图1：Lion Vision公司开发了一套自动化系统，用于在回收物流中检测电池，尤其是锂离子电池，因为锂离子电池若被挤压或割破，很可能引发危险的火灾隐患。

Lion Vision是一家位于英国曼彻斯特的 AI 软件公司，其开发了一套用于在电气与电子设备废料中检测电池的自动化系统。Sweeep Kuusakoski是英国一家电气与电子产品回收公司，该公司于 2024 年采购了Lion Vision公司开发的这套电池自动检测系统，并由Lion Vision公司完成安装。该系统通过工业相机和机器视觉模型，来检测在传送带上移动的废料中的圆柱形电池，包括碱性电池和锂离子电池。目前该系统已经在Sweeep Kuusakoski的工厂中全天24小时不间断运行，并且Lion Vision仍在持续对其进行调试和优化。

Lion Vision公司高级机器学习工程师George Hawkins表示，目前该检测系统正在Sweeep Kuusakoski工厂中顺利测试。

为何电池（尤其是锂离子电池）是回收物流中的重要问题？

电池（尤其是锂离子电池）内部的有毒化学物质若泄漏，会对人体造成危害，同时也存在火灾风险。锂离子电池因其具有高能量密度，因此火灾风险尤为显著。例如，在垃圾压实机中被刺穿或挤压的锂离子电池极易起火，且火势难以控制和扑灭。

事实上，人们往往意识不到：当电池无法为设备供电时，并不意味着其电量已经完全耗尽。Hawkins指出：“将电池真正用到完全没电非常困难，通常需要让设备长时间运行。多数情况下，电池会在某一电量点停止工作、不再耗电，但由于其内部仍有电量剩余，一旦短路（对锂离子电池而言，被切割、刺穿或因在垃圾处理车中被挤压导致内部电极层融合，都可能导致短路），继而产生的化学反应将会引发火灾。”

此类火灾的代价极为高昂。Lion Vision公司援引英国废物与回收行业贸易协会 环境服务协会的研究称，由锂离子电池引发的火灾约占每年英国所有垃圾火灾的48%，最终导致的经济损失约达1.58亿英镑。

在Lion Vision的系统投入使用前，Sweeep Kuusakoski的工厂主要依赖人工从回收线上移除电池。然而，尽管人工流程缓慢且细致，但由于电池体积小、难以辨识且数量众多，仍然会有许多电池被漏检。

图 2：Linon Visiion公司的检测系统由安装在防护外壳内的一台工业相机和高强度光源组成，并与一台加载了 AI 视觉软件的计算机相连。工业相机和光源安装在传送带上方的合适位置。

机器学习模型的开发

Hawkins表示，为了确定电池最常出现的位置，该自动检测系统进行了非正式的电池流向分析：“我们在处理流程的各个环节安排人员，连续24小时手动移除可见的电池，记录不同环节的电池分布情况。”

基于这些信息，Lion Vision团队确定了检测系统的安装位置，并训练 AI 模型识别家用圆柱形电池。

对于碱性电池，AI模型可以专门检测金霸王（Duracell）、松下（Panasonic）、劲量（Energizer）和柯达（Kodak）等品牌的产品，其他同类品牌则归入“杂项碱性电池”类别。模型的其余部分则用于识别锂离子电池。

图3：检测系统通过AI算法训练，以检测各类电池。

回收流程

Sweeep Kuusakoski的工厂是一个大型场地，占地面积和布局类似于仓库，仅回收电子电气废弃物（如旧手机、电脑、电视和电线）。这些物品会被分拣，以便提取铜线等有价值的材料并出售。

该流程有点类似于“淘金”：电子废料由卡车运至工厂外的接收区，人工先分拣出电视等需要单独回收的物品，然后将剩余物料装载到传送带上。传送带将废料送入工厂内的机械破碎区，废料在此被打碎，以提取出各种有价值的物料。正是在此环节，多数电池会从包裹它们的材料中分离出来，但也可能在破碎过程中被挤压或损坏。

被打碎后的物料通过传送带运至分拣站，由多名工人将有价值的可回收物与垃圾分开。

图 4：一名在回收线上工作的人工分拣员，会筛选废料以回收有价值的可回收物，并挑选出电池等垃圾。Lion Vision的检测系统可帮助他们定位并分拣出电池。

自动检测系统的工作原理

Lion Vision提供的检测系统配置如下：搭载广角镜头的大恒图像的工业相机安装在传送带上方，并通过USB连接到PC，该PC中装载了Lion Vision的AI 视觉软件Live Vision Manager。该检测系统目前安装了两台相机，一台位于破碎/拆解站之后，另一台位于首个分拣站之后，相机和镜头均安装在防护罩内。

“所有相机都设置在‘破碎’或‘拆解’之后，”Hawkins解释道，“因为多数电池藏在设备内部，需等待其从外壳中脱落。”

位于分拣站之后的相机，本质上起到进一步优化流程的作用：用于生成统计数据，记录分拣员在特定时间内漏检的电池数量。“我们有空间在分拣站之后增加警报或自动剔除装置，但目前尚未推进。” Hawkins说，“分拣后的流程很长，还需进一步分离剩余废料。”

相机捕捉传送带上物料的图像并传输至PC，PC通过软件分析图像，当检测到符合电池特征的形状或材质时，会向分拣站发送警报。

警报可以通过多种方式传达：例如连接照明设备，当电池进入分拣员区域时，红色LED灯带会亮起发出警报；也可通过仪表盘显示即将进入分拣站的电池信息，这也是目前采用的方式。警报通常发送至首个分拣站，以便负责监控和移除电池的员工响应，使得后续站点的员工可以专注于分拣有价值的物料。该检测系统 在24 小时内可以处理分析超过50万张图像。

图5：Lion Vision的检测系统捕捉并分析图像，图中标记了检测到的电池位置。

克服机器学习模型训练中的挑战

“在废料中检测电池，如同大海捞针，其中误报是主要问题，”Hawkins说，“这也是许多公司未曾尝试解决该问题的原因之一；即便在Sweeep Kuusakoski回收工厂这样的电池数量众多的场所，电池在所有检测废料中的占比仍不足1%。从传送带上方俯视，很容易将小块塑料误判为电池。”

为此，Lion Vision投入大量精力构建可靠模型，以降低误判率。例如，该公司对AI模型采用持续的正负强化训练。强化训练是一种学习方法，使AI模型通过经验（而非预设的标记数据）学习确定最适当的解决方案，其原理类似于教育儿童——AI因正确响应获得奖励，而错误响应则无奖励。

Lion Vision团队将流程末端确认的检测结果重新整合到模型训练中。例如，若某张图像显示类似电池的物体但实际并非电池，该信息会被用于训练 AI 软件，避免在类似场景中误报。Hawkins表示，目前该系统已经实现了大约 95% 的检测准确率。

自动化系统的未来规划

Hawkins表示，未来的目标之一是开发全自动化检测系统。最近，Lion Vision已经开始测试自动剔除系统——一种喷气装置，当接收到警报时，会启动高压气流将废弃电池吹入传送带下方的废料箱。

另一个设想是将AI视觉系统与热成像系统相结合，以提升检测能力和防火能力。“视觉AI可以从‘人类视角’识别电池，而热成像则可以通过热信号判断电池是否即将起火。”Hawkins说，“若电池被剔除至废料箱，系统可触发阻燃剂喷淋。”

Hawkins表示，“我们的最终目标是持续改进和扩展检测系统的功能。目前已经开发出在废料流中训练和检测物品的流程，除电池外，还可用于识别任何需要移除的隐患物品或回收商希望分离的有价值的物料。”