看見不可見：物理、 經濟與智慧驅動的黑色 塑膠回收

Veriprajna | Deep AI Solutions 白皮書

執行摘要

全球循環經濟正面臨一場人眼看不見、卻 對環境與資產負債表同樣災難性的系統性失效。這場失效每天在全球 物料回收設施（MRF）錯綜複雜的機械中發生數百萬次。 當有環保意識的消費者洗淨黑色塑膠食品托盤、分揀深色咖啡蓋，或 丟棄黑色汽車零件時，他們假設該 回收基礎設施能夠回收這些材料。此一假設對數量驚人的廢棄物而言 在技術上並不成立。

數百萬噸黑色塑膠——主要是聚丙烯（PP）、聚乙烯（PE）、聚苯乙烯 （PS）與丙烯腈－丁二烯－苯乙烯（ABS）——每年被系統性地從回收 流中剔除，送往掩埋或焚化。 ¹ 這並非因為材料缺乏 價值；回收黑色粒料的市價足以匹敵、偶爾甚至超過 原生樹脂。 ³ 也不是因為這些聚合物在化學上無法回收。這場 失效嚴格來說只是 感測器物理 。

現代回收產業依賴光學分選技術，其基礎是 近紅外（NIR）光譜學。該技術藉由分析從廢棄物物體 反射的光來識別材料。然而，用於為約 15% 廢棄物流著色的碳黑顏料，是強效的寬頻光吸收體。 ¹ 對標準 NIR 感測器而言，一張 黑色輸送帶上的黑色塑膠托盤產生零對比。它造成資料空洞——一個 分選演算法只感知到背景雜訊的盲點。 因此氣動噴射器保持沉默，有價值的聚合物落入 殘渣流，代表巨額經濟價值外洩與深重的 環境負債。

本白皮書主張，這場危機無法靠當前流行的「AI 包裝層（Wrappers）」——疊在通用大型語言模型（LLM）之上的薄軟體層——解決。人 無法提示生成式模型去幻構感測器從未擷取的物理 資料。若對比不存在，AI 就是盲的。解方需要在 資料擷取層做根本轉變，從可見光與近紅外光譜進入 中波紅外（MWIR） 熱域，並將機器智慧從 從 2D 空間辨識轉向專為 一維卷積神經網路（1D-CNN） 所設計的 光譜訊號處理。

Veriprajna 定位為深度科技（Deep Tech）解方供應商，在 先進感測器物理與工業人工智慧之間架橋。我們不只處理 影像；我們工程化化學實相的擷取。透過實施高光譜成像 （HSI）於 2.7–5.3 µm 範圍 ⁶，我們使碳黑變得透明，揭示其下獨特的 聚合物化學指紋。本文件勾勒完整的 工程架構、經濟急迫性，以及閉合迴路所需的策略願景，針對 全球廢棄物流中最暗的那一部分。

第一部分：循環經濟中的黑洞

要理解 Veriprajna 所面對技術挑戰的量級，必須 先量化失效的規模。全球塑膠產量持續激增， 近二十年翻倍至每年約 460 百萬噸。 ⁸ 在這股 物料洪流中，黑色塑膠是廢棄物流中顯著、卻常未被量化的「暗 物質」。

1.1 黑色聚合物的無所不在與功用

黑色塑膠並非意外副產物；它們是深嵌於製造供應鏈的 刻意工程選擇。在汽車產業，黑色 聚丙烯（PP）與 ABS 是內裝儀表板、保險桿與 結構件的標準，因其紫外線穩定性與遮蓋髒污與刮痕的能力。在 電子產業，電腦、電視與周邊的黑色外殼無處不在。

至關重要的是，在快速消費品（FMCG）與食品包裝領域，黑色 塑膠——常為 CPET（結晶聚對苯二甲酸乙二酯）或 PP——因其 美學中性而受珍視。它們提供高對比背景，使食品色彩在超市貨架上顯得 更鮮豔。 ¹⁰ 此外，黑色讓製造商能 使用「爵士色」或混色回收原料。加入碳黑顏料後，生產者 能把異質的多色回收塑膠均質化為均勻、俐落的 產品，有效遮蓋瑕疵。 ⁶

