巴桑塔、林道通 / 國立臺北大學資訊工程系
隨著全球邁向2050淨零排放，塑膠資源循環已成為產業核心挑戰。台灣每年產生超過一百萬噸廢塑膠，但因分選精度不足，有效回收率僅約40%。傳統系統難以可靠辨識黑色塑膠、多層材料及受污染廢棄物，限制高純度再生材料的產出。本文提出一套產業導向的AI智慧分選架構，整合多光譜感測技術（Vis-NIR、SWIR、LIBS、拉曼光譜、主動熱成像）與即時AI決策系統，可在複雜且高速的工業條件下實現穩健的材質辨識。本文詳細說明六階段導入流程，涵蓋進料準備、感測、AI分類、執行分選、品質監控與持續優化。
在台灣的實際場域部署中，AI分選系統展現處理速度倍數提升、高準確率以及顯著的降低人力需求。新北市五股AI細分選廠案例顯示：處理速度提升5倍、準確率達97%、每班減少約20至30名人力，以及30個月減少碳排放量達273噸。該廠亦於2026年台北智慧城市高峰會暨展覽中榮獲2026智慧城市創新應用獎。此外，本文探討數位產品護照(DPP)作為未來精確分選與材料追溯關鍵推力的整合應用。在台灣強大的半導體生態系與循環經濟政策支持下，AI智慧分選被定位為永續製造的核心技術。本文同時提出2026至2035年四階段發展藍圖，描繪朝向自主、自我優化的代理型AI (Agentic AI)循環系統之轉型路徑。
【內文精選】
核心技術架構
1.用於材料辨識的多模態感測技術
精準分選的基礎在於擷取塑膠特有的光譜與物理化學特徵。然而，在受複雜污染的廢棄物料流中，單一感測器往往無法滿足需求。因此，本文提出的AI分選系統採用多模態感測策略，透過整合互補技術來突破傳統的物理限制。主要感測技術及其工業角色如表一所示。
▼表一、多模態感測技術
透過上述光譜、元素與熱資訊的融合，多模態AI系統大幅提升整體分選效能。與現有工業分選方案的關鍵指標對比，詳見表二。
▼表二、分選系統類型之比較
此多感測器融合框架徹底解決傳統單一系統在面對黑色塑膠與多層材質時的限制。藉由整合多元感測數據，該系統不僅能確保高產能，更能在複雜且異質的廢棄物料流中，實現高穩定精準分類。
2. AI作為工業決策引擎
在工業環境中，AI不僅負責偵測，更是整個系統的核心決策層。面對回收產線高速運行（1至3公尺/秒）以及光照多變、材料污染與物件重疊等嚴格條件，現代AI分選系統透過部署邊緣運算平台，將感測到執行的端對端延遲嚴格控制在200毫秒以內 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》475期，更多資料請見下方附檔。