とは異なり、MWIRは異種の 半導体材料を必要とする。 インジウムアンチモン（InSb） または 水銀カドミウムテルル (MCT) である。 ⁷ これらの材料は熱放射に敏感である。

●​ 極低温冷却： MWIRセンサーは本質的に熱を検出している。センサーが 自身の内部発熱で盲目にならないよう、検出器は冷却されなければならない。 極低温（約77ケルビン）までである。FX50はスターリングクーラー—— 機械式冷凍ユニット——をカメラ本体に直接統合している。この冷却要件は 参入障壁を大幅に高め、本格的な産業プレイヤーを 趣味的な試みから区別する。 ²⁷

●​ スペクトル分解能： カメラはラインスキャナー（プッシュブルーム）として働き、154の ライン上の各画素について異なるスペクトルバンドを捕捉する。スペクトルサンプリングは約8.44 nmであり、 空間分解能は640画素で、巨大な高次元データキューブを生成する。 ($x, y, \lambda$) をリアルタイムで。 ⁷

3.3 「色」ではなく「化学」を見る

ハイパースペクトルイメージング（HSI）への移行は、「コンピュータビジョン」からのパラダイムシフトである。 「ケミカルビジョン」へである。

●​ コンピュータビジョン（RGB）： 外的 外観——形状、テクスチャ、ラベル、色——を分析する。

●​ ハイパースペクトルイメージング（HSI）： 内在的 組成を分析する。 FX50が黒色プラスチックの混合ストリームを走査するとき、「黒い形状」は見えない。見えるのは 化学データのストリームである。

●​ ポリエチレン（PE）： 3.4 µm付近の強いC-H伸縮吸収によって特徴づけられる。

●​ ポリスチレン（PS）： 鋭く、 PE/PPの脂肪族C-Hバンドから明確に分離できる独自の芳香族C-H伸縮モードを示す。 ⁶

●​ 難燃剤： 決定的に、MWIRはしばしば難燃剤の存在を検出できる。 ABS（エレクトロニクスで使用）においてであり、WEEE（廃電気・ 電子機器）プラスチックを標準包装プラスチックから分離するために不可欠である。 ²⁵

この能力は、選別プロセスを視覚的な当て推量から定量的な コンベアベルトの速度で行われる化学分析へと変える。

第IV部：認知エンジン——1次元畳み込み ニューラルネットワーク

MWIRハイパーキューブの捕捉は戦いの半分にすぎない。センサーはギガバイトのデータを生成する。 毎秒である。これを実行可能にするには、次の能力を持つ人工知能アーキテクチャが必要である。 ほぼゼロのレイテンシでこれらの複雑な化学署名を解釈することである。ここで Veriprajnaの独自 1次元畳み込みニューラルネットワーク（1D-CNN） が登場する。

4.1 廃棄物における2Dコンピュータビジョンの欠陥

AI画像認識の標準アプローチは 2D-CNN（例：ResNet、YOLO）である。これらは ネットワークであり、空間的 特徴を認識するよう設計されている。猫の耳の曲線、長方形の ナンバープレートである。

●​ 空間的無関連性： 廃棄物リサイクルでは、空間特徴は信頼できない。プラスチックボトルは 押しつぶされ、ねじれ、破れ、または汚れていることがある。黒い自動車バンパーの断片は 空間的に黒い食品トレーの断片と同一に見える。「形状」に頼ると 精度が低下する。 ²

●​ スペクトル盲目： ハイパースペクトルデータに2D-CNNを適用すると、しばしばスペクトル バンドを単なる「色チャネル」（R、G、Bのように）として扱い、捕捉に失敗する。 化学を定義する154のスペクトルバンド間の微妙で高周波な関係を 指紋である。

4.2 1D-CNNパラダイム

Veriprajnaはこの問題を_画像認識_としてではなく、_信号処理_として扱う。すべての コンベアベルト上の画素について、154値の1Dベクトル——スペクトル——を抽出する。これを供給する。 1D-CNNへである。 ³¹

アーキテクチャの詳細：

1.​ 入力層： $1 \times 154$ ベクトルであり、正規化された反射率／放射輝度を表す 値である。

2.​ 畳み込み層（Conv1D）： 画像上を滑る正方形カーネルの代わりに、我々は使う。 スペクトル上を滑る線形カーネルである。これらのカーネルは特定のスペクトルを検出するよう学習する。 形状：3.4 µmでの急落、4.0 µmでの広い肩、または特定の二重ピークである。 ネットワークは分子結合の「文法」を学習する。 ³³

