《Resources, Conservation & Recycling Advances》：Performance Analysis of Reduced-Specification Visible-Near-Infrared Spectroscopy for Municipal Solid-Waste Classification
编辑推荐：
近红外（NIR）光谱因具备快速、准确和无损能力，在回收设施中用于材料分类日益突出。然而，商用NIR光谱仪的高成本——主要源于其宽光谱范围和高分辨率——限制了其广泛应用，尤其是在较小规模的分散式废物分选站。本研究考察了降范围、较低分辨率的可见-近红外（VIS-N
近红外（NIR）光谱因具备快速、准确和无损能力，在回收设施中用于材料分类日益突出。然而，商用NIR光谱仪的高成本——主要源于其宽光谱范围和高分辨率——限制了其广泛应用，尤其是在较小规模的分散式废物分选站。本研究考察了降范围、较低分辨率的可见-近红外（VIS-NIR）光谱数据用于准确废物分类的可行性。研究人员通过采集11类代表性城市固体废物（MSW）样品的光谱，构建了包含660条VIS-NIR光谱（500–2500 nm）的数据集。利用该数据集，研究人员通过系统降低波长范围和分辨率来模拟光谱退化。研究人员在全规格和降规格光谱上训练混合卷积神经网络-支持向量机（CNN-SVM）模型，以评估其对分类性能的影响。结果表明，在所研究的数据集上，经优化选择的约150 nm光谱窗口足以达到与使用全光谱范围相当的分类性能（平均交叉验证准确率为98.43 ± 0.79%）。总体而言，这些发现证明了降低光谱需求以实现更简单且可能更低成本NIR系统的潜力。
研究背景与问题。全球废物管理直接成本在2020年估计为2520亿美元，计入污染、健康不良和气候变化相关隐性成本后每年增至3610亿美元。传统废物管理实践还导致塑料污染进入陆地环境约13–25百万吨/年，并泄漏入海洋约9–23百万吨/年。线性向循环废物管理系统转型被广泛认为可降低环境影响和长期经济成本，但向各自回收设施提供清洁且均质材料是可行转化的前提，而散装分选长期是挑战。当前回收行业散装分选的最先进方法依赖集中式材料回收设施（MRF，Material Recovery Facilities），用近红外（NIR，near-infrared）光谱在传送带上分类，随后气动吹风或机械臂分流。集中式MRF效率高，但资本投资大，并依赖将混合废物运输至集中处理设施，增加运营成本和物流复杂性。为应对这些挑战，物联网（IoT，internet-of-things）支持的智能箱和反向自动售货机（RVM，Reverse Vending Machines）被部署以实现源头分类。然而，作为分散式方案中先进方法的计算机视觉仍易产生高假阳性，尤其区分视觉相似材料如聚酯与棉时。因此当前智能箱和RVM仅针对有限可回收物，如PET瓶和铝罐，仅占循环中可回收物一小部分。NIR光谱广泛用于分散式废物分选的障碍是商用光谱仪成本与复杂性，主要源于宽光谱覆盖（约900–2500 nm）和高光谱分辨率（通常1–5 nm），这些要求原本用于实验室级分析，常超出应用特定分类需求。虽然已有研究证明降规格NIR用于废物分类可行，但主要关注塑料废物；对于光谱特征不如塑料明显的更广泛MSW子类，降规格NIR设备是否足够仍未知。微机电系统（MEMS，microelectromechanical）基NIR光谱仪降低尺寸和成本，但其光谱范围与分辨率多由硬件设计约束决定，而非系统评估准确分类所需的最低光谱要求。因此，可靠分类多样MSW子类所需的最低光谱范围和分辨率仍未定义。研究人员因此系统评估11类代表性MSW子类的光谱范围、光谱分辨率与分类性能之间的权衡，使用660条VIS-NIR光谱和CNN-SVM分类框架，确定维持高分类性能所需最低光谱要求，并以图像识别为基准比较降规格NIR性能。作者指出，据其所知，这是首次使用真实消费后废物样品对11类代表性MSW子类进行光谱范围和分辨率需求的系统评估。意义在于为更简单、潜在低成本的NIR系统提供设计依据，支持分散式回收和循环经济转型。