然而此功用造成悖論式死胡同。正是允許 使用回收含量的那種顏料——碳黑——使最終產品對 標準回收機械無法偵測。這讓材料落入「一次性」陷阱，而這些材料在 化學上本可無限循環。

1.2 損失的統計實相

全球塑膠廢棄物管理統計描繪出嚴峻的低效率圖景。每年產生的

353 百萬噸塑膠廢棄物中，僅 9% 被成功回收。 ⁸ 其 餘命運是掩埋（50%）、焚化（19%）與不受控 管理不當（22%）的混合。 ⁸

黑色塑膠不成比例地佔滿未回收部分。估計顯示 黑色包裝依地區佔總塑膠廢棄物流的 3% 至 15% 。 ⁵ 在典型每年處理 50,000 噸的物料回收設施（MRF）中， 這相當於數千噸流失材料。這不只是垃圾；這是流失的營收。 就 ABS 與 PP 這類聚合物而言，回收粒料價格徘徊在 $1,000 至 $1,200 每噸 ⁴，無法分選黑色塑膠代表數百萬美元的營收洩漏，對 每個主要營運商而言。

此外，環境成本因「降級回收」現象而加劇。 因為黑色塑膠無法依聚合物類型分選（例如把 PP 與 PS 分開），即使 經人工回收，也常被彙集成低價值的混合硬質 流。此混合流用途有限，往往注定用於低階應用 如公園長椅，或更糟地，焚化回收能源，把化石燃料基聚合物所蘊含的 碳重新釋回大氣。 ¹

1.3 監管圍攻

對此廢棄物流的「自由放任」作法正在終結。全球各地的監管框架 正收緊對不可回收包裝的絞索。歐盟的 包裝與包裝廢棄物法規（PPWR）或許最為激進， 要求到 2030 年歐盟市場上所有包裝都必須可回收。 ¹³

此法規把「可回收」的定義從理論可能推向實務 現實。僅說黑色 PP 可以 在實驗室回收已不夠；必須證明 它 確實 在工業設施中被規模化回收。若標準光學分選機看不見它，它在法律上即被歸類為不可回收。這對使用黑色 包裝的品牌構成生存威脅，迫使他們要麼放棄該顏色（承擔換標成本），要麼要求一種 能讓其包裝可見的技術解方。

與此同時，失敗的經濟懲罰正在上升。歐洲的掩埋稅已經 飆升，部分成員國成本超過每噸 €100，以抑制棄置。 ¹⁵ 在美國，掩埋仍較便宜，但進場費正在上升，而加州等州的延伸 生產者責任（EPR）法律（如 SB 54）正把廢棄物管理的財務 負擔轉嫁到生產者身上。 ¹⁷ 黑色塑膠的「免費」棄置已是 過去的遺物。

第二部分：盲目的物理

要解決黑色塑膠問題，必須超越對 「垃圾」的表面理解，進入光–物質交互的基本物理。當前回收基礎設施的 失效不是機器人學或機械的失效；它是 光譜學的失效。

2.1 碳黑顏料

若這敘事中有反派，那就是碳黑。它是由重質石油產品 不完全燃燒產生的材料。其定義特徵是其 在電磁光譜極廣範圍內極高的吸收係數。它 吸收紫外光、可見光（因此呈現黑色），以及至關重要的近紅外 （NIR）光。 ¹

這與其他著色劑不同。例如有機染料對 人眼可能呈黑色，因為它們吸收紅、綠、藍光，但在 紅外光譜中往往是透明的。碳黑則充當光子陷阱。當光光子 撞擊碳黑著色表面時，其能量以熱耗散，而非 反射回光源。

2.2 標準 NIR 光譜學的局限

回收產業的主力感測器是 NIR 光譜儀，通常工作於 900 nm 至 1700 nm（0.9–1.7 µm）範圍。 ¹⁹

●​ 機制： 在標準分選單元中（例如來自 Tomra 或 Steinert 等製造商），鹵素燈照射輸送帶。光線撞擊塑膠物體。

●​ 訊號： 對透明或有色塑膠（如藍色清潔劑瓶），光 穿透表面，與分子鍵（C-H、N-H、O-H）交互，並以特定波長被吸收後 反射回來。此吸收圖案即 「光譜指紋」。

