英国曼彻斯特人工智能软件公司Lion Vision开发了一套自动检测系统，用于识别电子电气设备废料中的电池。英国锡廷伯恩的电子电器回收公司Sweeep Kuusakoski购买了该系统，Lion Vision于2024年将其安装在Sweeep位于锡廷伯恩的工厂内。该系统利用摄像头和机器视觉模型，在传送带运送的废料中检测圆柱形电池——包括碱性电池和锂离子电池。虽然系统全天候（24/7）运行，Lion Vision仍在持续进行微调和改进。

Lion Vision的高级机器学习工程师乔治·霍金斯（George Hawkins）表示：“他们（Sweeep）在测试等方面非常配合。”

一、为何电池（尤其是锂离子电池）在回收流程中是个问题？

电池，尤其是锂离子电池，如果内部的有害化学物质泄漏，会对人体造成危害。它们还可能引发火灾；特别是锂离子电池，由于其高能量密度，存在显著的火灾风险。例如，在垃圾压缩机中被刺穿或压碎的锂离子电池很容易起火，导致难以控制和扑灭的火灾。事实上，人们常常没有意识到，电池无法再为设备供电，并不代表它完全没有电了。

“让电池真正完全放电是非常困难的，”霍金斯说，“你必须让某个东西持续运行很长时间。通常电池在某个临界点就会停止工作并停止消耗电量，但因为它仍有电力，如果发生短路，或者对于锂离子电池来说，如果被切割或刺穿，或者因在

垃圾处理车中被压碎导致内部层片熔合，这些反应就会引发火灾。”

这类火灾造成的损失巨大。Lion Vision引用英国废物与回收行业贸易协会——环境服务协会（伦敦）的一项研究指出，锂离子电池约占英国每年所有废物火灾的48%，最终每年给英国经济造成约1.58亿英镑的损失。

在采用Lion Vision的系统之前，Sweeep依靠人工在流水线上分拣电池。然而，尽管人工分拣过程缓慢而细致，但由于电池体积小、不易发现且数量众多，许多电池还是被遗漏了。

二、开发机器学习模型

霍金斯说，为了了解电池最常出现的位置，Sweeep进行了一项非正式的电池流向分析。“他们基本上在流程的各个关键点增派人手，在24小时内，由工人在流程的不同节点手动挑出所有看到的电池。”

基于这些信息，Lion Vision团队选择了一个位置安装检测系统。团队训练人工智能模型来检测圆柱形家用电池。对于碱性电池，该模型能专门识别金霸王（Duracell）、松下（Panasonic）、劲量（Energizer）和柯达（Kodak）等品牌的电池。“当然，还有大量其他品牌的电池被归入‘其他碱性电池’类别。”模型的其余部分则用于识别锂离子电池。

三、回收流程

Sweeep的工厂是一个大型建筑，其面积和布局类似于仓库。该工厂仅回收电子电气废物，如旧手机、电脑、电视机和电线等。霍金斯说，这些物品经过分拣，将铜线等有价值的材料从垃圾中提取出来并出售。

这个过程——某种程度上类似于淘金——基本是这样运作的：电子物料由卡车运送到建筑外的接收区，由人工进行初步分拣，挑出电视机等需要单独回收流程的物品。剩余的物品被装载上传送带系统。传送带将废料物品送入工厂内部一个由机器进行粉碎的区域。

“在这里，废料被粉碎成小块，以便提取其中不同的有价值物品，”霍金斯说。正是在这个流程节点，大部分电池从可能包含它们的物料中被分离出来；有时电池在此过程中也会被压碎或损坏。经过拆解过程后，这些物料通过传送带运送到分拣站或分拣工位，由多名工人将有价值的可回收物从垃圾中分离出来。

四、自动检测系统如何工作

据霍金斯介绍，检测系统的设置如下：安装了配备广角镜头的大恒图像（中国北京）工业摄像头，将其定位在传送带上方，并通过USB连接到一台装载了Lion Vision的Live Vision Manager（AI驱动的机器视觉软件）的电脑上。该系统目前包含两个摄像头，一个安装在粉碎/拆解站之后，另一个安装在第一个分拣站之后。摄像头和镜头安装在防护罩内以作保护。“我们所有的摄像头都安装在‘粉碎’或‘拆解’之后，”霍金斯解释道，“这是因为大多数电池都在设备内部，我们等待它们从设备外壳中释放出来。”

霍金斯进一步解释说，安装在分拣工位后的摄像头本质上起到“制衡”的作用：用于统计在特定时间内分拣工人遗漏了多少电池。

“在分拣工位之后，我们其实有空间做进一步的报警或弹射处理，但目前我们还没有实施，”霍金斯说，“分拣之后还有一个很长的流程来进一步分离剩余的废物。”

摄像头捕捉传送带上从其下方通过的物料图像，并将数据传输到电脑。电脑利用软件分析图像，当检测到符合电池特征的形状和/或材质时，就会向分拣站发出警报。

霍金斯解释说，警报可以通过不同方式传达。例如，警报可以连接到灯光硬件。“想象一下，当电池进入某个分拣工区域时，一条红色LED灯带会亮起，”霍金斯说。警报也可以设置为通过仪表盘来传达，显示即将到来的电池及其进入分拣站的时间，Sweeep目前采用的正是这种方式。警报通常设置发送到第一个分拣站，这样负责监控警报并移除电池的员工就能及时响应，让下一个工位的员工可以专注于分拣有价值的物料。该系统在24小时内可处理和分析超过50万张图像。

五、克服训练机器学习模型的挑战

“在废物中检测电池，很大程度上是个大海捞针的问题，”霍金斯说，“而误报（False Positives）正是症结所在。我认为很多公司没有尝试解决这个问题的很大原因是，即使在像Sweeep这样有大量电池的地方，电池在（所有检测的废物中）占比仍不到1%。而且，从我们俯视传送带的角度看，小块的塑料很容易看起来和电池一模一样。”

因此，Lion Vision花了大量时间研究如何减少误报并建立可靠的模型。例如，公司持续对AI模型进行强化训练（包括正例和反例）。强化训练是一种学习方法，AI模型通过经验而非预先标记好的数据，学会确定针对某种情况的最合适的解决方案。这类似于教育孩子，AI会对良好或合适的响应给予奖励，对不太合适或不正确/不恰当的响应则不给予奖励。

团队将流程末端确认的检测结果数据重新整合到模型训练中。例如，如果一张图像显示看起来像电池但实际上不是的东西，就可以利用该信息训练AI软件，使其在该情况下不再产生误报。

六、自动化系统的未来计划

霍金斯表示，一个目标是开发一个全自动化系统。最近，Lion Vision开始测试一套自动移除系统——一套气流喷射系统。该系统设计为在收到警报时激活高压气流喷射装置，将检测到的废电池吹入传送带下方的废料容器中。

另一个想法是将AI视觉系统与热成像系统结合，以同时增强检测能力和防火能力，霍金斯说。

“我们可以通过视觉AI看到电池——类似于人类的视角，但我们也可以通过热信号判断某个电池是否即将起火，”霍金斯说，“例如，如果一个电池被弹射到垃圾桶里，我们就能知道需要对该垃圾桶喷洒阻燃剂。”

最终目标是持续改进和扩展该检测系统的能力。“我们为在废物流中训练和检测物品开发了这套流程，我们认为我们能做的远不止于电池——基本上任何需要移除的有害物品，或者回收商希望分离出的有价值的物品，都可以应用这套系统。”霍金斯说道。