Deep Tech • Circulaire economie • Spectroscopie

Het onzichtbare zien

De natuurkunde, de economie en de intelligentie van terugwinning van zwart kunststof

Elk jaar worden miljoenen tonnen zwart kunststof systematisch uit recyclingstromen verwijderd en naar de stortplaats gestuurd—niet omdat ze geen waarde hebben, maar omdat sensoren ze letterlijk niet kunnen zien.

De oplossing van Veriprajna verschuift de waarneming van nabij-infrarood (blind) naar middengolf-infrarood (op chemie gebaseerd), waarbij 1D-Convolutional Neural Networks worden ingezet om spectrale signaturen te interpreteren die onzichtbaar zijn voor het menselijk oog en voor standaard-AI.

9%
Wereldwijd kunststofrecyclingpercentage
353M ton afval/jaar
3-15%
Zwart kunststof in de afvalstroom
Onzichtbaar voor NIR-sensoren
$1,200
Waarde per ton gerecycled PP
Pariteit met virgin-hars
<2 mnd
ROI-terugverdientijd
Middelgrote MRF

Het zwarte gat in de circulaire economie

Een systemisch falen dat onzichtbaar is voor het menselijk oog, maar catastrofaal voor zowel het milieu als de balans.

De carbon-black-singulariteit

Carbon black is een parakristallijne vorm van koolstof afkomstig uit onvolledige verbranding van aardolie. Het gedraagt zich als een vrijwel perfecte zwartelichaamsabsorber over het zichtbare/NIR-spectrum (700-1700nm).

NIR-sensor → reflectantie: 0%
Signaal: NULL → RESTFRACTIE
💰

De economische omvang

Voor een MRF die 50,000 ton/jaar verwerkt is 3.3% zwart kunststof gelijk aan 1,650 ton afvoer. Bij $1,130/ton is dat $1.86M aan verloren omzet per jaar.

Automotive: 240kg kunststof/voertuig
Elektronica: zwarte ABS-behuizingen
FMCG: zwarte verpakkingsschalen
⚖️

De regelgevende noodzaak

De EU-PPWR schrijft voor dat alle verpakkingen uiterlijk in 2030 recyclebaar moeten zijn. Als sensoren het niet kunnen zien, wordt het juridisch geclassificeerd als niet-recyclebaar—een existentiële bedreiging voor merken.

Stortbelasting: €100/ton (EU)
EPR-wetgeving: producentenaansprakelijkheid
ETS: koolstofkosten voor verbranding

"Hoewel een menselijke operator een zwarte schaal op een transportband duidelijk kan zien, ziet het machine vision-systeem in werkelijkheid niets. Dit is een falen van de natuurkunde dat geen enkele contrastaanpassing in computer vision of prompt engineering kan oplossen. Men kan een signaal dat nooit is vastgelegd niet versterken."

— Technische whitepaper van Veriprajna, 2024

De natuurkunde van blindheid

Om een oplossing te bouwen moet men eerst het faalmechanisme van de huidige technologie ontleden.

Standaard NIR-spectroscopie

De werkpaardsensor van de recyclingindustrie werkt op 900-1700nm. Bij gekleurde kunststoffen dringt licht binnen, wisselt het met moleculaire bindingen (C-H, N-H, O-H) en kaatst het terug met een uniek spectraal vingerprint.

Het faalmechanisme:

Wanneer licht op zwart kunststof valt, absorbeert het carbon black-pigment de invallende straling voordat het kan interageren met de polymeermatrix. De sensor ontvangt in wezen een retour-signaal van nul.

Zwart object op zwarte band = nul contrast
Vlak signaal → sorteecomputer ziet "lege band"
Pneumatische ejectoren blijven zwijgen → waardevol polymeer naar de restfractie

Waarom "AI-wrappers" dit niet kunnen oplossen

We leven in een technologisch tijdperk dat gedefinieerd wordt door LLM's en generatieve AI. Veel "AI-consultancies" bieden aan om GPT-4/Claude via een API in te pakken en zo bedrijfsproblemen op te lossen.

