一台装了摄像头和视觉识别模型的分选设备，面对一堆深灰色到纯黑色的塑料外壳，基本上是"睁眼瞎"——颜色相近、形状相近，摄像头能看到轮廓，却看不出这块黑色塑料到底是ABS、PC还是掺了炭黑的PP。这不是算法不够聪明，而是可见光成像这条技术路线，从一开始就没有获取到区分材料化学结构所需要的信息。kaiyun.com在推进再生材料分选能力的时候，很早就把重心从"看得更清楚的摄像头"转向"看得到化学信息的光谱"，因为两者回答的根本不是同一个问题：摄像头回答的是"这个物体长什么样"，光谱回答的是"这个物体的分子结构里有什么"。再生塑料分选真正卡住产量和纯度的环节，恰恰是后一个问题——尤其当废料来源越来越杂、外观越来越接近的时候，只靠外观判断的分选路线，天花板已经很明显了。

黑色塑料为什么是视觉分选系统的"盲区"

大多数工业分选线上广泛使用的近红外（NIR）光谱分选设备，原理是向物料发射近红外光，再采集反射回来的光谱曲线，通过特征峰判断材料种类。问题在于，炭黑颜料对近红外光有极强的宽谱吸收，几乎会把入射光全部吃掉，导致探测器接收不到足够的有效反射信号——这也是为什么在很多再生分选现场，黑色和深色塑料制品即便化学成分完全可回收，也经常被直接分流进入焚烧或填埋流，不是设备不想分，而是主流的NIR方案在深色物料上"看不见"信号。而单纯依赖摄像头的视觉AI就更无能为力：它能识别的是颜色、形状、表面纹理这些物理外观特征，对于两块外观几乎一样、化学结构却完全不同的深色塑料，视觉模型给不出任何有意义的判别依据，这正是行业里"视觉分选遇到黑色料就失效"这个老问题的根源。国内外不少再生塑料回收统计里，黑色和深色塑料制品的实际回收比例长期低于浅色制品，很大一部分原因不是这些材料本身不可回收，而是主流识别技术在这个颜色区间里长期"失明"，导致分选环节在源头就把它们排除在外，最终只能进入价值更低的处理路径。

光谱不是一种技术，是五种不同的化学"提问方式"

"光谱识别材料"听起来像一个统一的技术方案，实际上不同光谱手段测的是完全不同的化学信息，各有各的强项和短板：

  • 中红外光谱（MIR）：探测分子官能团的振动吸收，谱峰特征非常明确，适合精确鉴定聚合物主链结构，但穿透深度有限，多数场景需要样品与探头直接接触测量，不利于高速在线场景；
  • 近红外光谱（NIR）：探测C-H、O-H、N-H键的倍频与合频振动，响应速度快、成本相对低，是目前工业分选线上使用最广泛的方案，但正如前面提到的，对深色和黑色材料几乎失效，同时容易受表面水分干扰；
  • 拉曼光谱（Raman）：基于光散射效应探测分子振动信息，在部分场景下对深色材料的穿透和识别能力优于NIR，也能识别颜料和无机填料成分，但采集速度通常比NIR慢，且荧光背景干扰是一个持续存在的技术难题；
  • X射线荧光光谱（XRF）：不直接判断聚合物种类，但能检测材料中的重金属和特定元素，比如溴系阻燃剂、铅系稳定剂、镉系颜料，这对电子电器废塑料这类可能含有受限添加剂的物料筛查非常关键；
  • 高光谱成像：把光谱采集和空间成像结合起来，在传送带上对整个物料流逐像素采集光谱曲线，能够一次成像同时给出材料种类的空间分布图，是目前实现高速在线多材质区分最主流的技术路线之一。

这五种手段没有哪一种是"万能方案"，实际部署中往往需要按物料特点组合使用，而不是指望单一传感器解决所有识别问题。

模拟场景：一批家电拆解来源的深灰色ABS/PC混合料流

以下为模拟场景，用于说明光谱识别的实际工作方式，不代表真实工厂数据。某分选线接收到一批家电拆解破碎料，颜色集中在深灰到纯黑区间，肉眼和摄像头都无法区分其中混杂的ABS外壳、PC/ABS合金外壳，以及少量因分拣不彻底混入的PVC电线绝缘皮碎片。系统启用高光谱成像对整条物料流逐像素扫描：PC材质在谱图上呈现出明确的酯基（C=O）特征吸收带，ABS材质则因丙烯腈成分呈现出特征性的腈基（C≡N）吸收峰，两者在光谱曲线上的差异清晰可辨，即便外观颜色完全一致；同时系统识别出若干像素点的谱形明显偏离PC和ABS的已知特征，判定为PVC污染物，这类物料即便占比很低也必须被剔除，否则PVC受热分解产生的氯化氢会腐蚀设备并污染整批再生料。系统同时用XRF对该批次抽检，在部分黑色外壳样品中检测到溴元素信号，提示这部分料可能使用了溴系阻燃剂，需要按合规要求单独分流处理，不能与普通再生料混合。这个场景也说明了光谱识别和再生塑料按用途分级之间的关系——光谱先解决"这是什么材料、有没有污染物"的问题，分级系统再基于这些结果决定下一步用途。整个扫描过程里，PC、ABS和PVC三类信号在高光谱数据立方体里分别对应不同的空间像素簇，系统据此生成一张实时材质分布图，下游的机械分选装置按图索骥把三类物料分别导向不同的收集通道，PC/ABS合金则根据两种树脂的比例区间被单独归入一类，避免和纯ABS、纯PC混批处理导致后续改性配方无法统一设定。这个场景也带出一个容易被忽视的合规环节：在电子电器类废塑料的分选里，光靠聚合物种类识别是不够的，还必须回答"这批料里有没有需要限制的添加剂"。XRF对溴、锑、铅、镉等元素有较高的检测灵敏度，能够筛查出溴系阻燃剂、含铅稳定剂、含镉颜料这类历史上曾广泛用于电子产品外壳的添加剂——一旦某批次黑色外壳被检出溴元素信号，即便聚合物基材本身是完全可回收的ABS或PC，这部分物料通常也需要单独分流，不能和不含此类添加剂的再生料混合处理。材料种类识别和元素成分筛查因此是两条并行运行、缺一不可的流程，而不是做完材料分类就万事大吉。

