IA para Recuperação de Materiais e Triagem de Plástico Preto

O valor está na garantia, não em um modelo perfeito.

O Assay recupera o plástico preto para o qual o seu separador NIR é fisicamente cego e comprova o fardo. Alterne uma chave e o mesmo modelo, no mesmo fluxo, despacha um fardo que a especificação APR rejeita. O gate de confiança, e não o classificador, é o que torna um fardo comercializável.

Uma 1D-CNN desenvolvida do zero lê um espectro MWIR de 154 bandas, um gate calibrado se abstém sobre o que não pode comprovar e cada fardo sai com um certificado de pureza assinado. Execute-o e, em seguida, leia o comprovante.

Percurso narrado do painel do Assay em execução (5:01).

85% vs 22.5%

Fardos com gate vs sem gate que atendem ao APR Grau A

Mesmo modelo, 40 fardos aleatórios de fluxo pesado

0.894

Acurácia balanceada em conjunto de teste (held-out), próxima ao benchmark de campo de 83.4%

1D-CNN MWIR, fluxo pesado de 1.700 objetos

2.7–5.3 µm

Faixa MWIR que enxerga o negro de fumo que o NIR não consegue

154 bandas, Specim FX50 (emulado)

Três escopos de benchmark são mantidos separados ao longo desta página: um único fardo demo-seed-11, o agregado de 40 fardos e as estatísticas do gate ajustado de 60 fardos. Eles nunca são mesclados.

Uma bandeja preta em uma esteira preta é um vazio de sinal zero para o NIR

O problema da recuperação começa como um problema de física, e não termina aí.

O negro de fumo absorve em todo o infravermelho próximo, de modo que uma bandeja preta de PP em uma esteira preta retorna quase nada para um separador óptico NIR padrão. O objeto cai no rejeito e vai para aterro. Entre 3% e 15% do fluxo de resíduos é plástico preto perdido dessa maneira e, em uma MRF de 50.000 toneladas por ano operando com 5% de preto, isso representa aproximadamente 2.500 toneladas por ano de material recuperável, uma oportunidade na ordem de 2,2 a 2,7 milhões de euros por ano em valor de rPP somado às taxas evitadas de descarte em aterro (pesquisa Veriprajna WP45, 2026).

A faixa do infravermelho de ondas médias (2,7 a 5,3 mícrons) é onde o mesmo objeto deixa de ser invisível. As características de absorção do polímero ainda aparecem ali, de modo que um sensor que lê MWIR consegue distinguir PP de PE e de PVC onde o NIR enxerga um buraco negro. Isso é a parte do sensoriamento. Mas ler o espectro não é o mesmo que produzir um fardo comercializável.

Uma MRF não vende acurácia. Ela vende um fardo que atende a uma especificação. A APR Model Bale Spec Grau A para rPP exige 97% ou mais de PP e 0,5% ou menos de PVC, e um fardo que não atinge isso é um fardo rejeitado, uma taxa de redirecionamento para aterro de 50 a 150 dólares por tonelada e um relacionamento prejudicado com o reciclador a jusante (pesquisa Veriprajna WP45, 2026). Um único falso negativo de PVC em um fardo de PP é um problema de cloro pelo qual toda a carga paga. A parte difícil não é classificar o plástico. É comprovar o fardo.

O gate que o modelo não pode anular

O Assay classifica cada objeto e, em seguida, decide em código puro se ele pertence ao fardo, se necessita de um humano ou se deve ser rejeitado sumariamente. O classificador propõe; gates determinísticos dispõem.

Ler o espectro

Uma 1D-CNN feita à mão em numpy (Conv1D×3 para pooling de média global para duas camadas densas para softmax) classifica cada objeto em PP/PE/PS/ABS/PVC a partir de seu espectro MWIR de 154 bandas, com forward e backprop reais, Adam e calibração de temperatura (temperatura 1.811). Ela roda como código numérico puro no hot path do transportador de aproximadamente 5 ms. Não há nenhum LLM na decisão.

