基于近红外高光谱成像技术的高密度聚乙烯降解检测及其在塑料回收质量控制中的应用

本研究针对回收塑料质量受降解影响的关键问题，通过近红外高光谱成像（NIR-HSI）结合多变量数据分析，实现了高密度聚乙烯（HDPE）降解程度的精准分类。研究人员采用紫外辐射和二氧化氯溶液加速老化模拟自然降解，结合傅里叶变换红外光谱（FTIR）和拉伸测试建立降解评估体系，最终通过机器学习算法实现分类准确率超90%。该技术为塑料回收流中降解材料的自动化分选提供了新方案，对提升再生塑料品质具有重要意义。

　　

塑料污染治理是当前全球环境领域的重大挑战，其中聚乙烯（PE）作为包装材料的主力军，其回收质量直接影响循环经济成效。然而，回收PE性能普遍逊于原生塑料，而降解是导致这一问题的核心因素之一——从使用阶段到废弃后的户外暴露，紫外线、化学物质和热机械应力等会引发PE分子链断裂（chain scission）、交联（crosslinking）等不可逆损伤。更棘手的是，降解材料混入回收流会像"劣币驱逐良币"般降低整体质量，甚至加速二次加工时的性能劣化。传统解决方案依赖添加稳定剂，但这治标不治本。如何像"智能分拣员"般在回收前端精准剔除严重降解的PE，成为突破行业瓶颈的关键。

针对这一难题，来自奥地利的研究团队在《Waste Management》发表创新研究。他们独辟蹊径地将实验室老化模拟与工业级分选技术结合：一方面通过紫外辐射（UV）和二氧化氯（ClO₂
）溶液两种方式加速HDPE老化，构建涵盖不同降解状态的样本库；另一方面采用近红外高光谱成像（NIR-HSI）这一已在工业分选线应用的技术采集光谱数据。通过傅里叶变换红外光谱（FTIR）和拉伸测试（重点监测断裂伸长率strain at break这一敏感指标）定量表征降解程度后，创新性地以力学性能为基准定义"通过/淘汰"分类标准，最终利用主成分分析（PCA）、随机森林（RF）等算法建立降解预测模型。

关键技术方法包括：1）采用紫外老化箱（340 nm，0.8 W/m²
）和55°C二氧化氯溶液（1 ppm）加速老化；2）通过FTIR-ATR光谱（650-4000 cm^-1
）和Zwick Z001拉伸试验机（ISO 527标准）评估化学结构与力学性能变化；3）EVK HELIOS NIR G2-320高光谱相机（900-1700 nm）采集光谱数据；4）应用标准正态变量变换（SNV）和Savitzky-Golay一阶导数预处理光谱；5）采用Python构建PLS-DA、RF和SVM分类模型，并通过GroupShuffleSplit实现样本级验证。

【实验结果】

1. 基础表征：
   FTIR显示UV老化样品在1715 cm^-1
   处出现羰基峰，ClO₂
   处理组则在1600 cm^-1
   先显现酚类添加剂氧化特征。拉伸测试揭示断裂伸长率对降解最敏感：UV组150小时即下降80%，早于FTIR显著变化；而ClO₂
   组191小时后出现断崖式下跌，与1715 cm^-1
   羰基峰增强同步。这证实力学性能是比化学指标更早的"预警信号"。

2. 分类模型：
   PCA在三维散点图中清晰呈现从新鲜样品到降解样品的梯度分布。尽管两种老化机制不同（UV组光谱强度递减，ClO₂
   组出现新特征峰），但合并数据集仍实现优异分类：SVM模型在样本级别的F1分数达0.97。特别值得注意的是，基于主成分（PCs）的模型表现更优，说明光谱变化主要源自分子振动模式的系统性改变。

3. 模型优化：
   网格搜索（GridSearchCV）显示RF模型对参数最敏感，最佳n_estimators=200时样本级准确率提升至0.94。而PLS-DA仅需2个主成分即可保持0.91的F1分数，证明化学降解信息高度集中于特定光谱区间。

【结论与展望】
该研究首次将力学性能阈值引入NIR-HSI分类标准，突破了过去仅依赖老化时间或来源的局限。样本级分类准确率超90%的成果，证实工业分选线完全可能实时识别"问题塑料"。更可贵的是，模型对异质老化机制展现强鲁棒性——这对处理成分复杂的真实回收流至关重要。

研究者同时指出当前局限：薄片状单一种类HDPE的结论需扩展至不同厚度、形态的PE废弃物验证。未来若能将模型集成至现有分选系统，配合自动喷气装置，可望实现回收产线"边检测边分选"的智能化升级。正如团队强调的，这项技术不仅提升机械回收品质，更能为化学回收精准输送适宜原料，实现塑料全生命周期的"精确医疗"式管理。从实验室到产业化的最后一公里，或许只差一个跨学科协作的契机。