Visione iperspettrale RAEE: Edge AI per il sorting

Nel 2022 il mondo ha generato 62 milioni di tonnellate di rifiuti elettronici e solo il 22,3% risulta documentato come correttamente raccolto e riciclato: lo certifica il Global E-waste Monitor 2024 delle Nazioni Unite, che per il 2030 stima 82 milioni di tonnellate e un tasso di riciclo documentato in discesa verso il 20%. Per chi gestisce un impianto di trattamento il collo di bottiglia non è la disponibilità di materiale, ma la capacità di riconoscerlo: una telecamera a colori vede forme e tinte, non la chimica. Due frammenti di plastica nera identici all'occhio possono essere polimeri diversi, uno dei quali carico di ritardanti di fiamma bromurati che ne impediscono il riutilizzo. È qui che la visione iperspettrale RAEE, abbinata all'elaborazione a bordo macchina, cambia l'economia della selezione: sposta la decisione dal «che aspetto ha» al «di che cosa è fatto», in tempo reale.
Visione iperspettrale RAEE: che cosa misura davvero
Una camera RGB registra tre valori per pixel. Una camera iperspettrale ne registra centinaia: per ogni punto della scena acquisisce uno spettro di riflettanza quasi continuo, suddiviso in bande strette e contigue. Il risultato è un «cubo» di dati con due dimensioni spaziali e una spettrale, in cui ogni materiale lascia una firma riconoscibile legata ai propri legami chimici.
Negli impianti si usano quasi sempre sensori a scansione di linea (pushbroom): la camera inquadra una sola riga trasversale al nastro e il movimento del materiale costruisce l'immagine riga dopo riga. L'architettura si adatta bene al nastro, ma impone vincoli rigidi: illuminazione stabile e a largo spettro, calibrazione periodica con riferimenti di bianco e di buio, sincronizzazione fra frequenza di riga e velocità del nastro.
Le bande spettrali che contano: VNIR, SWIR e MWIR
La scelta dell'intervallo spettrale determina che cosa l'impianto può distinguere, e incide in modo sostanziale sul costo del sensore.
- VNIR (circa 400–1000 nm): visibile e vicino infrarosso. Utile per colori, superfici metalliche e rivestimenti; è l'intervallo dei sensori più accessibili.
- NIR/SWIR (circa 900–2500 nm): l'intervallo in cui i polimeri mostrano assorbimenti caratteristici. È la base della selezione ottica delle plastiche chiare e colorate.
- MWIR (circa 3–5 µm): il medio infrarosso, necessario per le plastiche nere.
Il limite del vicino infrarosso sulle plastiche nere è fisico: il nerofumo usato come pigmento assorbe gran parte della radiazione incidente, e il segnale riflesso dal polimero diventa troppo debole per essere classificato. Nel medio infrarosso le firme di assorbimento restano invece leggibili. Esistono camere iperspettrali industriali progettate per questo scopo, che coprono l'intervallo 2,7–5,3 µm e che il costruttore dichiara in grado di discriminare PS, PE, PP, ABS, PVC, plastiche nere e alcuni additivi come i ritardanti di fiamma.
Plastiche bromurate e componenti PCB: cosa dice la ricerca
Sul fronte delle plastiche, uno studio pubblicato nel 2021 sulla rivista Recycling ha analizzato frammenti di ABS e PS provenienti da monitor e televisori a tubo catodico con spettroscopia SWIR (1000–2500 nm), usando la fluorescenza a raggi X come riferimento per il contenuto di bromo e una soglia di 2000 mg/kg per separare le classi. Con un classificatore PLS-DA il riconoscimento dei campioni ad alto e basso contenuto di bromo si è attestato intorno all'88–90%. Gli autori segnalano anche i limiti: un campione ridotto (36 frammenti, un solo flusso) e confusioni ricorrenti fra PS e ABS, soprattutto sui campioni a bassa riflettanza.
Sul fronte delle schede elettroniche, il dataset pubblico PCB-Vision, realizzato dall'Helmholtz-Zentrum Dresden-Rossendorf, mette a disposizione 53 schede acquisite sia in RGB sia con una camera iperspettrale VNIR a 224 bande (400–1000 nm), con annotazioni per circuiti integrati, condensatori e connettori e risultati di riferimento ottenuti con reti di segmentazione della famiglia U-Net.
