從廢料到黃金：奧地利「SmartStreet」計畫如何利用 AI 重新定義循環營造

循環經濟的「最後一哩路」

在追求淨零碳排的趨勢下，提高瀝青與混凝土回收料（RAP/RCA）的比例已是業界共識。然而，傳統回收流程中「原料品質不穩定」與「性能難以預測」的痛點，始終是限制高品質再生材料普及的絆腳石。

今天，振緯智匯帶大家深入了解奧地利營造巨頭 Porr 推動的「SmartStreet」計畫 (2025-2028)。看他們如何透過神經網路與電腦視覺，打破再生材料的技術天花板。

核心技術：神經網路如何「預見」材料強度？

「SmartStreet」計畫的核心不只是增加回收量，而是實現「精準預測」。

該計畫訓練了一套先進的人工神經網路（ANN），將回收料的物理特徵數位化。系統能根據輸入的回收料種類、比例及添加劑參數，即時預測最終成品的機械性質：

靈魂之窗：AI 如何「看透」髒亂的回收碎石？

很多業界先進會問：AI 真的能看懂工地上那些髒亂、混雜的回收碎石嗎？

在奧地利 Porr 的「SmartStreet」計畫中，答案是肯定的。這套系統的核心在於「多模態感測技術」，它並非單純的拍照辨識，而是將「幾何視覺」與「化學光譜」進行深度融合（Deep Fusion）。

振緯智匯為您深入剖析這套強大系統的運作機制，共分為三個關鍵層次：

1. 感測層：超越人類視覺的「多模態感測器」

系統於輸送帶上方安裝工業級的在線監測硬體，整合了超越人類視覺的「感官」：

(1). 「幾何之眼」 (RGB 工業相機)：配合陣列式 LED 光源，克服工地粉塵與陰影干擾，專注抓取材料的形狀、紋理、顏色等表面特徵。

(2). 「化學之眼」 (近紅外光譜儀, NIR)：這是系統的核心秘密。NIR 利用不同化學鍵對特定波長紅外光的獨特吸收率，抓取材料獨一無二的「化學指紋」。

2. 特徵提取層：將原始數據轉化為數位資訊

AI 演算法不直接看圖片，而是將感測層收集到的原始數據提取為模型能理解的特徵向量：

(1). Mode A：幾何特徵提取

技術：利用實例分割演算法（Instance Segmentation，如 Mask R-CNN）。

應用：瞬間標定輸送帶上成千上萬顆骨材的輪廓，精準計算出「篩分曲線」（級配）與骨材形狀因子。這達成了即時級配分析，取代耗時的人工取樣篩分。同時，系統能像鷹眼般即時識別並剔除木屑、塑膠或廢金屬，進行異物自動偵測。

(2). Mode B：化學特徵提取

技術：配合 NIR 光譜儀，利用化學計量學與 1D-CNN（一維卷積神經網路）分析光譜。

應用：AI 甚至能「穿透表面」，補足視覺辨識無法觸及的化學維度。它能直接讀出回收瀝青（RAP）的老化指數（例如：老化瀝青的C=O鍵會增加）以及材料中的含油量與水份，這對調整混拌配比至關重要。

3. 模型融合層：精準預測的「智匯」終端

這是最關鍵的一步，真正實現了多傳感器融合：

(1). 數位材料身分向量：AI 將提取出的「幾何特徵向量」與「化學特徵向量」進行拼接對齊，形成一個完整的數位身分證。

(2). 訓練與預測：Porr 利用積累的大量現場試驗數據（包含實際壓碎強度、疲勞試驗結果）作為「標籤（Labels）」，來訓練神經網路（ANN）。

這使得模型最終輸出的不只是一個單純的「強度數字」，而是一個動態的「生成式品質洞見」。

洞見範例：

系統能即時偵測並預警：「當前這批材料級配良好，但瀝青老化嚴重。若取代比例超過 50%，最終產品的彈性模數將下降 15%」。

這正是「SmartStreet」計畫提到「生成未來混拌設計洞見」的核心所在，讓營建業從憑經驗走向憑數據的精準時代。

振緯智匯結語：AI ＋材料 = 營建業的轉型引擎

身為深耕混凝土與瀝青材料超過二十年的專業團隊，振緯智匯觀察到，「SmartStreet」的成功模式給予我們三項啟示：

Steve Yu