多任务深度学习与超频谱成像相结合:用于WEEE塑料识别和阻燃剂量化的统一建模框架.
Huihuang Zou1, Pinjing He2, Fan Lü2
1Institute of Waste Treatment & Reclamation, College of Environmental Science and Engineering, Tongji University, Shanghai 200092, China.
Journal of hazardous materials
|December 17, 2025
概括
一个新的多任务深度学习框架可以同时识别塑料和定量阻燃剂,以利用超频谱成像来有效回收废电气和电子设备 (WEEE).
科学领域:
- 材料科学 材料科学 材料科学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 废弃电气和电子设备 (WEEE) 的有效回收需要快速的塑料识别和添加剂量化.
- 目前的单一任务方法在WEEE塑料的高维光谱数据分析方面遇到了困难.
研究的目的:
- 开发一个综合框架,同时进行聚合物分类,阻燃剂识别和负载量化.
- 增强用于WEEE回收应用的高光谱成像数据的分析.
主要方法:
- 一个多任务卷积神经网络 (CNN),将共享和特定任务的学习与跨任务的融合和注意力结合起来.
- 利用近红外 (NIR) 和中波红外 (MWIR) 超光谱成像数据,对电子设备废弃物塑料 (ABS,HIPS,PP) 用四种阻燃剂在不同负载下 (1-30%) 进行成像.
主要成果:
- 与单一任务模型相比,拟议的多任务模型显著提高了7-10%的聚合物基板和阻燃剂类型分类准确性.
- 在阻燃剂负荷回归的R2得分显著增加 (0.04-0.071).
- 在NIR和MWIR超频谱数据中观察到可比的性能增长.
结论:
- 多任务框架为智能WEEE塑料识别和分类提供了强大的解决方案.
- 开发的模型为环境监测和废物管理中的先进光谱传感应用提供了坚实的理论和技术基础.