3.​ プーリング層： マックスプーリングは次元を削減し、モデルを頑健にする。 校正の微小なずれや雑音に対してである。 ³⁵

4.​ 全結合層： これらは畳み込みによって抽出された特徴を集約する。 層から特定のクラス（例：黒色PP、黒色PE、黒色ABS）へ写像する。

5.​ 出力： ソフトマックス確率分布（例：[PP: 99%、PE: 0.5%、Other: 0.5%]）。

4.3 TransformerおよびLSTMに対する優位性

学術文献では、 Transformer（自己注意 機構）および LSTM（長短期記憶ネットワーク）をスペクトル分析に使うことへの大きな関心がある。 ³² しかし これらは強力である一方、産業選別の過酷な現実にはしばしば不向きである。

●​ レイテンシ： Transformerは二次の計算複雑性を持つ $O(N^2)$ とともに 系列長に関してである。LSTMは逐次的で並列化しにくい。どちらも 高速の厳格な時間予算を超えうる推論レイテンシを導入する。 選別ライン（ベルト速度3m/s）においてである。 ³²

●​ 1D-CNNの効率： 1D-CNNは線形複雑性を持ち $O(N)$ かつ高度に GPU上で並列化可能である。TensorRTを用いて最適化し、数千の エッジハードウェア上で毎秒フレームを実行でき、分類が追いつくことを保証する。 廃棄物の物理的流れに対してである。 ³⁶

Veriprajnaのモデルは正確なだけでなく、 速い 。Transformerが要する時間のうちに スペクトルの大域的文脈に「注意」を向ける間に、我々の1D-CNNはすでに画素を分類し、 エアジェットを起動している。

第V部：システムアーキテクチャと統合

Veriprajnaは「脳」を提供するが、この脳は身体の中に住まなければならない。統合は MWIR HSIをロボット選別ラインへ組み込むには、洗練されたセンサーフュージョンとエッジ コンピューティングアーキテクチャが必要である。

5.1 センサーフュージョン：両方の長所

MWIRは材料分類に優れるが、空間分解能は標準より低い。 RGBカメラよりであり、高価である。性能とコストを最適化するため、我々は センサー フュージョン を用いる。 ³⁸

●​ RGBストリーム： 高解像度・低コストのRGBカメラがベルトを走査する。その仕事は専ら セグメンテーション ——物体の境界を検出することである（例：「アイテムが位置する 画素100-200」）。廃棄物がある場所の「マスク」を作る。

●​ MWIRストリーム： Specim FX50がスペクトルデータを捕捉する。

●​ フュージョンエンジン： システムはRGBマスクをMWIRデータに重ねる。照会する。 RGBカメラが識別した物体境界の_内側_のスペクトルデータを。 1D-CNNはその内部の平均または画素単位スペクトルに基づき材料を分類する。 マスクである。

●​ 結果： ロボットは複合データパケットを受け取る。「物体ID #452は黒色 ポリプロピレントレーであり、位置は $(x,y)$、向きは $\theta$。」

このハイブリッドアプローチにより、RGBの高い空間忠実度を用いて精密な 把持または排出を案内し、一方でMWIRの高いスペクトル忠実度に依拠して 意思決定を行う。 ⁴⁰

5.2 エッジコンピューティングとリアルタイム作動

このループにクラウドはない。生のハイパースペクトル映像をストリームするのに必要な帯域は （高フレームレートで数百バンド）巨大であり、インターネット往復のレイテンシは 受け入れられない。

●​ エッジAI： Veriprajnaは産業グレードのエッジGPUを配備する（例：NVIDIA Jetson AGX Orinまたは RTX Aシリーズカードを備えた堅牢なIPC）選別機械上に直接である。

●​ 推論速度： 最適化された1D-CNNモデルは5未満の推論時間で動作する。 ミリ秒である。

●​ 作動： システムはプログラマブルロジックコントローラ（PLC）と直接インタフェースする。 選別機の。

○​ 光学選別機： 軽包装（フィルム、フレーク）では、システムは精密な バルブバーからの圧縮空気の噴射を起動し、対象材料を排出する。 ¹¹

○​ ロボットアーム： 硬質プラスチックやより重い品目では、システムは高速の デルタロボット（「スパイダーロボット」）を案内し、黒色プラスチック品目を拾い、正しい ビンに置く。 ⁴³

