可堆肥塑料的使用正在增加，雖然它們提供了一些好處，但這些材料，如包裝紙和包裝，在回收過程中可能與傳統塑料垃圾混合併污染。為了解決這個問題，科學家們已經採用了先進的成像技術，並創建了能夠區分可堆肥塑料和傳統塑料的機器學習算法。

一次性塑料在我們的生活中無處不在，以各種形式出現，如食品容器、咖啡杯和塑料袋。儘管某些塑料被設計成在受控條件下進行生物降解，但它們仍然是有問題的，因為它們往往與傳統塑料相似。當這些可堆肥塑料回收不當時，它們會污染塑料廢物流，導致回收效率下降。此外，可回收的塑料經常被誤認為是可堆肥的，導致堆肥被污染。

倫敦大學學院（UCL）的研究人員在《可持續發展前沿》（Frontiers in Sustainability）上發表了一篇論文，他們使用機器學習來自動分類不同類型的可堆肥和可生物降解塑料，並將它們與傳統塑料區分開來。

該研究的通訊作者Mark Miodownik教授評價說：”準確度非常高，允許該技術在未來可行地用於工業回收和堆肥設施。”

研究人員使用了不同類型的塑料，尺寸在50mm乘50mm和5mm乘5mm之間。傳統的塑料樣品包括PP和PET，通常用於食品容器和飲料瓶，以及LDPE，除其他外，用於塑料袋和包裝。可堆肥塑料樣品包括PLA和PBAT，用於杯蓋、茶袋和雜誌包裝；以及棕櫚葉和甘蔗，這兩種生物質衍生材料用於生產包裝。這些樣品被分為訓練集和測試集，前者用於建立分類模型，後者用於檢查準確性。

結果顯示成功率很高： 當樣品的尺寸超過10mm乘10mm時，該模型對所有材料都達到了完美的準確性。然而，對於尺寸為10mm乘10mm或更小的甘蔗衍生或棕櫚葉基材料，錯誤分類率分別為20%和40%。

在測量5毫米乘5毫米的碎片時，一些材料的識別率比其他材料更可靠： 對於LDPE和PBAT碎片，錯誤分類率為20%；而兩種生物質衍生材料的錯誤識別率為60%（甘蔗）和80%（棕櫚葉）。然而，該模型能夠無誤地識別PLA、PP和PET碎片，而不受樣品測量的影響。

“目前，大多數可堆肥塑料在傳統塑料的回收中被作為污染物處理，降低了它們的價值。應用Trommel和密度分選來篩選堆肥，減少其他材料的存在。然而，目前篩選過程中的污染物水平高得令人無法接受，”Miodownik解釋說。”可堆肥包裝的優勢只有在它們被工業化堆肥，並且不進入環境或污染其他廢物流或土壤的情況下才能實現。”

為了提高準確性，包括Nutcha Teneepanichskul、Helen Hailes教授和UCL塑料廢物創新中心的Miodownik在內的科學家團隊測試了不同類型的傳統塑料、可堆肥塑料和可生物降解塑料，使用高光譜成像（HSI）進行分類模型開發。HSI是一種成像技術，在掃描不同材料的同時檢測其不可見的化學特徵，產生一個逐像素的樣品化學描述。人工智能模型被用來解釋這些描述並進行材料識別。

回收和工業堆肥過程中的塑料管理不善，使得可靠的分揀機制至關重要。Miodownik指出：”問題在於目前識別的速度太低，無法在工業規模上實施。然而我們可以並將改進它，因為自動分揀是使可堆肥塑料成為回收的可持續替代品的關鍵技術”。