高光谱相机解决方案

  • 基于高光谱分析的塑料分选技术

  • 信息来源：彩谱品牌厂家 浏览次数：109发表时间：2022-10-09

  • 基于高光谱分析的塑料分选技术

    1、塑料分选技术研究沿革

    1.1塑料的传统分类方法




    现在工业上常用的识别分离方法主要有密度分离法、复选分离法和摩擦静电分离法。
    （1）密度分离法
    密度分离法是一种应用较为广泛的实现塑料分离的方法，它利用不同种类塑料之间密度的差异性实现分离的目的。将回收的废旧混合塑料依次置于密度一定的分选液体中，密度大于分选液的塑料将位于分选液体的底部，而密度小于分选液的塑料将位于分选液体的上部，从而实现分离的目的。
    例如可以使用水作为分选介质，将PP和HDPE（低密度塑料）与PS、PET、PVC、和ABS（高密度塑料）分离。然后将PP和HDPE至于50%的乙醇溶液中，PP向上运动HDPE向下运动实现分离，分离准确度可达100%。
    虽然密度分选法操作比较简单，利用多种密度不同的分选介质即可实现多种废旧混合塑料的分离，但是无法实现密度相近的塑料之间的分离，整体分离效率偏低。
    （2）浮选分离法
    浮选分离法主要用于密度相近的塑料之间的分离。它利用表层活性剂对塑料的表层进行改性，将一些塑料表层的疏水性改变为亲水性，然后利用气泡对塑料表层吸附性的差异达到分离的目的。
    比如PVC和PET材料，两者密度相近，不宜使用密度分离法，但是它们都是疏水性材料，在水中会自动浮起。将它们都置于氢氧化钠溶液中时，溶液的强碱性可以改变PET的疏水性，而PVC的变化比较轻微，从而实现分离。实验结果显示，原料PVC和PET的提纯率分别为98.8％和99.7％，回收的混合塑料的提纯率为57.0％。
    但是，现有的浮选技术可以分离的塑料种类有限，需要与其它分离技术结合使用。
    （3）摩擦静电分离法
    摩擦静电分离法是基于塑料在发生静电感应后带电特征的差异实现分离的目的。该方法是将废旧混合塑料干燥、粉碎，搅拌，使塑料之间相互摩擦并带电，结果使不同种类的塑料带有相反的电荷，然后当带电塑料经过电场时，带正电荷的塑料将聚集在负极侧，带负电荷的塑料将聚集在正极侧，从而实现分离。
    例如PET和PVC材料，可以使用PP作为充电材料使PET和PVC摩擦带电，PVC和PET分别带负电荷和正电荷。实验中，当相对湿度为30%、空气流速大于10m/s以及两种塑料的混合比为1：1时，PVC的剔除率和PET的回收率分别达到了99.60％和98.10％。
    但是，摩擦静电分离法对塑料的干燥程度有着比较高的要求，分离成本较高，而且该方法一般只适用于由两种塑料构成的废旧混合塑料的分离，不适合大规模的工业化应用。
    可见，在传统废旧混合塑料的分离过程中，密度分离法对于密度比较接近的塑料分离比较困难，而且分离效率较低；浮选分离法一般应用于荷电性质相似、密度比较接近的塑料之间的分离，不具有普遍适用性；摩擦静电分离法对混合塑料表面的清洁程度、操作现场的温度和湿度要求较高，难以大规模工业化应用。近些年来，利用光谱技术识别分类废旧混合塑料的研究与应用越来越多，是一种可以大规模推广的现代识别分类技术。

    1.2国内外光谱识别分类塑料的研究

    1.2.1国外光谱识别分类塑料的研究

    目前，国内外关于光谱技术应用于塑料识别分类领域的研究越来越多，而且国外关于该方面的应用研究起步比较早。
    1995年，Scott等人设计了一套简单的废旧塑料自动分拣装置，如图所示。该装置将两色固定滤波器近红外光谱仪与简单的比例电路结合起来，可以高效地识别PET和PVC。该方法是基于检测到的PET和PVC近红外吸收光谱上的特征峰变化来实现的，而且可以准确地鉴定从工厂收集到的瓶子的聚合物类型。