机器学习怎么从光谱曲线里学会"认出"材料和杂质

光谱设备采集到的原始数据是一条条连续的反射率或吸光度曲线，本身并不能直接告诉系统"这是PC"，中间需要机器学习模型完成从曲线到类别标签的映射。这个过程通常包括：先从原始光谱中提取特征波段和特征峰的比值、峰位、峰宽等信息，压缩掉噪声和无关波段；再用一个基于已知材料参考样本构建的光谱库，训练分类模型学习不同材料类别对应的特征模式；模型在实际运行中对每一次采集到的光谱输出一个跨候选材料类别的概率分布，而不是简单的非此即彼判断，遇到与库中所有已知类别都不匹配的谱形，会被标记为潜在的未知污染物而不是被强行归类到最接近的一类。这套系统能不能用好，很大程度上取决于光谱库本身的覆盖广度——如果参考样本里没有覆盖到某种老化程度或某种添加剂配方的材料状态，模型遇到这类料时的判断准确度就会明显下降，这也是为什么光谱库需要持续用新批次数据扩充和校准，而不是建好一次就一劳永逸。

光谱设备也会"漂移"：校准是容易被忽视的运维成本

光谱识别系统上线之后并不是一劳永逸的黑箱，探测器随着使用时间推移会出现响应漂移，光源强度衰减、镜头污染、环境温湿度变化都会让同一块标准材料在不同时间点采集到的光谱曲线出现细微偏移。如果不定期用已知成分的标准样品对系统重新校准，模型判断的准确率会在数月的时间尺度上悄悄下滑，而这种下滑往往不容易被现场操作人员直接察觉，因为设备仍然在正常出结果，只是结果的可靠性在慢慢变差。这也是为什么成熟的光谱分选部署方案里，标准样品校准和光谱库更新是和设备维护绑定在一起的常规工作，而不是一次性的调试步骤。对分选纯度有严格要求的产线，通常还会安排每天开机前的快速校准检查，把校准漂移控制在能够接受的范围内，避免累积误差影响到整批次的分级判断。

速度与准确率的取舍：为什么光谱分选还没有"完全解决"

这里需要诚实讨论一个经常被夸大的问题：光谱分选并没有把再生塑料识别这件事"完全解决"。工业分选线的物料流速度很快，高分辨率的高光谱采集在光谱分辨率和采集速度之间存在明确的工程取舍——分辨率越高，单点采集耗时越长，而分选线不可能为了采集精度大幅降速运行，这直接限制了可以实现的识别精细程度。此外，物料表面的水分、油污、灰尘会显著劣化光谱信号质量；多层复合材料，比如瓶身贴了标签、外壳做过喷涂，单点光谱读到的往往是表层材料而非基材本身的信息，容易造成误判；尺寸过小的碎片同样是个难题，即便光谱能正确识别材料类型，物理分选装置的气动喷嘴也很难精准地把毫米级碎片从高速物料流中单独挑出。正因为这些限制，实际产线通常还需要保留人工抽检复核和多重传感器交叉验证，光谱系统提供的是"大幅提高分选效率和准确率的工具"，而不是可以完全取代其他质控环节的终极方案。行业里偶尔会出现"光谱分选准确率接近百分之百"这类宣传说法，这类表述通常没有说明测试条件——干净、干燥、单层、尺寸合适的标准样品在实验室条件下确实可以达到很高的识别准确率，但把同样的系统搬到沾满油污、混杂多层复合材料、物料尺寸参差不齐的真实产线上，准确率会有明显下降，这个落差正是行业里应该被更诚实讨论的部分，而不是被略过不提。

光谱给AI的不是"看得更清楚"，而是一整个新的信息维度

把光谱数据带进再生材料分选，本质上不是给AI换了一副更高清的眼镜，而是给了它一种此前完全没有的感知能力——从"看形状和颜色"变成"看化学结构"。这也是为什么单一摄像头永远解决不了深色材料识别的问题，必须靠视觉与光谱等多模态信号融合才能真正提高识别的完整性。开云AI在这条技术路线上的判断是，光谱不会让再生材料分选变成一个"一劳永逸"的自动化环节，但它确实能把原本完全无法处理的黑色和深色物料重新纳入可回收识别范围，这本身就是一项实打实的技术增量，而不是营销概念。对再生材料行业来说，能不能把黑色和深色物料重新纳入高质量分选范围，直接关系到这部分体量不小的废塑料是继续流向价值最低的处理路径，还是能够以更接近原生料的价格重新进入生产环节——这不是一句技术口号，而是实实在在的经济账。