使用高光谱成像和机器学习检测柔性聚烯包装废物中的污染物
Giuseppe Bonifazi1, Giuseppe Capobianco1, Paola Cucuzza1
1Department of Chemical Engineering, Materials & Environment (DICMA), Sapienza University of Rome, Via Eudossiana 18, 00184 Rome, Italy.
Waste management (New York, N.Y.)
|February 11, 2025
概括
这项研究使用高光谱成像 (HSI) 和机器学习自动分类柔性塑料包装 (FPP) 废物. 开发的方法有效地从污染物中识别聚烯 (PP),提高回收效率和材料回收.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 计算机科学 计算机科学
背景情况:
- 柔性塑料包装 (FPP) 是塑料垃圾的主要组成部分,在回收设施中提出了重大分类和质量控制挑战.
- 在FPP废物流中准确识别和分离不同类型的塑料对于有效的回收和资源回收至关重要.
研究的目的:
- 开发和验证基于高光谱成像 (HSI) 的分类程序,结合机器学习,用于在聚烯 (PP) 废弃物 (FPPW) 流中自动检测聚烯 (PP) 污染物.
- 评估开发的模型在分类准确性,材料回收和PP回收等级改进方面的性能.
主要方法:
- 获取短波红外 (SWIR) 范围 (1000-2500 nm) 的超光谱图像,用于含有 PP 和各种污染物的代表性 FPPW 样本.
- 使用各种算法预处理光谱数据,然后进行主要组件分析 (PCA) 进行探索性分析.
- 应用基于部分最小平方差异分析 (Hi-PLS-DA) 的等级分类模型,以区分PP与聚乙烯,聚,和多层薄膜等污染物.
主要成果:
- 基于HSI的Hi-PLS-DA模型实现了87.5%的分类准确度,正确识别了168个片中的147个片,通过富里埃变换红外光谱 (FT-IR) 验证.
- 预计该模型将实现PP回收率为98.2%的重量,等级为94.4%的重量,这与最初的77.2%等级相比是显著的改善.
- 观察到细微的分类错误的丝和多层片,表明潜在的模型改进的领域.
结论:
- 高光谱成像与Hi-PLS-DA相结合,提供了一种有效和自动化的解决方案,用于对柔性塑料包装废弃物 (FPPW) 的分类和质量控制.
- 开发的方法显著提高了聚烯 (PP) 在回收流中的纯度和回收率,为更可持续的塑料废物管理做出了贡献.
- 可能需要进一步优化,以应对特定的FPPW形态学,如纤维和多层结构的分类挑战.