Abstenha-se, não adivinhe

Se a confiança calibrada do max-softmax cair abaixo de 0.86, o objeto é encaminhado para QC manual e mantido fora do fardo em vez de ser adivinhado. Qualquer objeto suspeito de PVC acima de um limiar assimétrico baixo (0.06) é rejeitado sumariamente como risco de cloro, porque um falso negativo de PVC em um fardo de PP é catastrófico e merece uma regra assimétrica.

Certificar o fardo

À medida que o fardo acumula apenas itens aceitos automaticamente, um gate determinístico de política o verifica contra a especificação codificada APR Model Bale Spec Grau A para rPP (97% ou mais de PP, 0,5% ou menos de PVC). Aprovação ou reprovação é uma regra que o modelo não pode anular, e cada fardo sai com um certificado assinado (sha256) atestando sua pureza medida, cada cláusula verificada e o hash do modelo.

O pipeline por objeto é uma linha reta: um espectro MWIR emulado de 154 bandas, padronização por banda, a classificação por 1D-CNN com confiança calibrada, o gate de confiança e a rejeição sumária de PVC, o acúmulo no fardo, o gate determinístico de política APR e, finalmente, o certificado assinado e o painel ao vivo. As camadas de confiança — a abstenção, a rejeição de PVC e a verificação de política — ficam fora do modelo, em código que você pode ler.

Essa separação é a parte duradoura. O classificador pode melhorar ou regredir e o gate ainda realiza o mesmo trabalho: mantém os itens ambíguos fora do fardo e recusa o PVC. Desative o gate e o mesmo modelo de 0.894, no mesmo fluxo, despacha um fardo reprovado, o que é a demonstração mais clara possível de que a garantia reside na infraestrutura, e não nos pesos da rede. A demonstração é determinística (seed 11), treina em cerca de 31 segundos e armazena em cache seus pesos, de modo que cada execução se reproduz perfeitamente.

Uma única chave conta toda a história

As capturas de tela abaixo são do painel real do Assay em execução. Os espectros e objetos são sintéticos, produzidos por um emulador baseado em física que substitui um Specim FX50, declarado abertamente no aplicativo. O que é real são a CNN, os gates, a verificação de política e a avaliação.

O painel da esteira lateral MWIR do Assay no meio da execução com o gate de confiança ativado: o gráfico espectral ao vivo no cabeçote de varredura, os compartimentos de triagem preenchendo para rPP 121, PE 29, PS 11, ABS 10, rejeição de PVC 31 e QC manual 38, e uma barra de progresso verde de Fardo Certificado.

A triagem ao vivo, com as salvaguardas ativadas

Objetos pretos fluem pela esteira lateral MWIR na linha 04. A 1D-CNN rotula cada um a partir de seu espectro e o stub do ejetor o separa em compartimentos: PP recuperado no compartimento de rPP, outros polímeros em seus respectivos compartimentos, PVC para rejeição sumária e os objetos de baixa confiança retidos para QC manual em vez de adivinhados. Com o gate ativado, o fardo acumulado se certifica conforme é preenchido. Os 38 objetos enviados para QC são o custo honesto de não contaminar a carga.

O certificado assinado do fardo de rPP do Assay com o gate ativado: 99.2% de PP, APROVADO contra APR Grau A para rPP, teor de PP de 99.2% e teor de PVC de 0.00% ambos verificados, 121 objetos no fardo, 38 encaminhados para QC manual, 17 PVC capturados e 0 vazado.

O fardo aprovado (gate ativado)

Na seed 11 da demonstração, o fardo com gate mede 99.2% de PP com 0.00% de vazamento de PVC e é aprovado como APR Grau A para rPP. O certificado não é um selo de marketing. Ele lista a composição medida, verifica cada cláusula da APR com aprovação ou reprovação e registra que 17 objetos de PVC foram capturados e nenhum vazou, juntamente com a tonelagem recuperada e a receita calculadas ao vivo para o perfil de instalação de 50.000 toneladas por ano. Ele se regenera a cada execução e pode ser exportado como JSON arquivável ou HTML para impressão.

O certificado do Assay para o mesmo fluxo com o gate desativado: 94.2% de PP, REPROVADO e fardo rejeitado, teor de PP de 94.2% falhando na cláusula de 97% e teor de PVC de 1.94% falhando na cláusula de 0.5%, ambos marcados com uma cruz vermelha.

