Aprendizaje profundo multitarea se une a la imagen hiperespectral: un marco de modelado unificado para la...

Área de la Ciencia:

• Ciencia de los materiales
• Espectroscopía
• Inteligencia artificial

Sus antecedentes:

• El reciclaje eficiente de equipos eléctricos y electrónicos de desecho (RAEE) requiere una identificación rápida de plásticos y una cuantificación de aditivos.
• Los métodos actuales de tarea única tienen dificultades con el análisis de datos espectrales de alta dimensionalidad para plásticos de RAEE.

Objetivo del estudio:

• Desarrollar un marco integrado para la clasificación simultánea de polímeros, la identificación de retardantes de llama y la cuantificación de la carga.
• Mejorar el análisis de datos de imágenes hiperespectrales para aplicaciones de reciclaje de RAEE.

Principales métodos:

• Una red neuronal convolucional multitarea (CNN) que integra aprendizaje compartido y específico de la tarea con fusión inter-tarea y atención.
• Se utilizaron datos de imágenes hiperespectrales de infrarrojo cercano (NIR) e infrarrojo de onda media (MWIR) de plásticos de RAEE (ABS, HIPS, PP) con cuatro retardantes de llama en cargas variables (1-30%).

Principales resultados:

• El modelo multitarea propuesto mejoró significativamente la precisión de clasificación del sustrato polimérico y el tipo de retardante de llama en un 7-10% en comparación con los modelos de tarea única.
• Se logró un aumento notable en la puntuación R² para la regresión de la carga de retardante de llama (0.04-0.071).
• Se observaron ganancias de rendimiento comparables tanto para datos hiperespectrales NIR como MWIR.

Conclusiones:

• El marco multitarea ofrece una solución robusta para el reconocimiento y la clasificación inteligentes de plásticos de RAEE.
• El modelo desarrollado proporciona una base teórica y técnica sólida para aplicaciones avanzadas de detección espectral en monitoreo ambiental y gestión de residuos.