Un terzo lavoro, pubblicato su Applied Sciences, mostra il valore della fusione dei sensori: combinando una camera iperspettrale NIR (900–1700 nm, 224 bande) con uno scanner 3D a luce strutturata, la classificazione dei componenti di una scheda ha raggiunto un'accuratezza complessiva del 98,24%, contro l'88,65% ottenuto con il solo dato spettrale e una SVM. La lezione è pratica: la firma spettrale dice di che materiale è fatto un oggetto, la geometria dice che oggetto è.
Dal cubo di dati alla decisione: la pipeline Edge AI
Un cubo iperspettrale è pesante: centinaia di bande per ogni pixel, a ogni riga, per ogni secondo di nastro. Inviarlo a un server remoto è incompatibile con i tempi di una linea, in cui la finestra fra acquisizione ed espulsione si misura in millisecondi. L'elaborazione deve avvenire accanto al sensore, e la pipeline tipica segue quattro passaggi:
- Correzione radiometrica: conversione del segnale grezzo in riflettanza tramite i riferimenti di bianco e di buio.
- Riduzione della dimensionalità: selezione delle bande informative o proiezione con tecniche come la PCA, per abbattere il carico di calcolo senza perdere capacità discriminante.
- Classificazione: dai modelli chemiometrici come la PLS-DA alle reti neurali che lavorano sul singolo spettro o su combinazioni spaziali e spettrali.
- Attuazione: traduzione della mappa di classi in comandi per ugelli pneumatici o robot di presa.
Sul piano hardware, i moduli embedded con GPU offrono oggi margini adeguati. Nella famiglia NVIDIA Jetson Orin si va dal kit Orin Nano Super, accreditato di 67 TOPS con 8 GB di memoria e profili di consumo fra 7 e 25 W, fino ad AGX Orin, che arriva a 275 TOPS in un intervallo di 15–60 W. Sono valori dichiarati dal produttore: il dimensionamento reale dipende dal numero di bande effettivamente elaborate, dalla frequenza di riga e dall'ottimizzazione del modello.
Limiti operativi e criteri di scelta
Prima di investire conviene verificare alcuni punti che la letteratura e i fornitori tendono a lasciare in secondo piano:
- Rappresentatività dei dati: i risultati pubblicati derivano spesso da campioni limitati e puliti. Polvere, etichette, superfici umide o degradate abbassano le prestazioni e richiedono dataset raccolti sul proprio flusso.
- Costo del sensore: la complessità cresce passando dal VNIR allo SWIR e al MWIR. L'intervallo va scelto sulla frazione che genera valore, non sulla copertura massima.
- Informazione elementare: la riflettanza non misura direttamente il bromo. Per le frazioni critiche l'iperspettrale viene affiancato alla fluorescenza a raggi X.
- Manutenzione della calibrazione: deriva delle lampade e sporcamento delle ottiche alterano gli spettri; servono procedure di ricalibrazione e monitoraggio del modello.
Il vantaggio competitivo della selezione per materiale
Il valore di una frazione recuperata dipende dalla sua purezza, e la purezza dipende dalla capacità di separare ciò che l'occhio e la telecamera a colori confondono. La visione iperspettrale RAEE portata sull'edge trasforma questa capacità in un processo continuo: ogni frammento viene classificato per composizione, ogni decisione può essere registrata e ricondotta a un lotto, ogni deriva del flusso in ingresso diventa un dato misurabile. Per un decision maker questo significa tre cose: frazioni plastiche più vendibili perché separate dai materiali contenenti additivi indesiderati, minore dipendenza dalla cernita manuale e una base documentale più solida verso clienti e autorità. Il percorso sensato parte in piccolo: un banco prova su un flusso reale, un intervallo spettrale scelto sulla frazione più critica, un modello validato sui propri campioni. Chi costruisce oggi il proprio archivio di firme spettrali si troverà domani con un patrimonio di dati che i concorrenti non potranno acquistare a catalogo.