摄像头看不出来的塑料,AI光谱能认出来吗?kaiyun.com正在把红外数据带进再生材料分选
视觉AI面对黑色和深色塑料基本失效,不是算法不够聪明,而是炭黑颜料会大量吸收近红外光,导致主流NIR分选设备接收不到有效信号。本文拆解五种光谱技术各自能测到的化学信息:中红外(MIR)看官能团...
开云循环材料研究组关注的问题是:AI到底凭什么能判断一块材料的真实成分和再生比例。我们不满足于"AI识别材料"这类结论,更关心识别背后依赖的光谱原理、多模态融合方式,以及验证结果的置信区间和局限。
这个方向牵扯到光谱识别(红外、拉曼光谱如何反映化学差异)、多模态传感融合(视觉、光谱、电学信号如何互相校验)、材料大模型(如何统一处理异构科学数据)等技术模块,我们把这些内容放在一起讨论,是因为它们共同构成了"AI能不能真正看懂材料"这件事的技术底座。
我们要求每篇文章明确说明技术的实际限制,不夸大识别准确率,也不回避工业分选速度、光谱设备成本等现实约束;不同文章即使主题相邻,也会尽量避免使用相同的行文结构。
视觉AI面对黑色和深色塑料基本失效,不是算法不够聪明,而是炭黑颜料会大量吸收近红外光,导致主流NIR分选设备接收不到有效信号。本文拆解五种光谱技术各自能测到的化学信息:中红外(MIR)看官能团...
“这批料含30%再生成分”是采购合同里常见的一句话,但这个数字是怎么算出来的,很少有人细问。本文拆解声明含量和可验证含量之间的鸿沟:物理含量与质量平衡分摊是两种完全不同的核算口径,混用会让同一...
kaiyun.com官网把AI引入循环材料流程,想解决的核心问题是:同一个材料名称背后,可能是完全不同的材料状态。文章从回收行业过去只关心“能不能处理掉”这一现实出发,说明为什么再生材料需要按...
kaiyun.com官网这篇文章把闭环材料工作流拆成七个环节:废料进入、材料识别与杂质分析、质量分级、AI设计再生配方、生产与性能验证、产品阶段的数字护照记录、下一次回收。文章用一个模拟批次贯...
开云App给出结论时不只显示“合格”,还展示置信度和背后依据。文章通过一批再生PP的模拟场景,拆解置信度如何由数据完整度、历史准确率、边界距离三部分构成,并说明置信度低时该如何应对,避免把AI...
循环材料的AI模型要同时消化几种完全不同结构的数据:学术论文和标准文本里的定性知识、成分与机械性能这类必须绑定测试条件才有意义的数值、由几百到几千个波数点组成的光谱曲线、只能反映外观而非化学身...
只靠一个摄像头认材料,迟早会撞上黑色塑料看不出化学身份的天花板。本文拆解视觉AI、光谱AI(近红外/中红外/拉曼)和XRF元素分析在材料识别中各自能做什么、各自的工程限制是什么——视觉快但只认...
循环材料企业最担心泄露的,往往不是“用了什么再生塑料”这类笼统信息,而是配方比例、供应商清单、工艺参数和良品率这几类具体数据。本文分析开云AI如何通过边缘计算把光谱与配方留在工厂本地、用联邦学...
很多人把闭环材料系统理解成“回收以后重新利用”这样一个物理过程,但决定这套循环能不能持续做出稳定性能的,其实是数据有没有跟着材料一起流动——研发阶段的原始配方和测试记录、制造阶段的实际工艺参数...
如果你更关心具体材料类型的分级与配方,可以查看开云再生材料编辑组;如果你关心材料ESG评估方法,可以查看开云材料ESG观察组。