●​ 失效模式： 當光撞擊黑色塑膠托盤時，碳黑顏料 在能與聚合物基質顯著交互之前就吸收了入射輻射。 感測器實質上接收到零回波訊號。

此現象造成根本的對比失效。這些設施使用的輸送帶 通常是黑色橡膠。黑色物體在黑色皮帶上，在看不到任何 反射的感測器下，產生「平線」訊號。分選電腦無法把該 物體與背景區分開。對機器人而言，皮帶看起來是空的。 ²

2.3 「包裝層」陷阱：為何 LLM 無法修正物理

我們正處於由大型語言 模型（LLM）與生成式 AI 崛起所定義的技術時代。大量「AI 顧問公司」湧現，聲稱 能透過 API「包裝」GPT-4 或 Claude 這類模型來解決企業問題。 ²¹ 這些 「包裝層（Wrapper）」業務的前提是：足夠的提示與脈絡就能從任何資料流 提取情報。

然而，把這套邏輯套用到黑色塑膠的物理分選是範疇錯誤。 生成式 AI 模型是機率引擎，設計來根據龐大訓練資料集預測序列中的下一個 token 或影像中的下一個像素。它們需要 輸入 資料 才能運作。

●​ 輸入空洞： 在以標準 NIR 分選黑色塑膠的情況下，輸入資料是 空集合。沒有光譜曲線可分析；只有雜訊。

●​ 幻覺風險： 若強迫 LLM 對此雜訊分類，它可能依先驗幻構 一個結果（例如「多數托盤是 PP」），但這不是感測；這是猜測。 在要求 99% 純度以防污染的工業流程中，猜測是 不可接受的。

●​ 延遲不適配： 工業分選需要毫秒級決策 （<10-20ms）。把資料送到雲端 LLM API 會引入數百毫秒至數秒的延遲 ，使即時致動變得不可能。 ²³

Veriprajna 主張解方在於 深度科技（Deep Tech） ——把科學發現嚴謹應用於 工程問題——而非便利地套用預訓練 模型。我們不試圖讓 AI 更「聰明」地猜測；我們改變 感測器的物理，讓不可見變為可見。

第三部分：光子解方——中波紅外 （MWIR）

若資料在近紅外中不存在，我們必須把目光轉向電磁光譜的另一扇 窗口。解方在於 中波紅外（MWIR） 波段， 具體介於 2.7 µm 與 5.3 µm 之間。

3.1 電磁窗口

碳黑的吸收並非無限。隨著光波長增加，碳黑的吸收 係數下降。從短波紅外（SWIR）進入 中波紅外（MWIR），我們跨過一個閾值，使顏料變得足夠 透明以允許光譜分析。 ⁶

●​ NIR/SWIR（0.9 – 2.5 µm）： 由分子振動的「泛音」主導。這些是 弱訊號，容易被碳黑吸收淹沒。

●​ MWIR（2.7 – 5.3 µm）： 此區域包含聚合物的 基頻振動 分子。C-H 伸縮振動、C=O 羰基伸縮，以及其他鍵 能量在此頻率強烈共振。

在 MWIR 域，塑膠的光譜特徵強上數個數量級，相較於 NIR。訊號強度增加，加上顏料吸收降低，使 感測器能「看穿」黑暗。黑色聚丙烯托盤，在 NIR 中是空洞，在 MWIR 中卻以清晰、鋸齒狀光譜線發光，明顯 可與黑色聚乙烯或聚苯乙烯物體區分。 ²⁵

3.2 硬體架構：Specim FX50

Veriprajna 的解方建立在一流硬體之上，具體而言是 Specim FX50 高光譜相機，目前是唯一能覆蓋本應用所需完整 2.7–5.3 µm 範圍的商業可行儀器。 ⁷

