近红外光谱选择性波段在消费后包装废塑料低成本检测中的应用研究

这篇研究创新性地提出基于近红外光谱（NIR）选择性波段的废塑料分拣方法，通过主成分分析（PCA）结合k近邻（kNN）算法或凸包法，将传统高成本的高光谱成像（HSI）技术简化为仅需6-7个特征波长区域的数据缩减模型，对HDPE、LDPE、PET、PP和PS的识别准确率达94-100%，为废塑料回收提供了硬件成本低至数百美元的可落地解决方案。

　　

引言

全球塑料回收率仅8.9%，德国轻质包装废塑料回收率为52.3%，提升空间巨大。当前近红外（NIR）光谱和高光谱成像（HSI）技术虽能识别塑料，但存在数据量大、硬件昂贵（HSI设备成本1.5-5万美元）等问题。本研究旨在开发基于选择性NIR波段的数据缩减方法，通过特征波长区域积分和机器学习算法，实现低成本、高精度的塑料分拣。

实验方法

材料选择：选用消费后废塑料中占比最高的五种聚合物——高密度聚乙烯（HDPE）、低密度聚乙烯（LDPE）、聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）和聚苯乙烯（PS）。通过注塑成型板材（HSI数据）和真实废品（NIR数据）构建双数据集。

数据采集：

• HSI数据：使用HySpex SWIR-640相机（960-2500 nm）采集注塑板材光谱，单图像含数百像素光谱。
• NIR数据：Bruker Vector 22/N光谱仪（800-1700 nm）记录废品反射谱，按材料类型划分训练集（75%）与测试集（25%）。

特征波长筛选：

1. 手动筛选：基于C-H键振动特征峰（如PS芳香环1140 nm、PP甲基链1150-1220 nm），初选6-7个波段（如1140、1215、1395 nm），带宽10 nm。
2. 自动化筛选：通过PCA提取前3个主成分（累计方差94%），自动锁定高方差波长（如1150、1216 nm），避免主观偏差。

模型构建：

• 数据转换：计算各波段光谱积分值，形成降维曲线。
• 机器学习：
  • kNN算法：以3近邻欧氏距离分类，准确率94.29%（LDPE与HDPE易混淆）。
  • 凸包法：通过Delaunay三角剖分构建材料包络，设置容差（PS 0.3，其他0.15），准确率100%。

结果验证

HSI数据：手动筛选6波段（1140-1693 nm）的模型对注塑板材识别率达100%，但存在过拟合风险。
真实废品数据：

• 7波段（1015-1647 nm）kNN模型准确率94.29%，LDPE误判率33.3%（因光谱接近HDPE）。
• 凸包法同波段下准确率100%，显著改善误判。
• 参数优化：自动筛选的4波段组合（1150、1176、1196、1216 nm）在蒙特卡洛交叉验证中中位准确率95.24%，硬件成本仅数百美元。

讨论与展望

技术优势：

• 数据量较HSI减少90%以上，适合微控制器部署。
• 波段选择与PCA结合提升算法鲁棒性，如PS在第三主成分显著分离。

应用挑战：

• 实际废品存在污染、深色塑料干扰反射信号，需优化反射谱质量。
• 建议与RGB摄像头联用，增强光学相似材料的鉴别能力。

未来方向：

• 扩展数据集覆盖更多塑料类型（如PVC、PLA）。
• 探索支持向量机（SVM）等复杂算法在有限数据下的性能。

结论

该研究证实选择性NIR波段结合PCA和凸包法可低成本实现废塑料高精度分拣，为工业级回收设备开发奠定基础。下一步需推动硬件原型验证及标准化接口设计，加速技术落地。

（注：全文严格依据原文实验数据与结论，未添加非文献支持内容）