光谱学与机器学习相结合，实现可回收物的自动分类
发布时间：2023-08-04 00:00:00 阅读数： 113
2023年8月3日--合肥工业大学的研究人员展示了利用激光诱导击穿光谱（LIBS）对可回收垃圾进行实时自动识别、分类和细分的技术。资源再利用应用使研究人员能够根据材料成分将样本识别和分类为六个消费者级别的类别：纸张、塑料、玻璃、金属、纺织品和木材。
这种检测方法有望成为环境保护和废物管理领域的一种解决方案，因为改进可回收废物的识别和自动分类解决方案对于环境的可持续发展至关重要。
为了最大限度地重复利用材料，必须根据废品的材料特性对其进行处理。根据物理特性或使用基于图像的技术对废物进行识别和分类的现有方法可能不准确、不可靠。目前用于识别和分类废物的光谱方法必须提前处理检测到的样品，这就排除了自动实时检测的可能性。
研究人员将 LIBS 技术与液滴维度算法和机器学习算法相结合。除了根据发射光谱检测样品的元素组成外，LIBS 还不受周围环境和光线的影响，也不受样品形状和颜色的影响。此外，该技术不需要对样品进行预处理。
研究人员收集了 80 个可回收废物样本的光谱，利用 LIBS 进行了初步的识别和分类。接下来，他们利用 LIBS 对金属和塑料进行了分类，以便在回收工厂一级进行再利用。金属被细分为铁、不锈钢、铜和铝。塑料被细分为六个子类别。
由于 LIBS 光谱数据维度高、冗余信息量大，研究人员采用主成分分析和线性判别分析对采集到的全光谱数据进行降维处理。他们将降维光谱输入随机森林和反向传播神经网络（BPNN）机器学习模型，用于训练模型和预测结果。
在研究人员探索的模型中，确定了分类可回收垃圾的最佳模型以及细分金属和塑料的最有效模型。他们对可回收垃圾分类的准确率达到了 100%。他们对金属进行子分类的准确率为 98.77%，对塑料进行子分类的准确率为 99.52%。
可回收垃圾的识别和分类系统。杨磊提供。
研究人员计划在研究中增加垃圾样本的数量，并将厨房垃圾等其他形式的垃圾纳入调查范围。他们还希望利用 LIBS 扩大对透明玻璃检测的科学理解，从而为回收和废物管理开辟新的途径。
该研究发表在《AIP Advances》（www.doi.org/10.1063/5.0149329）上。