    Serranti等人基于1000～1700 nm的近红外高光谱图像技术，建立了一套可以实现家庭废弃物中PE和PP制品回收利用过程中的质量控制流程，装置如图所示。对获得的聚烯烃制品的高光谱图像进行分析处理，首先采用主成分分析法，降低高光谱数据的维度，然后基于前两个主成分的载荷系数，选择10个有效的特征波长用于分类，最后使用偏最小二乘判别分析法对这两种聚烯烃进行分类。结果表明，识别准确率大于90％。因此，将近红外高光谱图像技术与多元统计分析方法结合起来，可以用于聚烯烃回收利用过程中的质量和流程控制。

    Tachwali等人提出、开发和测试了一套自动塑料瓶分类系统，该系统根据塑料瓶的化学组成和颜色对其进行分类，如图所示。使用近红外光谱反射率来识别瓶子的化学成分，CCD相机结合偏最小二乘判别分析与树分类器来检测瓶子的颜色。结果表明，近红外光谱反射率的平均值和倾角波长可以作为特征对不同化学组成的塑料瓶进行分类，分类的准确率达到了94.14％。该系统首先使用各种预处理技术，然后使用主成分分析法，以便于检测塑料瓶的颜色，同时可以避免与塑料瓶的标签和盖子混合。结果表明，透明塑料瓶和不透明塑料瓶的分类准确率分别为92％和96％，对塑料瓶颜色和化学成分综合的分类准确率为83.48％。

    1.2.2国内光谱识别分类塑料的研究

    近些年来，国内关于光谱技术识别塑料的研究也有了很大的发展。
    郭慧玲等人对常用的塑料快速分类方法做了深入的分析，建立了一套基于近红外光谱技术的数据采集与处理分析软件，分类系统如图所示。首先对原始光谱数据进行预处理，选取特征吸收峰，然后使用全局相关分析、欧氏距离、K-means聚类分析和特征相关分析这四种方法实现了PE、PP、PET和PVC这4种塑料的快速识别分类。结果表明，改进初始聚类中央位置敏感问题后的K-means聚类分析分类效果最好，分类准确率达到了92.1％。

    上海交通大学杨懿设计了一套家电废旧塑料自动分拣系统，并详细论述了进料组件、颜色检测组件、近红外光谱检测组件以及分类装置，分拣系统如图所示。该系统以阵列式InGaAs（铟镓砷）近红外光谱仪和积分球为检测仪器，开发了基于光栅扫描的化学计量学软件系统。该软件部分采用三种算法对原始光谱数据进行预处理，然后使用主成分分析法与马氏距离模式识别法建立数学模型，并对模型的准确性与敏感性进行了验证。结果表明，该套系统对PE、PP、PS、ABS和PVC这6种塑料的识别准确率大于95％，完全可以满足工业现场的要求。

    浙江大学杜婧基于近红外光谱技术设计了一套可以识别分离PVC和PET这2种废旧混合塑料的系统，如图所示。该系统分为终端机、上位机和下位机，而且这三部分之间可以通过串口实现远程通信。终端机保证整个系统的参数设置、数据处理，并将处理结果显示在上位机，将分离指令发送至下位机完成整个识别过程；上位机可以实现人机之间的交互并显示系统的工作参数；下位机检测样本的光谱信息并根据终端机的指令完成分离操作。

    谭曜等人使用傅里叶变换近红外光谱仪检测了PE、PP、PS、PA、PET、PTA、PTT、PBT、PVC、POE、ABS、TPE、EVA和乙烯丙烯酸乙酯共聚物这14种塑料的NIDRS谱图。并使用定性分析和识别软件OPUS/IDENT建立了定性识别模型。结果表明，该模型可以对这14种塑料实现很好地分析与鉴别。
    由此可见，国内外关于近红外光谱识别塑料的研究虽然取得了很大的成果，将近红外光谱技术与多元数据统计分析方法结合起来可以实现对常见塑料的识别分类，但主要还停留在实验室阶段。因此建立快速、可靠、能用于工业化推广的废旧混合塑料识别分类模型对废旧混合塑料的回收再利用具有重要意义。

    2、高光谱塑料分析的原理

    物质的分子振动具有非谐振性，因此分子会从基态向高能态跃迁，而且在能级跃迁过程中，分子中的化学键会产生近红外光谱信息。这些光谱信息主要是物质分子中的某些化学键发生振动时产生的倍频信息与合频信息，它经常受到一些含氢基团（比如C-H，N-H，O-H和S-H）的倍频与合频的多重影响。因此，NIRHIS主要检测的是一些含氢基团振动时产生的倍频与合频吸收信息。
    近红外光谱识别废旧塑料的基本原理是：将近红外光照射在塑料表面，利用塑料吸收光的相对强弱来确定塑料的分子结构。因为不同类别塑料的分子结构各不相同，当其吸收的能量不同时会产生特定的近红外吸收光谱，通过近红外光谱相机检测每一种塑料样本的近红外吸收光谱，然后根据不同塑料的近红外特征吸收峰的宽度、数量、位置和相对强度等特征，即可判断出该塑料样本中有哪些基团，进而确定分子结构，最终识别出该塑料样本的类别。