O fardo reprovado (gate desativado, mesmo modelo)

Desative o gate de confiança e o classificador reverte para o argmax ingênuo. Nada no modelo mudou. O mesmo fluxo agora despacha um fardo a 94.2% de PP com 1.94% de PVC, que falha em ambas as cláusulas da APR e é rejeitado: PP abaixo do piso de 97%, PVC quase quatro vezes o teto de 0.5%. A diferença entre o fardo aprovado e o rejeitado é a camada de abstenção e rejeição sumária de PVC, e não uma rede melhor. Isso se mantém mesmo à medida que a CNN subjacente melhora.

O painel de benchmark de modelo do Assay mostrando 0.894 para a 1D-CNN MWIR, 0.668 para a baseline de regra de razão de picos e 0.834 para o benchmark de campo da RCR de janeiro de 2026, com fardos com gate atendendo ao APR em cerca de 85% e fardos sem gate em cerca de 22.5% ao longo de 40 fardos aleatórios.

Acurácia honesta e o agregado que sustenta a tese

O painel de benchmark reporta a CNN com acurácia balanceada de 0.894 em um fluxo pesado de teste (held-out), ao lado da baseline interpretável de razão de picos de 0.668 e do benchmark de campo revisado por pares de 0.834 (Resources, Conservation & Recycling, jan. de 2026), de forma que o modelo não se autoavalia e está ancorado perto do número honesto de campo em vez de um 99% de laboratório. O agregado abaixo é o ponto central: ao longo de 40 fardos aleatórios de fluxo pesado, o fardo com gate atende ao APR Grau A cerca de 85% das vezes, contra cerca de 22.5% sem gate.

O painel de latência da arquitetura computacional do Assay a 3.0 m/s: GPU de borda otimizada (Jetson AGX Orin, TensorRT, 14 ms) recomendada com um disparo de 42 mm cobrindo cerca de 3.4 bicos, e fluxo de dados FPGA marcado como não justificado, economizando 32.000 euros e cerca de 20 semanas.

Recomenda o hardware mais barato quando o cálculo permite

O mecanismo de latência calcula o deslocamento como a velocidade da esteira vezes a latência de detecção até o disparo, e considera uma arquitetura suficiente quando a rajada de disparo não ultrapassa cerca de quatro passos de bicos ejetores. A 3.0 m/s, ele recomenda a GPU de borda otimizada (Jetson AGX Orin, TensorRT, 14 ms), cujo disparo de 42 mm cobre cerca de 3.4 passos de bico dentro da janela, e afirma que FPGA não é justificada, economizando 32.000 euros e cerca de 20 semanas. Aumente a velocidade da esteira para além de aproximadamente 3.6 m/s e ele honestamente muda para FPGA. Ele não tenta vender a opção mais cara sem necessidade.

Os números medidos, com seu escopo exato

Estes são valores de avaliação da demonstração em dados sintéticos, mas honestos, e nunca uma garantia de mundo aberto ou de produção. Os três escopos abaixo são conjuntos distintos e nunca são misturados.

Medição	Escopo	Valor
Acurácia balanceada do modelo / macro-F1	Fluxo pesado de teste (held-out), n=1.700	0.894
Baseline de regra de razão de picos	Mesmo fluxo de teste (âncora)	0.668
Benchmark de campo revisado por pares	RCR, jan. de 2026 (contexto, não nosso)	0.834
Fardo com gate atende ao APR Grau A	40 fardos aleatórios de fluxo pesado	~85%
Fardo sem gate atende ao APR Grau A	Mesmos 40 fardos, argmax ingênuo	~22.5%
Fardo único da demo seed 11 (com gate)	Um fardo, gate ativado	99.17% PP / 0% PVC → APROVADO
Fardo único da demo seed 11 (sem gate)	Mesmo fardo, gate desativado	94.19% PP / 1.94% PVC → REPROVADO
Encaminhado para QC manual / captura de PVC / recuperação de PP	Conjunto de gate ajustado de 60 fardos	~12.6% / ~99.8% / ~71.2%