De categoriefout:

Generatieve AI-modellen vereisen invoergegevens om te functioneren. Bij het sorteren van zwart kunststof via NIR is de invoer een lege verzameling. Er is geen spectrale curve te analyseren; er is alleen ruis.

Invoerleegte: Geen spectrale data vastgelegd = niets te classificeren
Hallucinatierisico: Een LLM dwingen om ruis te classificeren = gissen, niet meten
Latentie: Cloud-API-aanroepen (100ms-seconden) versus vereiste beslissingen van <10-20ms

Veriprajna stelt:

De oplossing ligt in Deep Tech—de rigoureuze toepassing van wetenschappelijke ontdekkingen op technische problemen. Wij proberen niet om de AI "slimmer" te maken in gissen; wij veranderen de natuurkunde van de sensor om het onzichtbare zichtbaar te maken.

De fotonische oplossing: middengolf-infrarood

Als de data niet bestaat in het nabij-infrarood, moeten we onze blik verleggen naar een ander venster van het elektromagnetisch spectrum.

Het elektromagnetisch venster

De absorptie van carbon black is niet oneindig. Naarmate de golflengte toeneemt, neemt de absorptie af. Door over te schakelen naar MWIR (2.7-5.3 µm), steken we een drempel over waar het pigment voldoende transparant wordt.

NIR/SWIR (0.9-2.5 µm)

Gedomineerd door "boventonen" van moleculaire trillingen. Zwakke signalen, gemakkelijk weggedrukt door de absorptie van carbon black.

MWIR (2.7-5.3 µm)

Bevat fundamentele trillingen van polymeermoleculen. C-H-strekkingen, C=O-carbonylstrekkingen—signalen die orden van grootte sterker zijn.

Chemisch zicht versus computer vision

Hyperspectrale beeldvorming vormt een paradigma-verschuiving: van het analyseren van uiterlijk naar het analyseren van intrinsieke samenstelling.

Computer Vision (RGB)

Analyseert vorm, textuur, etiket, kleur. Onbetrouwbaar bij geplet, vuil afval. Een fragment van een zwarte bumper lijkt identiek aan een zwarte schaal.

Hyperspectrale beeldvorming (HSI)

Analyseert chemie. Ziet chemische signaturen:

  • PE: C-H-strekking @ 3.4 µm
  • PS: Aromatische C-H-modes (scherp, uniek)
  • ABS: Vlamvertragers detecteerbaar (WEEE-scheiding)

Specim FX50: hardware van industrieniveau

Veriprajna bouwt voort op de enige commercieel levensvatbare sensor die het volledige bereik van 2.7-5.3 µm bestrijkt. De technische complexiteit onderstreept het "Deep Tech"-karakter van de oplossing.

154
Spectrale banden
Hoge-resolutiebemonstering
380
Frames/seconde
Realtime-snelheid
77K
Cryogene koeling
Stirling-koeler
MCT
HgCdTe-detector
Exotische halfgeleider
In tegenstelling tot silicium(RGB)- of InGaAs(NIR)-sensoren vereist MWIR cryogene koeling om thermische ruis te voorkomen—wat de instapdrempel aanzienlijk verhoogt.

Spectrale vingerprinten: de divergentie

Materialen die in zichtbaar licht identiek zijn hebben unieke spectrale vingerprinten in MWIR. Deze grafiek toont de reflectantie over de golflengten—let op de dramatische scheiding in het MWIR-gebied.

Zichtbaar (400-700nm)

Alle zwarte kunststoffen overlappen rond 0%. Carbon black absorbeert alle zichtbare fotonen—sensoren ontvangen geen signaal om te classificeren.