    3、不同塑料的近红外曲线

    3.1样本和实验仪器准备

    （1）样本种类
    从生活中常见的塑料制品中拆解收集了PE、PP、PS、PC、PA、PU、PET、PVC、POM和ABS这10种塑料样本。
    （3）样本的预处理
    将塑料样本表面的污垢擦除，然后对其表面进行清洗并用砂纸打磨处理，裁剪成50 mm×50 mm大小的均匀块状，分别编号并在室温下进行测量。
    （4）实验仪器与参数
    仪器使用188金宝搏体育博彩 的400-2500nm可见近红外短波红外检测系统，波长范围为1000～2500 nm，光谱分辨率为12 nm，图像分辨率为384×288 pixel，光谱仪帧数为400 fps。采集数据时，光源使用2个200 W的卤钨灯，镜头距样品的高度为30 cm，曝光时间为30 ms，测试平台移动速度为2 cm/s。
    （5）光谱图像的校正
    在进行数据采集时，设置白板，并进行黑白校正。对光谱图像进行黑白校正可以消除光源、背景以及噪声等对样本光谱造成的影响，计算黑白校正后光谱图像的相对反射率R的公式为：
    式中，R为黑白校正后的相对反射率图像；0R为采集到的原始高光谱图像；D为关闭光源并用镜头盖完全盖住光谱相机镜头获得的全黑图像（光谱反射率为0％）；W为同等测量条件下聚四氟乙烯标准白板的高光谱图像（光谱反射率为99％）
    （6）光谱数据的提取
    提取光谱数据时，选择每一个塑料样本上能够代表塑料样本典型特征的感兴趣区域（Region Of Interest，ROI）内的光谱数据，即选定区域内所有像素点反射率数据的平均值。本文中选定的ROI为30×30个像素点。

    3.2 塑料样本的近红外光谱图

    由于黑色样本的吸收率较强，而透明样本的反射率太强，采集的光谱数据起伏太大，不适合数据分析，因此样本主要以白色的塑料为主。






    4、基于高光谱分析的塑料分类方法

    4.1特征波长的选取

    4.1.1主成分分析法选取特征波长

    PCA的目的是消除数据中的冗余信息，将原始数据集映射在一个方向上有最大统计差异的新的向量上。
    PCA计算过程：
    (1) 建立样本矩阵
    对于一个样本集，假设有n个样本（，....,），每一个样本数据均有m个变量（波长），组成n×m的矩阵。

    (2) 去均值，得到标准化矩阵
    (3) 求协方差矩阵
    (4) 根据协方差矩阵求特征值及其对应的特征向量
    样本原始变量的第i个主成分为：

    这里m代表波长，实际对n的维度进行降维
    (5) 选择主成分
    若前k个特征值的累计贡献率能够达到85％以上，就可以认为有k个主成分。
    (6) 计算主成分载荷
    主成分载荷L可以反映出原始变量和主成分之间相关联的程度，载荷越大，说明该原始变量与某个主成分变量的相关性越强。原始变量在各主成分上的载荷为：

    这里应为，表示第i个特征向量的第j行
    (7) 计算主成分得分（贡献率）
    计算结果中每个特征向量都为一个主成分，用单个特征向量对应的特征值除以所有特征值的和，即可得到该主成分的得分。
    可以理解为对n个样品的m个波段光谱数据进行全波段降维，得到n个新的维度，每个维度有一个新的光谱，光谱维度还是m。主成分可理解为：前k个新维度的光谱，包含了原来n个维度光谱的85%的信息。

    4.1.2主成分分析法的应用

    对PE、PP和PET这3种塑料的105个训练集样本的1000-2500nm做PCA计算，每一个主成分与其对应的贡献率作图。

    前4个主成分的累计贡献率达到了98.938％，即前4个主成分解释了原始变量全部信息的98.938％，可以代表原始光谱数据的绝大部分信息。
    将PCA分析结果中前4个主成分对应的载荷系数对波长作图，如图3-2，选取波峰和波谷位置的波长作为特征波长。综合选择1191.43、1275.93、1410.98、1422.23、1450.34、1714.23、1753.48、1792.71、1960.68、2184.21、2329.25 nm这11个特征波长。

