使用超光谱传感和机器学习算法检测和分类塑料
Monica Moroni1, Marco Balsi2, Soufyane Bouchelaghem2
1DICEA - Sapienza University of Rome, via Eudossiana 18, 00184 Rome, Italy.
超光谱成像和机器学习有效地检测回收塑料废物. 这种方法在实验室和现实环境中提供了强大的性能,有助于废物管理和垃圾检测.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 有效的塑料废物管理对于环境可持续性至关重要.
- 目前的检测和分类方法需要改进,以提高回收效率.
- 塑料垃圾对环境构成重大挑战,需要先进的检测技术.
研究的目的:
- 调查超光谱成像 (900-1700nm) 和机器学习在塑料废物检测和分类方面的有效性.
- 评估各种机器学习算法的性能,以对常见的聚合物进行分类.
- 评估这些技术对回收工厂分类和对塑料垃圾的空中遥感的适用性.
主要方法:
- 在900-1700nm范围内利用过光谱成像.
- 采用机器学习算法,包括最小冗余最大相关性 (mRMR),主要组件分析 (PCA),线性差异分析 (LDA) 和k-最近邻居 (k-NN).
- 在室内实验室和室外自然照明条件下进行实验,使用原始聚合物和收集的塑料垃圾.
主要成果:
- 在所有测试场景中,mRMR和LDA的组合显示出卓越的性能和处理效率.
- 高马修相关系数 (MCC) 值 (>0.94) 在室内和室外环境中实现.
- 在室内训练的分类器成功应用于室外数据 (MCC>0.90),现实的塑料垃圾检测产生了可变但往往高的MCC分数 (0.48-0.96).
结论:
- 超光谱成像与mRMR-LDA机器学习相结合,为塑料废物检测和分类提供了有效和高效的解决方案.
- 开发的方法显示出对回收设施的实际应用和对环境塑料污染的遥感有希望.
- 该方法是稳固的,需要最小的校准,并证明在不同照明条件之间成功的可转换性.
更多相关视频
05:31Sampling, Sorting, and Characterizing Microplastics in Aquatic Environments with High Suspended Sediment Loads and Large Floating Debris
Published on: July 28, 2018
00:07Excitation-Scanning Hyperspectral Imaging Microscopy to Efficiently Discriminate Fluorescence Signals
Published on: August 22, 2019
相关概念视频
Gas Chromatography: Types of Detectors-II
High-Performance Liquid Chromatography: Types of Detectors
Classification and Mechanical Properties of Synthetic Polymers
Methods of Classification and Identification
Bioplastics
Microbial Bioremediation of Plastics
