大模型加机器视觉识别垃圾，企业如何把分类结果变成 ESG 数据
大模型加机器视觉识别垃圾，企业如何把分类结果变成 ESG 数据
机器视觉可以告诉分选线“画面中的物品像塑料瓶”，大模型可以读取班次记录、采购清单和处理商证明。但企业ESG需要的不是一串识别标签，而是可信的材料流：什么废物从哪里来，分出多少，最终进入什么处理路径。把识别结果变成ESG数据，首先要让每次分类对应批次、重量、时间和设备状态。
企业可从称重与抽样开始。进料在上料前称重，分选后的各料流再次称重，残余物与污染物单列。视觉系统记录抓取数量和类别，称重系统记录实际质量，两者不能互相替代。大模型帮助对齐不同名称，如“PET瓶”“透明饮料瓶”，并检查入料与出料的物料平衡。若相差过大，需查漏称、含水率变化或设备故障。
分类准确率应按材料和场景拆分。清洁瓶类识别准确，并不代表沾污薄膜和复合包装同样可靠。企业定期人工抽检每种料流的纯度，记录误分和漏分，特别关注混入危险废物的情况。模型更新后，用相同的真实混合样本重新测试，不能只看供应商演示中的最佳数字。
进入ESG台账时，至少区分“分选出来”“被回收商接收”“实际再生利用”三个状态。分选出的材料若因纯度不足被退回或降级处理，不能全部算作资源化成果。处理商验收、再生产品质量与销售去向应尽量形成证据链。碳收益也需扣除分选设备用电、运输和再加工，不能把分选重量直接折算成避免排放。
大模型可以每月生成异常说明：某类塑料数量增加，是采购包装变化、生产损耗还是识别模型重新分类？它可提示需要核对的采购和生产数据，责任人确认后才修改正式台账。对外披露同时说明统计边界、抽检频率和数据缺口，避免用“智能分选率”包装不清楚的最终去向。
落地时可先选一个废物流稳定的园区试点，连续记录四周人工分拣基线，再开启视觉识别。每周按相同方法抽样复称，比较单位进料的可回收物实际交付量、残余物比例、误分率和每吨处理电耗。数据表还要标记停机、节假日和进料结构变化，避免把垃圾组成改变误判为算法进步。财务部门核对回收收入与处理费，环保部门核对转移联单，二者形成同一批次的闭环。模型只负责识别与提示，最终归类和披露口径由企业批准；否则一套漂亮的分类图表，仍可能解释不了真实物料去向。
若企业跨厂区推广，应重新测量垃圾组成与当地处置去向，并给每个厂区保留独立基线。总部可以统一口径，却不能用一处试点的回收率替代所有现场的实测值。
企业真正得到的，是一套从现场物料到管理决策的反馈机制。识别系统越快，越需要称重、质量抽检和下游凭证把结果固定下来。ESG数据的价值取决于物理流量和实际处理，而不取决于模型画出的彩色框。
