基于三次样条插值的近红外与激光诱导击穿光谱融合技术提升塑料分类准确率

《Talanta》：Fusion of NIR and LIBS Spectra via Interpolation for Plastic Classification

本文针对塑料分类中近红外（NIR）与激光诱导击穿光谱（LIBS）数据尺度不匹配的难题，创新性地采用三次样条插值算法实现光谱数据融合。通过低层/中层融合策略结合LSTM、CNN等深度学习模型，构建了按材质与颜色双维度分类的智能系统，最终将分类准确率提升至99.2%。该研究为废弃塑料资源化处理提供了高精度技术方案，对实现"双碳"目标具有重要实践意义。

　　

^?重点发现^?

本研究检测的废弃塑料常用聚合物包括高密度聚乙烯（HDPE，东莞市胜利橡塑材料有限公司）、低密度聚乙烯（LDPE，东莞市胜利橡塑材料有限公司）、聚酰胺（PA，深圳市嘉荣塑料制品有限公司）等九类材料。所有样品均切割为15mm×15mm×2mm规格，经无水乙醇超声清洗后自然晾干备用。

光谱数据预处理

针对LIBS光谱受仪器暗电流和环境影响产生的基线漂移与噪声问题，采用埃尔米特基线校正结合萨维茨基-戈雷（Savitzky-Golay, SG）平滑法进行优化。通过网格搜索确定SG平滑最佳参数为多项式阶数3、窗口长度9，在保留特征峰形的同时有效抑制随机噪声（图4-5）。NIR光谱则经过标准正态变量变换（SNV）消除散射干扰，并通过多元散射校正（MSC）提升信噪比（图6-7）。

废弃塑料的LIBS与NIR光谱特征

LIBS光谱多次采集时存在明显波动（图8a），不同塑料谱带相似且强度差异微小（图8b），需借助C₂、CN分子谱带等二级特征进行区分（图9）。NIR光谱中黑色塑料因强烈吸光导致信号微弱（图10a），而非黑色塑料在1150-1250nm等波段呈现显著差异（图10b），为颜色分类提供依据。

分类模型构建

基于塑料颜色与材质的双重分类策略：先通过NIR识别黑色塑料，非黑色塑料采用四种融合方案（图11）。中层融合结合变量重要性投影（VIP）与变量重要性（VI）特征筛选，通过LSTM-CNN混合架构实现多模态特征提取（图13）。五折交叉验证表明，基于插值的中层融合模型准确率达99.2%（表3），较单模态LIBS/NIR模型提升19.29%和4.76%。

结论

LIBS与NIR光谱分别提供原子/分子层级互补信息。本研究通过三次样条插值解决数据尺度失配问题，构建的双重分类系统有效突破黑色塑料识别瓶颈，为复杂组分塑料回收提供高精度解决方案。