主要关键技术方法。样本队列来源于阿联酋32个地点的Cycled Smart Recycling Stations，历时11个月，涉及6,106名用户、230,688次投放和1,846,928件废物。研究人员选取11类代表性MSW子类，每类60个独立样品，共660条VIS-NIR光谱，在500–2500 nm、5 nm分辨率下采集；每类50个用于开发，10个独立测试。采用学习曲线确定样本量。预处理包括Savitzky–Golay一阶导数、z-score标准化和训练集数据增强。分类框架为CNN-SVM，并与偏最小二乘判别分析（PLS-DA，Partial Least Squares Discriminant Analysis）、主成分分析-支持向量机（PCA-SVM，Principal Component Analysis–Support Vector Machine）、径向基函数支持向量机（RBF-SVM，radial basis function Support Vector Machine）和一维卷积神经网络（1D-CNN，one-dimensional Convolutional Neural Network）比较。通过高斯卷积与重采样模拟10–30 nm FWHM分辨率，滑动窗口为50–500 nm、步长25 nm；图像识别采用YOLOv8。
研究结果。3.1 废物材料的光谱表征与特征分析。通过采集11类MSW的VIS-NIR反射光谱，并计算半深度全宽（FWHD，Full Width at Half Depth）和吸收特征突出度（dip prominence），研究人员发现光谱差异尤其在NIR区（>1000 nm）明显，分子振动倍频与合频提供化学信息；可见区（<800 nm）分子振动信息较少，更受颜色、光泽和表面纹理影响。聚对苯二甲酸乙二醇酯（PET，polyethylene terephthalate）在约1400 nm、1730 nm和2340 nm有突出吸收，源于酯相关振动（C=O伸缩和O–H弯曲）的倍频与合频。低密度聚乙烯（LDPE，low-density polyethylene）和高密度聚乙烯（HDPE，high-density polyethylene）光谱较平滑，与其较简单烃组成一致。聚丙烯（PP，polypropylene）在约1198 nm有CH
3不对称伸缩相关吸收。纸板和打印纸谱形相似，因共享纤维素和木质素。棉在NIR的特征主要与纤维素中O–H和C–H吸收有关，聚酯谱形较平坦且吸收主要在1500 nm前。金属如锡和铝高反射且少或无分子吸收，玻璃呈近均匀低反射。FWHD分析显示PET在约1400 nm吸收较宽，HDPE和PP同波长吸收较窄，LDPE在1400 nm无显著吸收；纸板与打印纸FWHD几乎相同；棉和聚酯在1500 nm后FWHD明显分化；金属FWHD变异性高。结论是FWHD单独不足以区分化学组成相近材料，需与dip prominence互补解释。
3.2 机器学习分类与光谱范围优化。通过全范围CNN-SVM、分层5折交叉验证和独立测试，研究人员发现全范围CNN-SVM独立测试准确率为98.2%，仅2个误分类：一个PET样品判为玻璃，一个打印纸样品判为纸板；精确率、召回率和F1-score分别为98.3%、98.2%和98.2%。交叉验证准确率为98.43 ± 0.79%。单独CNN为98.27 ± 1.41%。数据增强仅微增CNN和CNN-SVM表现，未增强CNN-SVM仍为97.95 ± 1.81%。优化PLS-DA、RBF-SVM和PCA-SVM分别为92.96 ± 1.46%、97.72 ± 2.09%和97.34 ± 2.37%，CNN-SVM保持最高98.48 ± 0.85%。通过滑动波长窗口扫描发现，500–1000 nm性能最低，准确率、召回率和F1-score约0.85，精确率约0.87；1000–1500 nm和1500–2000 nm接近全范围性能，各指标约0.98；2000–2500 nm中度下降，准确率、精确率和召回率约0.94，F1-score为0.93。小窗口通常降低准确率，但1400–1600 nm区域即使150 nm窗口也持续超过95%。按材料组，金属、纸和纺织在多个区域甚至50 nm窗口可超过95%；塑料需约100 nm窗口且中心在1600 nm附近才达类似性能，表明塑料是窄带光谱分类的限制组。结论是约150 nm、中心在1400–1600 nm的窗口可支持混合MSW可靠分类；不含塑料的废物流可窄至约50 nm。
