利用激光诱导击穿光谱技术，结合人工智能对电子废弃物中的塑料树脂进行光谱分类，以实现更先进的分类应用

《Review of Materials Research》：AI-enabled spectral classification of plastic resins from E-waste via laser-induced breakdown spectroscopy for advanced sorting applications

本研究提出基于激光诱导击穿光谱（LIBS）与监督机器学习（ML）的电子废弃物塑料分类方法，通过动态测试验证其高效性。采用SVM和神经网络多层感知机（NNMLP）模型，静态LIBS数据分类准确率达92-94%，动态测试达98%以上。实验表明，该方法可有效分离混合树脂及含溴化阻燃剂的ABS等复杂塑料，为循环经济中的规模化回收提供技术支持。

　　塑料废弃物的高效分类是循环经济（Circular Economy, CE）框架下实现可持续回收的关键环节。随着电子电气设备（WEEE）中塑料废弃物的增加，这类材料由于复杂的树脂结构和含有的溴化阻火剂（BFRs）而成为分类和回收的难点。本研究探讨了利用激光诱导击穿光谱（LIBS）结合监督机器学习（Supervised Machine Learning, ML）对不同类型的电子废弃物塑料进行分类，包括混合树脂和含BFR的塑料。研究不仅分析了静态LIBS数据，还进行了动态测试，以模拟实际分类环境，结果显示SVM和神经网络多层感知器（NNMLP）在分类精度上表现最佳，静态数据集上达到92–94 %，在未见数据集上甚至高达96 %。动态测试中精度超过98 %，表明该方法具有高度的稳定性和实用性。这些成果凸显了LIBS-ML系统在可扩展、高精度分类方面的潜力，有助于推动工业回收策略的改进。

### 塑料废弃物的环境挑战

塑料废弃物已成为全球范围内的重大环境问题。尽管各种废物管理技术，如热解、焚烧和溶解，已被开发并用于替代填埋和初级回收，但这些方法仍面临诸多挑战。塑料回收率较低，仅占总塑料废弃物的约9 %，这主要归因于废物分类的不充分和回收成本较高。2021年全球塑料产量达到3.9亿公吨（Mt），而2019年的塑料废弃物总量为3.53亿公吨，其中1.74亿公吨被填埋，0.67亿公吨被焚烧，0.79亿公吨进入环境，仅有0.29亿公吨用于回收。这种低回收率不仅影响资源的再利用，还对环境造成潜在威胁。

在电子废弃物中，塑料尤为复杂。由于不同树脂之间的密度差异较小，传统的机械分类方法难以实现高精度。同时，塑料中常含有各种添加剂，如BFRs，这些物质不仅增加了分类难度，还可能对环境和人体健康产生影响。因此，发展一种高效、准确的分类技术，对于提高塑料回收效率和推动循环经济至关重要。

### 技术方法与数据处理

为了应对这些挑战，本研究采用了LIBS结合机器学习的方法。LIBS技术基于原子发射光谱原理，通过脉冲激光聚焦于样品表面，生成高温微等离子体，从而激发样品中元素的光谱信号。这些信号通过光谱仪采集，用于分析样品的化学成分。相比传统的红外光谱（IR）和拉曼光谱（Raman），LIBS的优势在于其数据采集速度极快，通常在微秒（μs）级别完成，并在几秒内提供结果，远快于常规间接方法。

研究团队采用了一套定制的LIBS系统，包括光收集、发射和聚焦单元，以及集成的光学和机械模块。系统由控制软件和数据采集系统同步，确保数据的准确性和一致性。为提高分类效果，研究还设计了两个数据集：**Dataset 1**通过将每个光谱数据归一化至最大强度，以简化比较；**Dataset 2**则以碳发射线（247 nm）为基准进行归一化，以标准化不同样品之间的比较。

此外，研究还使用了主成分分析（PCA）和K-means聚类算法对光谱数据进行预处理和初步分类。PCA通过降维和转换相关光谱特征为不相关主成分，以最大化方差的解释。K-means聚类则用于将样品分组，以识别不同树脂类别的潜在聚类结构。尽管这些无监督方法在某些树脂类型上表现出良好的分类能力，但对某些高度重叠的类别（如ABS-BFR、PC-ABS和HIPS/PS）仍存在分类困难。这一问题在通过Adjusted Rand Index（ARI）量化评估时得到体现，其值为0.106（Dataset 1）和0.198（Dataset 2），表明K-means聚类与真实类别标签之间存在较大的偏差。

### 机器学习分类器的性能分析

为了提高分类精度，研究团队对八种监督机器学习算法进行了评估，包括随机森林（RF）、K近邻（KNN）、逻辑回归（LR）、神经网络多层感知器（NNMLP）、支持向量机（SVM）、XGBoost、LightGBM和梯度提升决策树（GBDT）。这些算法在不同数据集上的表现差异显著，其中NNMLP和SVM在Dataset 1和Dataset 2上分别达到了96.11 %和96.11 %的验证精度，KNN则在Dataset 1上达到了94 %，在Dataset 2上达到了93.89 %。这些模型在测试数据集和未见数据集上的表现均显示出较高的分类能力，尤其是NNMLP和SVM在未见数据集上的表现尤为突出，分别达到了94 %和96 %的精度。

值得注意的是，提升模型（如LightGBM、XGBoost和GBDT）在未见数据集上的表现明显下降，这可能与这些模型对训练数据的过度拟合有关。过度拟合导致模型在面对新数据时无法有效泛化，进而影响分类精度。相比之下，NNMLP和SVM在未见数据集上的表现更为稳定，表明它们在处理复杂光谱数据方面具有更强的适应性和鲁棒性。

### 实际应用与系统优化

为了将该方法应用于工业环境，研究团队还设计了动态LIBS系统，其中样品通过传送带进入激光照射区域，由自动触发机制启动激光采集。动态测试中，系统能够在0.25秒内完成样品识别，理论上的处理速度为每秒4个样品，即每分钟240个样品。这一速度为工业级塑料分类系统提供了可行的参考。为了进一步提高系统效率，研究团队计划优化样品尺寸和样品之间的间隔，以减少数据采集和分类时间。

此外，研究团队还考虑了将训练好的分类模型与机械分类系统相结合，以实现对塑料样品的实时、自动分类。这不仅有助于提高分类效率，还能减少人为干预，提升整体回收流程的自动化程度。随着数据集的扩展和模型的优化，未来有望实现对更多树脂类型的准确分类，从而推动复杂电子废弃物的高效回收。

### 结论与展望

本研究展示了LIBS与机器学习结合在塑料分类中的巨大潜力。通过使用监督学习算法，研究团队成功地对含BFR的ABS等复杂树脂进行了高精度分类，为塑料回收技术的进一步发展提供了重要参考。未来，随着动态LIBS系统和机械分类技术的进一步整合，这种技术有望在工业环境中实现广泛应用，推动塑料回收率的提升，助力实现循环经济目标。

研究还强调了在实际应用中，选择合适的归一化方法和分类模型对系统性能的重要性。例如，对于Dataset 1，NNMLP和KNN表现出更好的分类能力，而Dataset 2中，SVM和KNN则更具优势。这些发现为后续研究提供了方向，即根据不同的数据特征和分类需求，选择最合适的算法和数据处理方法。

总体而言，本研究为塑料废弃物分类提供了一种高效、精准的解决方案，为工业回收系统的设计和优化提供了理论支持和技术路径。随着技术的不断完善和应用的拓展，LIBS-ML系统有望在塑料回收领域发挥更大的作用，为实现可持续发展和资源循环利用提供坚实的技术基础。