O número que sustenta a tese é a diferença entre com gate e sem gate no mesmo modelo. Aumentar a acurácia do classificador é um projeto lento e com teto limitado. Ativar a camada de abstenção e rejeição move um fardo de aproximadamente 22.5% de chance de aprovação para cerca de 85%, imediatamente, no modelo que você já possui. O gate ajustado tem um custo honesto: cerca de 12.6% do fluxo vai para QC manual, e cerca de 71.2% do PP é recuperado em vez da totalidade. Ele encaminha mais para QC em vez de reprovar seu fardo, e captura cerca de 99.8% do PVC com 1 vazamento em 60 fardos.

O que esta demonstração não faz

É uma demonstração executável que comprova o mecanismo, não um pipeline implantado em uma linha real.
O sensor Specim FX50 é emulado por um gerador espectral sintético baseado em física; o CLP e o ejetor pneumático são um stub OPC-UA registrado em log; a segmentação de objetos RGB é assumida como dada. Nada aqui é uma alimentação de sensor ao vivo ou um ejetor acionado.
0.894 é um valor de teste em fluxo pesado (held-out, n=1.700), não o número de laboratório de cerca de 99% da Specim e não uma garantia de mundo aberto. Nós o ancoramos ao benchmark de campo revisado por pares de 83.4%.
Ele mostra 1 vazamento de PVC em 60 fardos, cerca de 12.6% encaminhados para QC e cerca de 71% de recuperação de PP. É bom e honesto, não perfeito, e não reivindicamos zero PVC, zero contaminação ou 100% de pureza.
Desenvolvemos o cérebro da esteira lateral de retrofit independente de fornecedor, e não a máquina. Não clonamos, substituímos nem superamos TOMRA, Steinert, Machinex, Pellenc ou qualquer separador comercializado, e nos posicionamos a jusante da triagem NIR primária.
O certificado é uma evidência de pureza arquivável, não uma declaração de conformidade, certificação ou cumprimento da PPWR, California SB 54, RecyClass ou EPR. Esses regulamentos são citados como contexto.
A fusão de bromo WEEE/XRF, o ciclo de recalibração semanal e a qualificação de sensores alternativos são um caminho de extensibilidade, postergados, não demonstrados aqui.
Nenhum cliente, MRF, reciclador ou tonelagem de campo estão implícitos. RCR jan. de 2026, APR, PPWR, SB 54, RecyClass e os separadores citados são referências públicas, não nossos clientes.

Perguntas que equipes de plantas e de tecnologia de reciclagem fazem

Como vocês realizam a triagem de plástico preto quando um separador NIR não consegue vê-lo?

O negro de fumo absorve em todo o infravermelho próximo, de modo que uma bandeja preta em uma esteira preta é um vazio de sinal zero para um separador óptico NIR. Sua assinatura no infravermelho de ondas médias (2,7 a 5,3 mícrons) não fica em branco, porque as próprias bandas de absorção do polímero ainda aparecem ali. O Assay lê um espectro MWIR de 154 bandas por objeto e uma 1D-CNN desenvolvida do zero em numpy o classifica como PP, PE, PS, ABS ou PVC. Nesta demonstração, o sensor FX50 é emulado por um gerador espectral baseado em física, declarado abertamente no aplicativo.

Temos que arrancar nosso separador NIR existente para usar isso?

Não. O Assay é uma estação de sensoriamento de esteira lateral que lê o rejeito denso em preto que sai da sua triagem NIR primária. Ele se posiciona a jusante do separador que você já opera e recupera a fração que, de outra forma, cairia no rejeito e no aterro sanitário. Não substituímos nem clonamos TOMRA, Steinert, Machinex, Pellenc ou qualquer separador comercializado, e não afirmamos superá-los na triagem.

Qual é a acurácia real do classificador?