    4.1.3偏最小二乘回归法选取特征波长

    【这部分不太理解】
    选择出来的10个特征波长为：1275.93、1281.56、1422.23、1427.85、1596.41、1719.84、1725.45、1731.05、1747.87、1753.48 nm。

    4.2基于Fisher判别分析选择合适的特征波长选择方法

    目的：判断使用哪一种方法计算出的特征波长
    原理：
    训练阶段：通过投影进行降维，把所有带标签的训练数据点投影到一个直线（or低维超平面），使得两类数据点投影后的位置满足，类内离差最小，类间离差最大，即同类样本的投影点尽可能接近，异类样本的投影点尽可能远离。
    测试阶段：把新数据点也投影到同一个低维超平面，根据投影点的位置判断类别。

    4.2.1 主成分分析法选择的特征波长的Fisher判别分析

    对PE、PP和PET这3种塑料的训练集105个样本的11个特征波长1191.43、1275.93、1410.98、1422.23、1450.34、1714.23、1753.48、1792.71、1960.68、2184.21、 2329.25 nm对应的光谱数据进行Fisher判别分析。

    样本有三类，生成两个Fisher判别式。根据判别分析的结果，以判别式函数1的值为横坐标，以判别式函数2的值为纵坐标，绘制105个样本点的二维散点图。


    初始分组案例中的分类准确率达到了100％；在对判别分析中所有的案例进行交叉验证时，交叉验证分组案例中分类准确率也达到100％

    4.2.2偏最小二乘回归法选择的特征波长的Fisher判别分析

    初始判别分析结果与主成分分析法相同，在交叉验证中准确率为99%，低于主成分分析法。

    最终选择PCA作为选择特征波长的方法，对提取的光谱校正数据进行分析处理。

    4.3识别分类模型建立

    比较了两种常用的建立数据模型的方法——距离判别分析法和支持向量机序列最小优化算法

    4.3.1基于距离判别分析法建立识别分类模型

    1.原理：首先设定一个最合适的方向，将高维度向量空间里的数据投影到该方向，降低数据的维度，随后计算出每一类样本在低维度向量空间的新坐标，最终根据待判别样本的观测值与每一类建模样本的质心之间的马氏距离实现判别分类，尽可能让同一类别的样本汇聚起来，不同类别的样本相互远离。
    2.方法：
    （1）两类为例：设有两个总体、，从总体中选取个样本，从总体中选取个样本，每一个样本均有p个指标。
    总体的样本指标均值为：

    总体的样本指标均值为：

    现有一个未知样本X，判别X类别的方法：首先计算样本X与、两类的距离，分别记为D(X,)、D(X,)，然后按照距离最近准则对未知样本进行判别分类，即样本距离哪一类较近则可归为这一类；如果样本和两个类别之间的距离相同，则暂时先不做归类处理。
    （1）两类推广到多类：设有k个总体、...，相应抽出个样本，每一个样本均有p个指标，计算k个总体的样本指标均值和协方差：

    当样本的协方差矩阵相等时，判别式为：

    当样本的协方差矩阵不相等时，判别式为：

    相应的判别准则为：

    3.效果：对主成分分析法选择出的11个特征波长对应的光谱反射率数据进行距离判别分析得到两个判别式函数，判别分析的初始判别分析结果与交叉验证结果见表4-1与表4-2。


    将PE、PP和PET这3种塑料105个样本的11个变量分别代入典型判别式函数，然后以判别式函数1的得分，为横坐标，以判别式函数2的得分为纵坐标，绘制训练集的二维散点图。

    4.3.2基于支持向量机序列最小优化算法建立识别分类模型

    1.原理：找出一条直线，可以将这两类点区分开来。H为分类线，H1和H2分别代表两类样本中与H最接近的且与H平行的直线，两条平行线H1和H2之间的间距则称作分类间隔。

    当样本线性不可分时，即在二维平面上，红色点和绿色点无法通过一条直线隔开，此时的基本思想是升维，在高维寻找一个分类的平面。

    2.方法：计算分类函数，然后用分类函数对位置样本X进行预测分类。
    3.效果：将PE、PP和PET这3种塑料的105个训练集样本进行支持向量机分类模型中分析，并进行多次交叉验证。