此感測器的工程複雜度凸顯解方的「深度科技（Deep Tech）」本質：

●​ 探測器材料： 不同於 RGB 相機使用的矽感測器（便宜、非冷卻）或 NIR 使用的 InGaAs 感測器（中等昂貴），MWIR 需要特異的 半導體材料，如 銻化銦（InSb） 或 碲鎘汞 (MCT) 。 ⁷ 這些材料對熱輻射敏感。

●​ 低溫冷卻： MWIR 感測器本質上是在偵測熱。為防止感測器 被自身內部發熱致盲，探測器必須冷卻至 低溫（約 77 克耳文）。FX50 把史特林冷卻器——一套 機械製冷單元——直接整合進相機機身。此冷卻要求 大幅提高進入門檻，把認真的工業玩家與 業餘嘗試區分開。 ²⁷

●​ 光譜解析度： 相機作為線掃描器（推帚式），為線上每個像素擷取 154 個獨立光譜波段。光譜採樣約 ~8.44 nm 空間解析度 640 像素，產生巨大的高維資料立方 ($x, y, \lambda$) 即時。 ⁷

3.3 看見「化學」而非「顏色」

轉向高光譜成像（HSI）代表從「電腦視覺」 到「化學視覺」的典範轉移。

●​ 電腦視覺（RGB）： 分析 外在 外觀——形狀、紋理、標籤、顏色。

●​ 高光譜成像（HSI）： 分析 內在 組成。 當 FX50 掃描黑色塑膠混合流時，它看見的不是「黑色形狀」。它看見 的是化學資料流。

●​ 聚乙烯（PE）： 特徵為靠近 3.4 µm 的強 C-H 伸縮吸收。

●​ 聚苯乙烯（PS）： 顯示獨特的芳香 C-H 伸縮模態，尖銳且 獨特，可與 PE/PP 的脂肪族 C-H 帶清楚分離。 ⁶

●​ 阻燃劑： 至關重要的是，MWIR 往往能偵測其中的阻燃劑存在於 ABS（用於電子產品），這對把 WEEE（廢電氣與 電子設備）塑膠與標準包裝塑膠分開至關重要。 ²⁵

此能力把分選過程從視覺猜謎變成在輸送帶速度下進行的定量 化學分析。

第四部分：認知引擎——一維卷積 神經網路

擷取 MWIR 超立方只是一半戰役。感測器產生數 GB 的 資料每秒。要使其可行動，我們需要能 以近零延遲解讀這些複雜化學特徵的人工智慧架構。這正是 Veriprajna 專有的 一維卷積神經網路（1D-CNN） 上場之處。

4.1 2D 電腦視覺在廢棄物中的失敗

AI 影像辨識的標準作法是 2D-CNN（例如 ResNet、YOLO）。這些 網路設計來辨識 空間 特徵：貓耳的弧線、 車牌的矩形。

●​ 空間無關性： 在廢棄物回收中，空間特徵不可靠。塑膠瓶 可能被壓扁、扭轉、撕裂或骯髒。黑色汽車保險桿碎片在空間上 看起來與黑色食品托盤碎片相同。依賴「形狀」導致低 準確度。 ²

●​ 光譜盲目： 把 2D-CNN 套用到高光譜資料，往往把光譜 波段當成單純「顏色通道」（如 R、G、B），未能捕捉細微、 定義化學指紋的 154 個光譜波段之間高頻的 關係。

4.2 1D-CNN 典範

Veriprajna 不把問題當 影像辨識，而當 訊號處理 。對輸送帶上每個 像素，我們擷取 154 個值的 1D 向量——即光譜。我們把此 向量送入 1D-CNN。 ³¹

架構細節：

1.​ 輸入層： 一個 $1 \times 154$ 向量，代表正規化反射率／輻射率 數值。

2.​ 卷積層（Conv1D）： 不是用方形核在影像上滑動，我們使用 在光譜上滑動的線性核。這些核學習偵測特定光譜 形狀：3.4 µm 的急降、4.0 µm 的寬肩，或特定雙峰。 網路學習分子鍵的「文法」。 ³³

