低成本识别塑料废物使用深度学习和多光谱近红外传感器

科学领域:

• 材料科学 材料科学 材料科学
• 计算机科学 计算机科学
• 环境科学 环境科学

背景情况:

• 准确的塑料识别对于有效的回收和废物管理至关重要.
• 目前的方法可能很昂贵或无法广泛使用.
• 开发低成本,便携式解决方案对于推进可持续实践至关重要.

研究的目的:

• 通过低成本的光谱传感器和机器学习,提出一种用于塑料识别的新方法.
• 验证各种机器学习算法的有效性,以对常见的家用塑料进行分类.
• 为了证明这项技术在便宜和便携式塑料识别方面的潜力.

主要方法:

• 使用了一种测量18波长 (可见到近红外) 的多光谱传感器.
• 采用了十种机器学习算法,包括卷积神经网络 (CNN) 和多层感知器 (MLP).
• 收集和分析了六种塑料类型的数据:PET,HDPE,PVC,LDPE,PP和PS家庭废物.

主要成果:

• 在塑料识别方面,CNN的平均精度为72.50%,MLP的平均精度为70.25%.
• 聚钢 (PS) 的最高准确率为83.5%,聚乙烯二甲 (PET) 的最低准确率为66%.
• 开发的管道展示了有效的塑料识别能力.

结论:

• 低成本的近红外光谱与机器学习相结合,为塑料识别提供了有效的解决方案.
• 这种方法是负担得起的,便携式的,并有助于可持续的系统.
• 潜在的应用范围包括农业,电子废物回收利用,医疗保健和制造业.