MWIR (2700-5300nm)

De lijnen divergeren aanzienlijk. Fundamentele strek-/buigtrillingen zijn orden van grootte sterker dan NIR-boventonen.

  • PS: Aromatische C-H-strekking (unieke scherpe pieken)
  • PP: Alifatische C-H-absorpties (methylgroepen)
  • PE: Sterke C-H-banden @ 3.4 µm

Deze capaciteit verandert sorteren van een visueel giswerk in kwantitatieve chemische analyse met transportbandsnelheid.

Reflectantiespectra: zwarte kunststoffen

Gesimuleerd op basis van fundamentele vibrationele spectroscopie. Het NIR-gebied toont convergentie; MWIR toont duidelijke scheiding.

De cognitieve motor: 1D-Convolutional Neural Networks

Het vastleggen van de MWIR-hyperkubus is slechts de helft van het werk. We hebben AI nodig die complexe chemische signaturen kan interpreteren met vrijwel nul latentie.

Waarom 2D-CNN's falen bij afval

Standaard AI-beeldherkenning (ResNet, YOLO) gebruikt 2D-CNN's die zijn ontworpen om ruimtelijke kenmerken te herkennen: de kromming van een kattenoor, de rechthoek van een kentekenplaat.

Ruimtelijke irrelevantie:

Plastic flessen worden geplet, verwrongen, gescheurd. Ruimtelijk lijkt een fragment van een zwarte bumper identiek aan een zwarte schaal.

Spectrale blindheid:

Het behandelen van 154 spectrale banden als "kleurkanalen" mist de subtiële hoogfrequente relaties die chemische vingerprinten definiëren.

Het 1D-CNN-paradigma

Veriprajna benadert het probleem niet als beeldherkenning, maar als signaalverwerking. Voor elke pixel halen we een 1D-vector van 154 waarden op—het spectrum.

Invoer:

1×154-vector van genormaliseerde reflectantiewaarden

Conv1D-lagen:

Lineaire kernels leren spectrale vormen: scherpe daling @ 3.4 µm, brede schouder @ 4.0 µm, doubletpieken

Uitvoer:

Softmax-kans: [PP: 99%, PE: 0.5%, Overig: 0.5%]

01

Hyperkubus (x,y,λ)

De Specim FX50 genereert 3D-data: elke pixel bevat een continu spectrum van 154 banden voor chemische analyse.

tensor van 640×N×154
02

Conv1D-kernels

Lineaire kernels schuiven over het spectrum en leren specifieke spectrale vormen detecteren—de "grammatica" van moleculaire bindingen.

Leert C-H- en C=O-pieken
03

Edge-inferentie

NVIDIA Jetson AGX Orin draait het geoptimaliseerde model. Geen cloudlatentie. Deterministische inferentietijd van <5ms.

TensorRT-geoptimaliseerd
04

Realtime-actuering

PLC-interface activeert pneumatische ejectie of robotarm binnen een totaalbudget van <20ms bij een bandsnelheid van 3m/s.

Jitter = besmetting

Waarom 1D-CNN's boven Transformers/LSTM's?

Academische modellen: te traag

Bandsnelheid: 3m/s. Afstand camera→spuitkop: ~1m. Tijdsbudget: 300-500ms totaal (acquisitie, preprocessing, inferentie, segmentatie, kleptiming).

  • Transformers: O(N²)-complexiteit, kwadratisch met de sequentielengte
  • LSTM's: Sequentieel, moeilijk paralleliseerbaar, hoge latentie

1D-CNN: industriële snelheid

Jitter = besmetting. Als de luchtpuls 50ms te laat afgaat, treft hij het verkeerde object. 1D-CNN's leveren deterministische inferentie onder de 5ms.