3.​ 池化層： 最大池化降低維度，使模型對校正或雜訊的微小 偏移具魯棒性。 ³⁵

4.​ 全連接層： 這些層彙集卷積層擷取的特徵 以映射到特定類別（例如黑色 PP、黑色 PE、黑色 ABS）。

5.​ 輸出： softmax 機率分布（例如 [PP: 99%, PE: 0.5%, Other: 0.5%]）。

4.3 相對於 Transformer 與 LSTM 的優越性

學術文獻中，對使用 Transformer（自注意力 機制）與 LSTM（長短期記憶網路）做光譜分析有顯著興趣。 ³² 儘管 它們強大，卻往往不適配工業分選的嚴酷現實。

●​ 延遲： Transformer 具有二次計算複雜度 $O(N^2)$ 相對 於序列長度。LSTM 是序列式且難以平行化。兩者都 引入可能超出高速分選線嚴格時間預算的推論延遲 （皮帶速度 3m/s）。 ³²

●​ 1D-CNN 效率： 1D-CNN 具有線性複雜度 $O(N)$ 且高度 可在 GPU 上平行化。可用 TensorRT 最佳化，在邊緣硬體上以每秒數千 幀運行，確保分類跟上 廢棄物的物理流動。 ³⁶

Veriprajna 的模型不只準確；它們 快 。在 Transformer 還在對光譜的 全域脈絡「關注」時，我們的 1D-CNN 已經分類完像素並 觸發氣噴。

第五部分：系統架構與整合

Veriprajna 提供「大腦」，但這個大腦必須住在身體裡。把 MWIR HSI 整合進機器人分選線，需要精密的感測器融合與邊緣 運算架構。

5.1 感測器融合：兩全其美

雖然 MWIR 在材料分類上更優，其空間解析度低於標準 RGB 相機且昂貴。為最佳化效能與成本，我們採用 感測器 融合 。 ³⁸

●​ RGB 流： 高解析、低成本 RGB 相機掃描皮帶。其工作僅是 分割 ——偵測物體邊界（例如「有一物件位於 像素 100-200」）。它建立廢棄物所在位置的「遮罩」。

●​ MWIR 流： Specim FX50 擷取光譜資料。

●​ 融合引擎： 系統把 RGB 遮罩疊到 MWIR 資料上。它查詢 RGB 相機所識別物體邊界 內部 的光譜資料。 1D-CNN 依該遮罩內平均或逐像素光譜分類材料 遮罩。

●​ 結果： 機器人收到複合資料封包：「物件 ID #452 是黑色 聚丙烯托盤，位於 $(x,y)$，取向 $\theta$。"

此混合作法讓我們用 RGB 的高空間保真度引導精確 抓取或噴出，同時依賴 MWIR 的高光譜保真度做 決策。 ⁴⁰

5.2 邊緣運算與即時致動

此迴路中沒有雲端。串流原始高光譜視訊所需的頻寬 （高幀率下數百個波段）極為巨大，且網際網路往返延遲是 不可接受的。

●​ 邊緣 AI： Veriprajna 在分選機上直接部署工業級邊緣 GPU（例如 NVIDIA Jetson AGX Orin 或 配備 RTX A 系列卡的強固 IPC）。

●​ 推論速度： 我們最佳化的 1D-CNN 模型推論時間低於 5 毫秒。

●​ 致動： 系統直接與分選機的可程式邏輯控制器（PLC） 介接。

○​ 光學分選機： 對輕包裝（薄膜、碎片），系統觸發精確的 閥桿壓縮空氣噴射，以噴出目標材料。 ¹¹

○​ 機器手臂： 對硬質塑膠或較重物件，系統引導高速 Delta 機器人（「蜘蛛機器人」）揀起黑色塑膠件並放入正確 料箱。 ⁴³

5.3 機械生態系統

Veriprajna 在既有分選硬體生態系統中工作。我們的技術 設計來與主要製造商如 Tomra（例如 Autosort Black）及 Steinert（例如 Unisort BlackEye）的系統整合或升級。 ⁴² 雖然這些製造商提供其 自有專有解方，Veriprajna 提供可客製的專用軟體層，能 適應特定、困難的廢棄物流（例如特定阻燃劑混合物或新穎 多層薄膜），而標準韌體可能錯過。我們提供「量身情報」給 標準化硬體。

