产品 NVIDIA Blog·原文 2026年11月11日

英伟达博客介绍四家回收初创公司：AI分拣塑料、纺织与混合垃圾

英伟达企业博客称，四家加入其Inception计划的初创公司用视觉AI和机器人分拣废塑料、混合可回收物与旧衣物；AIRECO测试线识别准确率超95%，EverestLabs称已部署约150台机器人，Greyparrot称使用其分析系统的设施效率提升10%至30%。

AI解读：英伟达博客介绍了四家使用其计算平台的回收初创公司：台湾的AIRECO、美国的EverestLabs AI、英国的Greyparrot和柏林的reverse.fashion，应用方向是用视觉AI识别传送带上的废弃物并驱动机器人分拣。

AIRECO在台南一条试验线上用Jetson Orin NX模块运行推理，测试线识别准确率超过95%；公司称计划明年上线的产线目标是把年处理量从1.8万吨提升到4.8万吨，并将运营成本降低85%。这是公司自身表述的目标，尚非已实现结果。

EverestLabs称在北美和澳大利亚的设施中部署了约150台视觉引导机器人，其系统累计识别约400亿个物体、回收约2.5万吨材料、避免约3万吨二氧化碳排放。上述数字均为公司估算。

Greyparrot称其Analyzer系统部署超过300套、覆盖20多个国家，累计完成超过1万亿次边界框检测；使用其实时数据的设施报告效率提升10%至30%，Amcor使用后食品级塑料产出率提高12%。

reverse.fashion用十余个视觉AI模型分析每秒3米传送带上的旧衣物，识别品类、缺陷、颜色、尺码、品牌和面料等；其CTO称系统1小时的分拣量相当于过去1周，目前正在欧洲设施推广。

英伟达企业博客发布文章，介绍四家加入NVIDIA Inception初创计划的回收企业如何用视觉AI和机器人从废塑料、混合可回收物和旧衣物中分拣出可再利用材料。文章由Katie Michel撰写，引用了英伟达可持续业务负责人Josh Parker和四家公司创始人的说法。

文章给出的行业背景是：全球进入经济体的材料中只有不到7%来自回收或再利用来源；城市固体废物每年超过20亿吨，到2050年可能接近翻倍。这些背景用于说明分拣自动化的需求，文中未说明其数据出处。

AIRECO：用视觉AI细分塑料，目标降低处理成本

台湾初创公司AIRECO的做法是用视觉AI对塑料做更细分类，把材料从混合废料中挑出来，用于闭环回收。创始人兼CEO刘俊峰在文中说：“分得越细，能回收的就越多。”

公司在台南一家回收厂的试验线上使用NVIDIA Jetson Orin NX模块运行推理，并驱动机器人臂从传送带上抓取目标，测试线识别准确率超过95%。

AIRECO计划明年上线的完整产线，目标是把年处理能力从1.8万吨提升到4.8万吨，接近三倍，同时降低85%的运营成本。这些是公司的目标数字，文章未给出已完成验证的产出数据。

美国公司EverestLabs AI把计算机视觉引导的机器人部署在材料回收设施的传送带上。CEO R. Paul Singh描述其约束条件：传送带以固定速度运行，机器人必须在物料移走前快速动作，他称之为“实时博弈”。

公司称目前约150台机器人在北美和澳大利亚的设施中运行，累计识别约400亿个物体、回收约2.5万吨材料、避免约3万吨二氧化碳排放。这些是公司自己的估算。

英国公司Greyparrot的Analyzer平台安装在传送带上方，按材质和品牌识别通过的物体，可在粉尘环境和光线不佳条件下工作，传送带速度最高4米每秒。联合创始人Ambarish Mitra称，过去运营者靠抽样不到1%来判断，现在能看到传送带上具体有什么。

公司称已有300多套Analyzer在20多个国家运行，累计完成超过1万亿次边界框检测；检查15吨废物所需时间从375小时降到6小时。使用其实时数据的设施报告效率提升10%至30%，包装公司Amcor使用后食品级塑料产出率提高12%。

欧洲每年产生近700万吨旧纺织品，其中约四分之一被单独收集并人工分成数百个类别。柏林初创公司reverse.fashion用高分辨率计算机视觉自动完成这项工作。

公司CTO Karsten Pufahl说，与普通废物分拣相比，纺织品AI模型必须以很高分辨率运行，因为人对衣物很挑剔，视觉处理流程需要识别小缺陷来判断质量和潜在价值。

系统在每秒3米的传送带上运行，每件衣物经过十余个用NVIDIA TensorRT优化的视觉AI模型，模型在边缘端的Jetson模块上运行，并在工作站和云端用英伟达GPU训练。Pufahl估计，系统1小时的分拣量相当于过去1周，目前正在欧洲设施推广。

NVIDIA Blog原始来源