  • Lineaire complexiteit: O(N), zeer goed paralleliseerbaar op GPU
  • TensorRT-geoptimaliseerd: Duizenden frames/seconde op edge-hardware
ROI-calculator

Bereken uw terugwinningspotentieel

Pas parameters aan op basis van de doorvoer en samenstelling van uw installatie om de economische impact te modelleren

50,000 ton

Typisch MRF-bereik: 10K-200K ton/jaar

5%

Branchecijfers: 3-15% van de afvalstroom, afhankelijk van de regio

90%

Veriprajna behaalt 90%+ met MWIR+1D-CNN

Jaarlijkse omzet
$2.03M
@ $900/ton gemiddeld
Terugverdientijd
1.8 mnd
$300K CAPEX

Casestudy: middelgrote Europese MRF

Huidige situatie (NIR-blind)

Doorvoer: 50,000 ton/jaar
Zwart kunststof (5%): 2,500 ton
Verbrandingskosten: -€250,000
Verloren materiaalwaarde: -€2.25M
Totale impact: -€2.5M/jaar

Met Veriprajna MWIR

Terugwinningsgraad: 90% (2,250 ton)
Verkoopopbrengst: +€2,025,000
Besparing op afvoer: +€225,000
Systeem-CAPEX: -€280,000
Jaarlijkse impact: +€2.25M
Terugverdientijd: < 2 maanden

Strategische positionering: de "Deep Tech"-gracht

In een markt vol "AI voor X"-startups onderscheidt Veriprajna zich door verticale diepgang en fysieke integratie.

🧬

Propriëtaire data

MWIR-spectrale signaturen van vuil, geplet, echt afval staan niet op het openbare internet. Wij genereren en bezitten deze dataset via fysieke implementaties.

Niet te repliceren door scraping of API-aanroepen
🔧

Fysieke gracht

Onze oplossing vereist de integratie van cryogene hardware, edge computing en robotica. Dit kunnen ontwikkelaars in een coffee shop niet kopiëren—het vereist technische rigueur.

Hoge instapdrempel: hardware + industriële toegang
🔄

Retrofit-mogelijkheid

Veel MRF's hebben goede transportsystemen maar verouderde sensorkoppen. Veriprajna upgradet de "ogen en hersenen" zonder het "lichaam" te vervangen—wat de CAPEX verlaagt.

Integreert met Tomra, Steinert, bestaande infrastructuur

Ontsnappen aan de "wrapper"-val

❌ AI-wrapper-bedrijfsmodel

  • • UI bouwen bovenop iemand anders' API (GPT-4, Claude)
  • • Geen gracht: voegt OpenAI jouw feature toe, dan verdampt je bedrijf
  • • Beperkt door de grenzen van het onderliggende model
  • • Fysicaproblemen laten zich niet weg-"prompten"

✓ Veriprajna Deep Tech-model

  • • De sensorfysica veranderen om chemische realiteit vast te leggen
  • • Eigen propriëtaire datasets uit industriële implementaties
  • • Maatwerk-1D-CNN-architecturen voor spectrale verwerking
  • • Verticale integratie: hardware + AI + edge computing

Voorbij sorteren: de toekomst

Zodra we chemie kunnen "zien", ontsluiten we waarde die verder gaat dan eenvoudige materiaalterugwinning.

📋

Digitale productpaspoorten

Volg precies welke materialen door de recyclingsketen gaan. Lever gedetailleerde data over polymertypes, besmettingsgraden en doorvoer voor EU-DPP-naleving.

Kwaliteitsborging

Certificeer de zuiverheid van balen vóór verzending naar verwerkers. Realtime-spectraalanalyse vermindert afgekeurde ladingen, wat klantvertrouwen en premieniveaus in de prijsstelling vergroot.

🏢

Merk-EPR-audits

Bied producenten data over hoeveel van hun specifieke zwarte verpakkingen er daadwerkelijk wordt teruggewonnen, zodat ze kunnen voldoen aan de rapportagevereisten van Extended Producer Responsibility.

FAQ

Veelgestelde vragen

Waarom kunnen standaard recyclesensoren zwart kunststof niet detecteren?