第六部分：經濟急迫性

採用 Veriprajna 技術不只由環境良知驅動，更由 硬經濟指標驅動。回收黑色塑膠把成本中心變成利潤 中心。

6.1 「綠色溢價」與大宗商品價格

回收塑膠粒料（消費後回收或 PCR）已與石油基 原生樹脂價格脫鉤。受企業永續目標與監管命令驅動， 高品質 PCR 往往以溢價交易。

●​ 黑色回收粒料：

○​ 回收 PP（rPP）： 交易區間為 $1,130 – $1,200 per ton 。 ⁴

○​ 回收 ABS（rABS）： 交易於 $800 and $1,100 per ton 。 ³

○​ 原生 vs. 回收： 在歐洲，回收塑膠已與 原生塑膠達到價格平價，在部分高需求領域因 稀缺而享有溢價。 ⁴⁶

把 10% 進料因黑色而當「殘渣」丟棄的設施，本質上是在扔 錢。對年處理 50,000 噸的工廠，僅回收 2,000 噸黑色 PP 即代表超過 $2 million in potential revenue 。

6.2 廢棄成本：掩埋與碳稅

回收的替代方案——棄置——正變得昂貴到難以負擔。

●​ 掩埋進場費： 在美國，平均進場費約 ~$60/ton，但這掩蓋了 巨大的區域差異（東北與西岸 >$100/ton）。 ⁴⁷ 在歐盟，掩埋 禁令與稅賦把這些成本推得更高，以迫使循環。 ¹⁶

●​ 焚化與 ETS： 隨著歐盟排放交易體系（ETS）擴大涵蓋 廢棄物焚化，設施將因燃燒塑膠所排放的 CO2 被收費。 既然塑膠本質上是固態化石燃料，碳成本可觀。回收 塑膠即可避開此稅。 ¹⁴

6.3 ROI 計算

案例研究：中型 MRF（歐洲）

●​ 處理量： 50,000 tons/year。

●​ 黑色塑膠含量： 5%（2,500 tons）。

●​ 目前命運： 焚化（成本：€100/ton 進場費 + 稅）= -€250,000/year 成本。

●​ 採用 Veriprajna + MWIR 系統：

○​ 回收率： 90%（2,250 tons）。

○​ 營收： 以 €900/ton 售出 = +€2,025,000 營收。

○​ 棄置節省： €225,000 避免成本。

○​ 年度總影響： €2.25 Million 。

●​ 系統 CAPEX： ~$300,000（硬體 + 整合）。

●​ 回收期： < 2 Months 。

經濟帳無可辯駁。深度科技能自償。

第七部分：策略定位——「深度科技」護城河

在擠滿「AI for X」新創的市場中，Veriprajna 以 垂直深度與物理整合的策略自我區隔。

7.1 逃離「包裝層」陷阱

「包裝層（Wrapper）」商業模式——在別人的 API 上做 UI——在結構上 脆弱。它沒有「護城河」。若底層模型供應商（例如 OpenAI）更新產品 納入你的功能，你的業務即蒸發。再者，包裝層受制於 底層模型的局限。你無法「提示」GPT-4 去看見 MWIR 光譜，而它 從未被訓練過。 ²¹