5.3 機械のエコシステム

Veriprajnaは既存の選別ハードウェアのエコシステム内で働く。我々の技術は 主要メーカーのシステムと統合またはアップグレードするよう設計されている。 Tomra（例： Autosort Black）および Steinert（例：Unisort BlackEye）。 ⁴² これらのメーカーは自社の 独自ソリューションを提供するが、Veriprajnaは特化・カスタマイズ可能なソフトウェア層を提供する。 特定の困難な廃棄物ストリーム（例：特定の難燃剤混合物や新規の 多層フィルム）に適応でき、標準ファームウェアが見落とすものを捉える。「オーダーメイドの知能」を提供する。 標準化されたハードウェアに対してである。

第VI部：経済的要請

Veriprajnaの技術の採用は、環境良心だけでなく、次によって駆動される。 厳しい経済指標である。黒色プラスチックの回収はコストセンターを利益 センターへと変える。

6.1 「グリーンプレミアム」とコモディティ価格

再生プラスチックペレット（ポストコンシューマー再生、PCR）は、次の価格から切り離されている。 バージンの石油系樹脂である。企業の持続可能性目標と規制義務に駆動され、 高品質PCRはしばしばプレミアムで取引される。

●​ 黒色再生ペレット：

○​ 再生PP（rPP）： $1,130 – $1,200 per ton の範囲で取引される。 ⁴

○​ 再生ABS（rABS）： $800 and $1,100 per ton の間で取引される。 ³

○​ バージン対再生： 欧州では、再生プラスチックは価格パリティに達している。 バージンプラスチックとであり、一部の高需要セクターではプレミアムを得る。 希少性のためである。 ⁴⁶

投入の10%を黒色であるがゆえに「残渣」として廃棄する施設は、本質的に捨てている。 金である。年間5万トンを処理するプラントでは、わずか2,000トンの黒色を回収するだけで PPは $2 million in potential revenue を超える潜在収益を表す。

6.2 廃棄物のコスト：埋立と炭素税

回収の代替——処分——は法外に高価になりつつある。

●​ 埋立チップ料金： 米国では平均チップ料金は約$60/tonであるが、これは隠す。 巨大な地域差（北東部と西海岸では>$100/ton）。 ⁴⁷ EUでは、埋立 禁止と税がこれらのコストをさらに押し上げ、循環を強制する。 ¹⁶

●​ 焼却とETS： EU排出量取引制度（ETS）が拡大し、対象に含むにつれ 廃棄物焼却では、施設はプラスチックを燃やす際に排出されるCO2に課金される。 プラスチックは本質的に固体化石燃料であるため、炭素コストは大きい。回収すれば プラスチックはこの税を回避する。 ¹⁴

6.3 ROI計算

ケーススタディ：中規模MRF（欧州）

●​ 処理量： 50,000 tons/year。

●​ 黒色プラスチック含有： 5%（2,500 tons）。

●​ 現状の運命： 焼却（コスト：€100/ton ゲート料金＋税）= -€250,000/year のコスト。

●​ Veriprajna＋MWIRシステム導入時：

○​ 回収率： 90%（2,250 tons）。

○​ 収益： €900/tonで販売 = +€2,025,000 の収益。

○​ 処分節約： €225,000 の回避コスト。

○​ 年間総インパクト： €2.25 Million 。

●​ システムCAPEX： 約$300,000（ハードウェア＋統合）。

●​ 回収期間： < 2 Months 。

経済は否定できない。Deep Techは自らを回収する。

第VII部：戦略的位置づけ——「Deep Tech」の堀

「XのためのAI」スタートアップで混雑した市場で、Veriprajnaは次によって自らを区別する。 垂直的深さと物理的統合の戦略である。

7.1 「ラッパー」の罠からの脱出

「ラッパー」ビジネスモデル——他者のAPIの上にUIを構築すること——は構造的に 脆弱である。「堀」がない。基盤モデル提供者（例：OpenAI）が製品を更新すれば あなたの機能を含めば、事業は蒸発する。さらに、ラッパーは制約される。 基盤モデルの限界によってである。GPT-4にMWIRスペクトルを「見る」よう「プロンプト」することはできない。 一度も学習していないスペクトルである。 ²¹