Em um fluxo pesado de teste de 1.700 objetos em uma distribuição deliberadamente mais suja do que a de treinamento, a 1D-CNN MWIR atinge 0.894 de acurácia balanceada, situando-se próxima ao benchmark de campo revisado por pares de 83.4% (Resources, Conservation & Recycling, jan. de 2026), com uma baseline interpretável de regra de razão de picos em 0.668 ancorando o resultado. Mostramos essa faixa honesta de partida a frio de propósito. Não citamos o valor de laboratório de cerca de 99% da Specim como nosso, e 0.894 é um número de conjunto de teste, não uma garantia de mundo aberto.

Se o modelo não é perfeito, como vocês garantem que o fardo atende à especificação?

A garantia provém da infraestrutura externa ao modelo, não do classificador. Um gate de confiança calibrado encaminha qualquer objeto abaixo de 0.86 de softmax para QC manual em vez de adivinhá-lo para dentro do fardo, o PVC é rejeitado sumariamente como risco de cloro e um gate determinístico de política verifica o fardo acumulado contra a APR Model Bale Spec (o rPP Grau A exige 97% ou mais de PP e 0,5% ou menos de PVC). Ao longo de 40 fardos aleatórios de fluxo pesado, o fardo com gate atende ao APR Grau A cerca de 85% das vezes, contra cerca de 22.5% para o argmax ingênuo no mesmo modelo.

O que o certificado do fardo realmente comprova para um auditor?

Cada fardo sai com um registro assinado (sha256), arquivável como JSON ou HTML para impressão, que declara a composição medida do fardo, cada cláusula da APR verificada com aprovação ou reprovação, o hash e a arquitetura do modelo, o limiar de confiança e as contagens de aceitos automaticamente, encaminhados para QC e rejeitados sumariamente, além da tonelagem recuperada e da receita. Trata-se de evidência de pureza, não de uma certificação regulatória. Não fazemos nenhuma declaração de conformidade com PPWR, SB 54 ou RecyClass.

Precisamos de hardware FPGA caro para executar isso na velocidade da linha?

Não em uma velocidade de esteira típica. O mecanismo de latência calcula o deslocamento como a velocidade da esteira multiplicada pela latência da detecção ao disparo e verifica se a rajada de disparo cobre no máximo cerca de quatro passos de bicos ejetores. A 3.0 m/s, ele recomenda uma GPU de borda otimizada (Jetson AGX Orin, TensorRT, 14 ms), cujo disparo de 42 mm cobre cerca de 3.4 passos de bico, e marca FPGA como não justificada, economizando 32.000 euros e cerca de 20 semanas. Se a velocidade da esteira ultrapassar aproximadamente 3.6 m/s, ele honestamente muda para FPGA. Ele recomenda a opção mais barata sempre que o cálculo permite.

Pesquisa Técnica

A pesquisa por trás desta demonstração — a arquitetura, o design de verificação e o blueprint corporativo.

Solução completa

Conheça a solução de IA para Recuperação de Materiais e Triagem de Plástico Preto →

Coloque um gate de pureza entre o seu classificador e o seu fardo

Se um fardo rejeitado custa receita e um relacionamento com reciclador a jusante, o modo de falha é o gate ausente, não o modelo.

Construímos o Assay para demonstrar que uma abstenção calibrada, uma rejeição sumária de PVC e um gate determinístico de política podem transformar um classificador honestamente bom em um certificado de fardo arquivável. A mesma estrutura suporta uma especificação diferente e um sensor diferente. Conte-nos a fração preta que sua linha perde e a classificação que o seu reciclador exige, e avaliaremos se uma estação de recuperação com gates se adequa.

Revisão de recuperação da fração preta

✓ Estimar o plástico preto que a sua triagem NIR perde para o rejeito
✓ Mapear a especificação de fardo que o seu reciclador a jusante exige
✓ Dimensionar uma estação de esteira lateral MWIR a jusante do seu separador
✓ Definir os limiares de abstenção e rejeição de PVC que sua classificação exige

Construção da estação de recuperação com gates

✓ Classificador espectral somado a gates determinísticos como código inspecionável
✓ Abstenção calibrada para QC e rejeição sumária assimétrica de PVC
✓ Certificado de pureza assinado por fardo contra a sua especificação
✓ Cálculo de latência em velocidade de esteira que seleciona a computação suficiente mais barata

Conectar via WhatsApp Enviar E-mail para Nossa Equipe