Veriprajna 是深度科技公司。

●​ 專有資料： 我們產生自己的資料。骯髒、壓碎、真實世界廢棄物的 MWIR 光譜特徵 並不在公開網際網路上。我們建立並擁有此 資料集。

●​ 物理護城河： 我們的解方需要整合低溫硬體、邊緣 運算與機器人。這無法由咖啡店裡幾個開發者複製 。它需要工程嚴謹與進入工業現場的實體通道。 ⁵⁰

7.2 垂直整合與夥伴關係

我們並非在真空中運作。我們把自己定位為 智慧層 ，於 硬體生態系統之中。

●​ 感測器中立但有主張： 雖然我們偏好 Specim FX50 因其 效能，我們的 1D-CNN 架構可適配其他 MWIR 感測器，當它們 出現。

●​ 改造能力： 策略的關鍵部分是改造既有光學分選機。

許多 MRF 有完好的輸送系統與氣噴器，但感測器頭 過時。Veriprajna 可升級機器的「眼與腦」而不更換 「身體」，降低客戶的 CAPEX。

7.3 未來：超越分選

一旦我們能「看見」化學，就能解鎖單純分選之外的價值。

●​ 數位產品護照（DPP）： 我們能精確追蹤哪些材料正在通過 回收鏈。

●​ 品質保證： 我們能在回收塑膠捆包出貨給加工廠 之前 認證其純度 ，減少被拒貨載。

●​ 品牌稽核： 我們能向生產者提供其特定黑色 包裝實際被回收多少的資料，協助他們滿足 EPR 申報要求。

結論

「你洗了回收物。你分揀了。然後 AI 還是把它扔進垃圾。」

這句話概括了現行系統的悲劇。這是視野的失效——既是 字面也是隱喻。依賴可見光譜，我們讓自己對藏在黑暗中的 價值視而不見。

解方不是更多同樣的東西。不是更好的提示、更大的語言模型，或更 炫的使用者介面。解方是 物理 。它是嚴謹應用 中波 紅外高光譜成像 讓不可見變可見。它是應用 專用 一維卷積神經網路 來判讀我們 廢棄物的化學實相。

Veriprajna 站在光子學與智慧的交會處。我們不只處理 資料；我們工程化真相的擷取。藉由使黑色塑膠得以回收，我們不但 閉合循環經濟中巨大的迴路，也展示深度 科技解決當代硬性物理問題的力量。

我們邀請你停止看圖片，開始看化學。

#GreenTech #Recycling #ComputerVision #Sustainability #DeepTech

附錄：技術規格

表 1：Veriprajna MWIR 系統規格

組件	Specifci ation	理由
感測器核心	Specim FX50 (InSb/MCT)	唯一商業感測器 覆蓋完整 2.7–5.3 µm 範圍。7
光譜波段	154 波段	高解析度用於 diferentiating chemically 相似聚合物（例如 PE vs PP）。

冷卻	史特林冷卻器（低溫）	必要以最小化 MWIR 中的熱雜訊 範圍。27
幀率	380 Hz（全幀）	支援輸送帶速度 >2 m/s 且高重疊。
AI 模型	客製 1D-CNN（5 層）	最佳化為 <5ms 延遲 於邊緣 GPU；高光譜 特徵擷取。
推論硬體	NVIDIA Jetson AGX Orin / RTX 4090	需要邊緣運算 以消除網路 延遲。23
可偵測材料	黑色 PP、PE、PS、ABS、PVC、 橡膠	覆蓋 >90% 的黑色 塑膠廢棄物流。
連線	GigE Vision / GenICam	標準工業 介面，實現無縫 整合。

參考文獻

1. Transforming Black Plastic Recycling，2025年12月12日檢索， 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日檢索， https://www.portableas.com/news/black-plastics-detection-machine-vision/

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

5. Black plastics recycling: towards a circular economy，2025年12月12日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://ourworldindata.org/plastic-pollution

10. Why is black plastic packaging so hard to recycle? - The World Economic Forum，2025年12月12日檢索， 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日檢索， 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日檢索， https://exirpolymer.com/granules/abs-granules/

13. Plastic Recycling with NIR Technology: A Complete Guide - Solid Scanner，2025年12月12日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://ieeexplore.ieee.org/document/10064297/

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

38. Enhanced Waste Sorting Technology by Integrating Hyperspectral and RGB Imaging - MDPI，2025年12月12日檢索， 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日檢索， 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日檢索， 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日檢索， https://www.youtube.com/watch?v=9gqLT70auzw

42. AUTOSORT™ BLACK: Advanced Sorting for Black Plastics - TOMRA，2025年12月12日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， 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日檢索， https://www.duperrin.com/english/2025/05/20/wrappers-deeptechs-generative-ai/