Команда учёных из Вашингтонского государственного университета (WSU) совместно с Тихоокеанской северо-западной национальной лабораторией (PNNL) разработала новый метод идентификации пластиковых отходов, основанный на гиперспектральной визуализации и свёрточных нейронных сетях (CNN). Результаты исследования, опубликованные 9 апреля 2026 года в журнале Resources, Conservation and Recycling, продемонстрировали впечатляющую точность: одна из моделей достигла 100% в распознавании шести химически различных типов пластика — PET, HDPE, PVC, LDPE, PP и PS.
В отличие от обычных камер, которые фиксируют лишь три цветовых канала (красный, зелёный и синий), гиперспектральные камеры анализируют до 3 000 длин волн одновременно. «Это как обычное цветное изображение, но гиперспектральное имеет целый диапазон длин волн — иногда до 3 000», — пояснил Джон Миллер, почётный профессор информатики WSU Tri-Cities. Каждый тип пластика обладает уникальным спектральным «отпечатком», который нейросеть учится распознавать с высочайшей точностью.
Ведущий автор исследования — Мария Паула Гарсия-Товар, аспирантка кафедры материаловедения WSU Pullman. Она собрала реальные образцы пластика с перерабатывающего завода в Пуэрто-Рико, включая предметы с естественным выцветанием и экологической деградацией. Первичные инфракрасные данные были получены в Университете Пуэрто-Рико в Маягуэсе, а затем Гарсия-Товар провела дополнительную съёмку на высокотехнологичном оборудовании PNNL во время летней стажировки.
Ключевое преимущество метода — способность работать с реальным, загрязнённым и повреждённым пластиком, а не только с чистыми лабораторными образцами. Большинство современных перерабатывающих заводов до сих пор используют устаревшие технологии: ближнеинфракрасные сенсоры и RGB-камеры, которые часто допускают ошибки в классификации. Неправильная сортировка приводит к тому, что целые партии переработанного сырья отправляются на свалку или в печи мусоросжигательных заводов.
Впрочем, перед внедрением технологии на реальных конвейерах предстоит решить ряд инженерных задач. Как отметил профессор Миллер, одна из них — отличить перерабатываемый пластик от самой конвейерной ленты, которая тоже сделана из пластика. Кроме того, необходимо оптимизировать скорость вычислений, чтобы нейросеть успевала обрабатывать данные на скорости промышленного конвейера. Команда уже планирует следующий этап — тестирование системы на физической конвейерной установке.
Исследование проводилось при участии Мэйси Кристиансон, выпускницы WSU Tri-Cities, ныне работающей в PNNL, а также профессора Луиса де ла Торре из WSU и коллег из Университета Пуэрто-Рико. Успех проекта показывает, что интеграция ИИ и передовых сенсорных технологий способна решить одну из главных проблем индустрии переработки — низкое качество сортировки, из-за которого лишь 9% мирового пластика подвергается повторной переработке. Если метод будет масштабирован, это может значительно сократить объём пластиковых отходов на свалках и в океанах.
