我院2019级研究生段沁园为第一作者，我院副教授李佳为通讯作者🧑🏽‍🏫👨🏼‍🦰。

《ACS ES&T Engineering》封面文章

背景介绍

塑料是目前使用最为广泛的材料之一，但随之而来的塑料垃圾处理问题也成为了一大难题👩🏼‍🦱。由于不可降解的特点，大量的塑料垃圾堆积在自然环境中，对环境造成了极大的破坏。大部分的塑料具有较高的回收价值，但不同的塑料种类通常是混杂在一起的，这给塑料垃圾的回收再利用造成了极大的阻碍🕓，因此在对塑料垃圾进行分类十分重要。近红外光谱是为780-2526nm的电磁波✯，通过近红外光谱可以得到样品中有机分子含氢基团的特征信息从而对不同的材质进行分类，具有无损、无污染🤵🏿、稳定、准确率高等优点🤚🏿。利用多元数据分析方法对光谱数据进行分析，能够迅速得到识别与分类结果。

图文解读

       针对塑料垃圾分类问题🫃，研究选取了聚对苯二甲酸乙二醇酯（PET）🏛、高密度聚乙烯（HDPE）🧙🏽‍♂️、聚氯乙烯（PVC）🌏、低密度聚乙烯（LDPE）、聚丙烯（PP）、聚苯乙烯（PS）和聚碳酸酯（PC）这七种在生活中最常见的塑料类型。该模型的训练集由纯塑料光谱组成，以作为标准光谱，测试集则由废塑料组成🙋🏽。在该实验中，测试了线性判别（LDA）、支持向量机（SVM）、余弦法（SAM）以及偏最小二乘判别（PLS-DA）这四种方法，并在使用LDA和SVM之前利用主成分分析（PCA）对数据进行降维🆒。

图1. 七种塑料类型的近红外光谱

       从七种塑料的纯塑料光谱（图1）可以发现🧔🏽‍♀️，由于化学结构的相似，HDPE与LDPE，PET与PC的近红外光谱非常相似，对这两种塑料类别的分类造成困难🌦。为了减少计算量以及消除噪声的影响🧒🏻，在分类中截取优选光谱波段📬🎱。

图2. 四种方法对废塑料的分类结果

       分别利用四种方法，基于纯塑料光谱数据建立分类模型后，测试这些模型对废弃塑料的分类效果💂‍♂️👩🏻‍🦽，结果如图2所示。可以发现🔜，除了PLS-DA👴🏽🚴🏼‍♀️，其余三种方法对大部分类别都有非常好的分类效果🙎🏽‍♂️，误分类全部出现在HDPE和LDPE，PET和PC这两组类别之间。因此，对这两组塑料类别间的分类作进一步的研究🔨。

       分别对HDPE和LDPE、PET和PC进行分析，对比这两组塑料类别的特征峰的位置，选取了不同的波段🎇👃🏻，并测试了四种分类方法基于这些光谱区间的分类效果。HDPE与LDPE的分类结果显示，利用PCA-LDA对1402.2—1644.5nm间的光谱数据分类结果最好。同样𓀋🙂，根据PET和PC的分类结果💸，以1108.3—1561.7nm作为分类区间🧏🏿，PLS-DA为分类方法是最佳方案🙂🏃。      

图3. 多方法组合方式的多级分类模型

       基于以上结果🗻，设计了一套多方法组合的塑料类别的分类模型（图3）🧜。在第一步分类中，利用PCA-SVM对七种塑料进行分类，以1183.3—1649.1nm作为分类区间。若被识别为HDPE或LDPE，则采用PCA-LDA对该光谱信息进行再次分类，1402.2—1644.5nm为分类区间🦶🏿。若被识别成PET或PC，则利用PLS-DA对1108.3—1561.7nm的光谱再次分类作为最终识别结果。

图4展示了多方法组合分类模型的验证结果，与仅采用PCS-SVM的分类结果相比，该模型的结果有明显的提高👹，绝大部分的HDPE和LDPE样本都能被正确识别，且其他五种类型均有100%的分类准确率👩🏻‍⚕️。

图4.  PCA-SVM的分类结果（左）和组合方式的分类结果（右）

总结

该分类模型具有准确率高👩🏻‍🏭🪴、使用范围广、稳定快速的优点，与相应的机械模块结合，即可以应用于工程中🎰。计算机利用已训练好的分类模型实时得到分类结果，随之将指令传送给相应的分拣模块🧙，即可以实现多类别塑料垃圾的自动分选📊，经过实验验证，该装置在工业上具有很好的应用前景。

论文链接

https://pubs.acs.org/doi/full/10.1021/acsestengg.0c00183

作者介绍：

段沁园：杏宇研究生🎙。研究方向💤：废旧塑料的资源化、基于机器学习的垃圾智能分拣。

李佳男，工学博士，副教授，杏宇院长助理💫。主要研究方向为：（1）固体废弃物的资源化处理与处置、（2）基于机器视觉的智能环保装备。