可堆肥塑料的使用正在增加，虽然它们提供了一些好处，但这些材料，如包装纸和包装，在回收过程中可能与传统塑料垃圾混合并污染。为了解决这个问题，科学家们已经采用了先进的成像技术，并创建了能够区分可堆肥塑料和传统塑料的机器学习算法。
一次性塑料在我们的生活中无处不在，以各种形式出现，如食品容器、咖啡杯和塑料袋。尽管某些塑料被设计成在受控条件下进行生物降解，但它们仍然是有问题的，因为它们往往与传统塑料相似。当这些可堆肥塑料回收不当时，它们会污染塑料废物流，导致回收效率下降。此外，可回收的塑料经常被误认为是可堆肥的，导致堆肥被污染。
伦敦大学学院（UCL）的研究人员在《可持续发展前沿》（Frontiers in Sustainability）上发表了一篇论文，他们使用机器学习来自动分类不同类型的可堆肥和可生物降解塑料，并将它们与传统塑料区分开来。
该研究的通讯作者Mark Miodownik教授评价说："准确度非常高，允许该技术在未来可行地用于工业回收和堆肥设施。"
研究人员使用了不同类型的塑料，尺寸在50mm乘50mm和5mm乘5mm之间。传统的塑料样品包括PP和PET，通常用于食品容器和饮料瓶，以及LDPE，除其他外，用于塑料袋和包装。可堆肥塑料样品包括PLA和PBAT，用于杯盖、茶袋和杂志包装；以及棕榈叶和甘蔗，这两种生物质衍生材料用于生产包装。这些样品被分为训练集和测试集，前者用于建立分类模型，后者用于检查准确性。
结果显示成功率很高： 当样品的尺寸超过10mm乘10mm时，该模型对所有材料都达到了完美的准确性。然而，对于尺寸为10mm乘10mm或更小的甘蔗衍生或棕榈叶基材料，错误分类率分别为20%和40%。
在测量5毫米乘5毫米的碎片时，一些材料的识别率比其他材料更可靠： 对于LDPE和PBAT碎片，错误分类率为20%；而两种生物质衍生材料的错误识别率为60%（甘蔗）和80%（棕榈叶）。然而，该模型能够无误地识别PLA、PP和PET碎片，而不受样品测量的影响。
"目前，大多数可堆肥塑料在传统塑料的回收中被作为污染物处理，降低了它们的价值。应用Trommel和密度分选来筛选堆肥，减少其他材料的存在。然而，目前筛选过程中的污染物水平高得令人无法接受，"Miodownik解释说。"可堆肥包装的优势只有在它们被工业化堆肥，并且不进入环境或污染其他废物流或土壤的情况下才能实现。"
为了提高准确性，包括Nutcha Teneepanichskul、Helen Hailes教授和UCL塑料废物创新中心的Miodownik在内的科学家团队测试了不同类型的传统塑料、可堆肥塑料和可生物降解塑料，使用高光谱成像（HSI）进行分类模型开发。HSI是一种成像技术，在扫描不同材料的同时检测其不可见的化学特征，产生一个逐像素的样品化学描述。人工智能模型被用来解释这些描述并进行材料识别。
回收和工业堆肥过程中的塑料管理不善，使得可靠的分拣机制至关重要。Miodownik指出："问题在于目前识别的速度太低，无法在工业规模上实施。然而我们可以并将改进它，因为自动分拣是使可堆肥塑料成为回收的可持续替代品的关键技术"。