Standaard recyclingfaciliteiten gebruiken nabij-infrarood-(NIR)-spectroscopie op 900-1700nm. Carbon black-pigment, een parakristallijne vorm van koolstof uit de verbranding van aardolie, gedraagt zich als een vrijwel perfecte zwartelichaamsabsorber over het zichtbare en het NIR-spectrum. Het absorbeert invallende straling voordat deze met de polymeermatrix kan interageren en geeft effectief nul signaal terug aan de sensor. De sorteecomputer ziet een 'lege band' en de pneumatische ejectoren blijven zwijgen, waardoor waardevolle PP-, PE-, PS- en ABS-polymeren ter waarde van maximaal $1,200 per ton naar de stortplaats of verbranding gaan.

Hoe maakt MWIR-hyperspectrale beeldvorming zwart kunststof zichtbaar?

De absorptie van carbon black is niet oneindig. Naarmate de golflengte voorbij het NIR toeneemt, neemt de absorptie af. In het middengolf-infraroodbereik (2.7-5.3 micron) wordt het pigment voldoende transparant om de fundamentele moleculaire trillingen van het onderliggende polymeer bloot te leggen. Deze fundamentele C-H-strekkingen, C=O-carbonyl- en aromatische modes zijn orden van grootte sterker dan NIR-boventonen en leveren duidelijk onderscheidbare chemische vingerprinten op. PP, PE, PS en ABS vertonen elk unieke spectrale signaturen bij deze golflengten, waardoor betrouwbare classificatie mogelijk is zelfs bij zware carbon-black-pigmentatie. Veriprajna gebruikt de Specim FX50-sensor met 154 spectrale banden bij 380 frames per seconde met cryogekoelde MCT-detectoren.

Wat is het economische rendement van MWIR-sorteertechnologie voor zwart kunststof?

Voor een middelgrote MRF die 50,000 ton per jaar verwerkt met 5% zwarte-kunststofaandeel betekent de huidige situatie dat 2,500 ton naar verbranding gaat, bij een gezamenlijk verlies van ongeveer 2.5 miljoen euro per jaar (verloren materiaalwaarde plus afvoerkosten). Met het MWIR-systeem van Veriprajna dat 90%+ terugwinning behaalt, wordt dit omgezet in 2,025,000 euro aan verkoopopbrengst plus 225,000 euro aan besparingen op afvoer, tegenover een systeem-CAPEX van ongeveer 280,000 euro. De terugverdientijd ligt onder de 2 maanden, waarmee het een van de meest renderende investeringen is die beschikbaar zijn voor afvalbeheerders.

Stop met naar het beeld kijken. Begin naar de chemie te kijken.

De MWIR Hyperspectral + 1D-CNN-oplossing van Veriprajna verbetert niet alleen terugwinningspercentages—ze verandert fundamenteel de natuurkunde van observatie.

Plan een technisch consult om het potentieel voor terugwinning van zwart kunststof van uw installatie te bespreken.

Deep Tech-consult

  • • Haalbaarheidsbeoordeling MWIR-spectroscopie
  • • ROI-modellering op maat voor uw doorvoer
  • • 1D-CNN-architectuurreview voor uw afvalstroom
  • • Integratieroadmap met bestaande infrastructuur

Pilot-implementatieprogramma

  • • Demonstratie van de Specim FX50 ter plaatse
  • • Realtime dashboard met spectraalanalyse
  • • Operatorstraining & kennisoverdracht
  • • Uitgebreid prestatierapport met chemiedata
WhatsApp: Deep Tech-discussie
📄 Lees de volledige technische whitepaper (17 pagina's)

Volledig technisch rapport: MWIR-fotonica, 1D-CNN-architecturen, wiskunde van spectrale unmixing, sensorfusie, edge-computing-implementatie, economische analyse, regelgevende afstemming, uitgebreide literatuurlijst.

Social

Ook gepubliceerd op