    基于距离判别分析法建立的识别分类模型效果相对较好

    4.4识别分类模型的建立与验证

    4.4.1识别分类模型的设计思路


    4.4.2识别分类模型的建立

    使用第三部分建立的10种塑料样本的训练集进行模型的建立，对不同的材料之间做识别分类时，使用的特征波长不一定相同，所以建立了多个识别分类模型，对样本依次进行分类。识别分类模型包括：判别式函数、识别质心和识别半径。
    第一次识别分类，将PS、POM、PET和PVC这4种塑料分离出来，第二次识别分类分出三堆：（PE,PP,PA）,(PC,ABS),PU。第三次识别分类将PE,PP,PA三种塑料区分开，到这里已经分出7种。第四次识别分类将PC,ABS,PU区分开，十种塑料全部分类完成。

    第一次识别分类模型的建立：
    1.PCA选择特征波长：

    选择前五个主成分，累计贡献率为94.551%。然后将各主成分载荷系数与波长作图：

    得到塑料样本的12个特征波长为：1202.70、1253.40、1270.29、1450.34、1719.84、1731.05、1747.87、1770.29、1781.50、1803.92、2195.38、2362.69 nm。
    2.判别分析：
    对405个样本的12个特征波长对应的光谱数据进行距离判别分析，并根据判别分析的结果，得到前两个典型判别式函数为：

    3.识别模型的建立：
    根据两个判别式函数的计算结果作图。

    由判别分析结果可得四种塑料的判别质心：PS质心（19.821，-1.518）、POM质心（0.128，-12.452）、PET质心（-2.471，13.360）、PVC质心（-10.934，-6.822）。 同时以距离质心最远样本的马氏距离为依据，确定识别半径分别为=4.5，=3.5，=3，=4
    由图可知，PS、POM、PET和PVC这4种塑料样本在第一次判别分析时就可以准确识别分类，因此，将对剩余的6种塑料样本进行下一次的识别分类。

    第二次识别分类模型的建立
    1.PCA选择特征波长：
    对PE、PP、PC、PA、PU和ABS这6种塑料的250个样本的光谱数据进行主成分分析，如图。

    选择前六个主成分，累计贡献率为99.357%。然后将各主成分载荷系数与波长作图：

    得到样本的10个特征波长为：1197.06、1275.93、1405.36、1450.34、1725.45、1747.87、1787.11、2195.38、2223.28、2345.97 nm。
    2.判别分析：
    分析得到两个典型判别式函数：

    3.识别模型的建立：
    根据两个判别式函数的计算结果作图。

    将PE、PP和PA计算一个综合识别质心（-3.571， -2.678）。PC和ABS计算一个综合识别质心（1.050,5.123）。PU质心（9.998，-4.684）。识别半径分别为5.4、3.5、4。
    第三次识别分类模型的建立
    1.PCA选择特征波长：
    对第二次判别模型中判别为PE、PP和PA这3种塑料的120个样本的光谱数据进行主成分分析，将每一个主成分与其相应的贡献率作图。

    将得到的前4个主成分对应的载荷系数与波长作图。得到塑料样本的7个特征波长：1247.77、1275.93、1450.34、1596.41、1753.48、1787.11、2329.25 nm。

    2.判别式分析：
    分析得到前两个典型判别式函数：

    3.建立识别模型：
    根据两个判别式函数的计算结果作图。

    到的3种样本的质心分别为：PE质心（-5.238，0.332）、PP质心（3.655，3.524）、PA质心（2.694，-3.457）。 识别半径分别为4、5.4、3.5。
    第四次识别分类模型的建立
    1.PCA选择特征波长：
    对PC、PU、ABS这3中塑料的130个样本的光谱数据进行主成分分析，将每一个主成分与其相应的贡献率作图。

    将得到的前3个主成分对应的载荷系数与波长作图，得到样本的7个特征波长：1197.06、1478.45、1736.66、1960.68、1983.05、2195.38、2256.76 nm。

    2.判别分析：
    对130个样本的7个特征波长对应的光谱数据进行判别分析，得到前两个典型判别式函数：

    3.识别模型的建立：
    根据第四次判别分析的结果绘图。

    得到的判别质心为：PC质心（-4.198，-2.704）、PU质心（9.788，-0.379）、ABS质心（-2.948，3.299）。识别半径分别为2.5、4、3.5。
  • 【关闭本页】 【返回顶部】 【打印此页】 【收藏此页】
Baidu
map