VeriprajnaはDeep Tech企業である。

●​ 独自データ： 我々は自前のデータを生成する。汚れた、 押しつぶされた実世界廃棄物のMWIRスペクトル署名は、公開インターネット上にはない。我々は構築し所有する。 このデータセットを。

●​ 物理的堀： 我々の解決策は極低温ハードウェア、エッジの統合を要求する。 コンピューティング、およびロボティクスである。コーヒーの 店にいる数人の開発者ではコピーできない。エンジニアリングの厳密さと産業現場への物理的アクセスを要する。 ⁵⁰

7.2 垂直統合とパートナーシップ

我々は真空中では運営しない。自らを 知能レイヤー として位置づける。 ハードウェアエコシステムの内部である。

●​ センサー非依存だが意見を持つ： Specim FX50を好むのはその 性能のためであるが、我々の1D-CNNアーキテクチャは他のMWIRセンサーにも適応できる。 登場するにつれてである。

●​ レトロフィット能力： 戦略の鍵は既存光学選別機のレトロフィットである。

多くのMRFは十分に良いコンベアシステムと空気エジェクターを持つが、時代遅れのセンサー ヘッドである。Veriprajnaは機械の「目と脳」をアップグレードでき、置き換えずに 「身体」を残し、顧客のCAPEXを下げる。

7.3 未来：選別を超えて

化学を「見る」ことができれば、単純な選別を超えた価値を解き放つ。

●​ デジタル製品パスポート（DPP）： どの材料が通過しているかを正確に追跡できる。 リサイクルチェーンを通じてである。

●​ 品質保証： 再生プラスチックのベールの純度を出荷_前に_認証できる。 コンバーターへ出荷する前であり、拒否される積荷を減らす。

●​ ブランド監査： 生産者に、自社の特定の黒色がどれだけかを示すデータを提供できる。 包装が実際に回収されているかであり、EPR報告要件の達成を助ける。

結論

「リサイクルを洗う。分別する。それでもAIはそれをゴミに捨てる。」

この一文は現行システムの悲劇を要約する。それはビジョンの失敗である——文字通り かつ比喩的に。可視スペクトルに依拠することで、我々は自らを盲目にしてきた。 闇に隠れた価値に対してである。

解決策は、同じことの延長ではない。より良いプロンプトでも、より大きな言語モデルでも、 洗練されたユーザーインターフェースでもない。解決策は 物理学 である。それは 中波 の厳格な適用である。 赤外ハイパースペクトルイメージング であり、見えないものを見えるようにする。それは適用である。 特化した 1次元畳み込みニューラルネットワーク を、我々の化学的現実を解釈するために 廃棄物に対してである。

Veriprajnaはこのフォトニクスと知能の交差点に立つ。単に処理するだけではない。 データではなく、真実の取得を設計する。黒色プラスチックの回収を可能にすることで、我々は 循環経済の巨大なループを閉じるだけでなく、Deepの力を実証する。 Techが、我々の時代の困難な物理的問題を解くことを。

絵を見るのをやめ、化学を見ることを始めようと、我々は招く。

#GreenTech #Recycling #ComputerVision #Sustainability #DeepTech

付録：技術仕様

表1：Veriprajna MWIRシステム仕様

構成要素	仕様	根拠
センサーコア	Specim FX50（InSb/MCT）	唯一の商用センサー 2.7–5.3 µmの全範囲をカバー する。7
スペクトルバンド	154バンド	高分解能により 化学的に類似した ポリマーを識別する（例：PE対 PP）。

冷却	スターリングクーラー（極低温）	最小化に不可欠 MWIRにおける熱雑音の 範囲。27
フレームレート	380 Hz（フルフレーム）	コンベア速度を支援 >2 m/sで高いオーバーラップ。
AIモデル	カスタム1D-CNN（5層）	<5msレイテンシに最適化 エッジGPU上；高いスペクトル 特徴抽出。
推論ハードウェア	NVIDIA Jetson AGX Orin / RTX 4090	エッジコンピューティングが必要 ネットワークを排除するため レイテンシ。23
検出可能材料	黒色PP、PE、PS、ABS、PVC、 ゴム	黒色の90%超をカバー プラスチック廃棄物ストリーム。
接続性	GigE Vision / GenICam	標準的な産業 シームレスな 統合のためのインタフェース。

参考文献

1. Transforming Black Plastic Recycling, 2025年12月12日閲覧, https://www.plasticsengineering.org/2025/07/transforming-black-plastic-recycling-005543/

2. Seeing The Unseen: Black Plastics Detection & Machine Vision, 2025年12月12日閲覧, https://www.portableas.com/news/black-plastics-detection-machine-vision/

3. recycled abs plastic material price, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://salesplastics.com/polypropylene-price-per-kg/

5. Black plastics recycling: towards a circular economy, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://qd-uki.co.uk/overcoming-black-plastic-recycling-challenge-with-mwir-hyperspectral-imaging-technology/

7. Specim FX50 - Hyperspectral Camera - MEETOPTICS, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://ourworldindata.org/plastic-pollution

10. Why is black plastic packaging so hard to recycle? - The World Economic Forum, 2025年12月12日閲覧, https://www.weforum.org/stories/2019/12/black-plastic-recycling-supermarkets-waste/

11. UniSort Black for reliable detection and sorting of different materials - steinert, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://exirpolymer.com/granules/abs-granules/

13. Plastic Recycling with NIR Technology: A Complete Guide - Solid Scanner, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://www.eea.europa.eu/publications/economic-instruments-and-separate-collection

17. Can recycling advancements get black rigid plastics off packaging's blacklist?, 2025年12月12日閲覧, 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?, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://jeffreybowdoin.com/beyond-blank-slate-escaping-ai-wrapper-trap/

22. AI Wrappers - The Quiet Race for Interface Dominance - The Prompt Engineering Institute, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://sensing.konicaminolta.us/us/blog/hyperspectral-imaging-shaping-the-future-of-plastic-recycling/

27. Specim FX50 (2.7-5.3 µm) - Channel Systems, 2025年12月12日閲覧, https://channelsystems.ca/products/midwave-infrared-mwir/specim-fx50-27-53-um

28. Specim FX50 hyperspectral camera - A breakthrough in black plastic sorting, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://www.axiomoptics.com/blog/the-diferences-between-swir-mwir-and-lwirf-cameras/

31. Deep&Dense Convolutional Neural Network for Hyperspectral Image Classification - MDPI, 2025年12月12日閲覧, https://www.mdpi.com/2072-4292/10/9/1454

32. (PDF) Hyperspectral Image Classification: An Analysis Employing CNN, LSTM, Transformer, and Attention Mechanism - ResearchGate, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://www.mdpi.com/2076-3417/14/18/8500

34. 1D-CNN architecture (based in ¹⁴). We named this... - ResearchGate, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://ieeexplore.ieee.org/document/10064297/

37. [1903.09834] 1D-Convolutional Capsule Network for Hyperspectral Image Classification, 2025年12月12日閲覧, https://arxiv.org/abs/1903.09834

38. Enhanced Waste Sorting Technology by Integrating Hyperspectral and RGB Imaging - MDPI, 2025年12月12日閲覧, https://www.mdpi.com/2313-4321/10/5/179

39. (PDF) Enhanced Waste Sorting Technology by Integrating Hyperspectral and RGB Imaging, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://arxiv.org/html/2508.19798v1

41. Specim Case Study: Waste Robotics - Hyperspectral Imaging: A Tool for Future Waste Management - YouTube, 2025年12月12日閲覧, https://www.youtube.com/watch?v=9gqLT70auzw

42. AUTOSORT™ BLACK: Advanced Sorting for Black Plastics - TOMRA, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://www.recovery-worldwide.com/en/artikel/steinert-unisort-sorting-technology-for-black-plastics-3932622.html

45. Pp Pellets Price - Made-in-China.com, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://resource-recycling.com/recycling/2023/06/12/us-landfilling-costs-jumped-sharply-last-year/

48. The Deep Tech Opportunity - Matthew Mandel, 2025年12月12日閲覧, https://matthewmandel.com/2025/01/08/the-deep-tech-opportunity/

49. Myth of "Unfundable" LLM Wrappers – Build Profitable AI SaaS | 1Mby1M | 1m1m, 2025年12月12日閲覧, 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, 2025年12月12日閲覧, https://www.duperrin.com/english/2025/05/20/wrappers-deeptechs-generative-ai/