3.3 光谱分辨率对分类性能的影响。通过高斯卷积与重采样模拟较低分辨率，研究人员发现分类性能总体随分辨率变粗而下降。在全500–2500 nm范围，模拟分辨率直到30 nm时准确率仍高于95%；窄窗口通常需要更细分辨率。1500–2000 nm窗口在分辨率直到25 nm时仍高于95%，优于其他500 nm区间。1600–1900 nm窗口甚至在约20 nm分辨率下仍高于95%；而1600–1750 nm和1600–1800 nm在10 nm模拟分辨率下准确率明显下降。围绕1400 nm和1600 nm关键吸收带，不连续配置如1450–1550 nm与1625–1725 nm在5 nm分辨率下较等效总带宽连续窗口有轻微数值提升，但该优势在10 nm分辨率下减弱。这些区域对应O–H和C–H分子吸收带，不连续配置可能因互补化学信息而有效。
3.4 与图像识别基准比较及混合分类潜力。通过将降规格VIS-NIR分类与YOLOv8图像识别比较，研究人员发现使用低至150 nm光谱窗口（5 nm分辨率）的光谱设备在所有类别及塑料、金属、纸等关键子类中分类准确率与图像模型相当。降规格光谱系统在区分金属和纸子类（如铝与锡、纸板与打印纸）时略优，而图像识别在塑料子类略高（99.3%对98.1%）。在更广泛类别层面，使用低至100 nm窗口的光谱系统与图像分类相当。该比较并非匹配物理样品的受控头对头评估，图像数据在原位受控背景采集，VIS-NIR光谱用实验室级仪器在标准化背景采集。结论是紧凑NIR光谱可作为图像分类的互补传感模态，未来可研究串联或并联混合架构。
讨论部分总结。讨论指出，在本研究数据集内，MSW准确分类的光谱要求可大幅降低而保持高预测性能。约150 nm窗口（原生5 nm分辨率）居中于1400–1600 nm，在全部11类中持续超过95%；1600–1900 nm范围在模拟约20 nm分辨率下仍高于95%，说明若保留信息最丰富区域，高分辨率并非必需。不连续光谱配置与等效带宽连续窗口表现相当，尤其较细采样间隔下，因覆盖纤维素-rich材料和烃类聚合物相关的互补O–H与C–H倍频吸收。可见和低NIR区对聚合物区分较差，但对金属、纸和纺织仍有信息，低波长传感器可用于部分分类或混合图像-光谱系统。真实消费后未清洗样品、颜色表面差异、数据增强、一阶导数和z-score标准化支持稳健性；但需专用硬件现场验证。局限包括：数据来自阿联酋实验室采集的MSW，需更广地理区域和跨地点跨时间验证；未明确评估碳黑塑料；不连续区域分析仅限选定组合；模拟低分辨率由高斯展宽和重采样生成，不能完全再现探测器噪声、波长相关灵敏度、光学像差和校准不确定性。总体推动图像识别与策略性窄带NIR的混合传感架构。
研究结论翻译。本研究系统调查了光谱范围和光谱分辨率对基于可见-近红外（VIS-NIR）的城市固体废物（MSW）分类的影响，目标是识别降规格传感所需的最低光谱要求。研究人员使用混合卷积神经网络-支持向量机（CNN-SVM）分类框架，在逐步降低的波长范围和光谱分辨率下评估了11类代表性MSW子类。结果表明，使用大幅减少的光谱信息仍可保持高分类性能。约150 nm的光谱窗口（原生5 nm分辨率）居中于1400–1600 nm区域，持续实现超过95%的分类准确率；而在1600–1900 nm光谱范围内，模拟约20 nm的光谱分辨率仍保持分类准确率高于95%。此外，围绕1450–1550 nm和1625–1725 nm的不连续光谱配置与等效带宽的连续光谱窗口表现相当。这些波长区域对应互补的O–H和C–H分子吸收带，为其有效性提供了具有化学意义的解释，并表明准确的废物分类更依赖于选择具有诊断信息的光谱区域，而不仅仅依赖于宽光谱覆盖。本研究发现提示，未来应用特定NIR系统可采用比传统宽带光谱仪更简单的光学架构。尽管本研究未量化资本成本、吞吐量、能耗或环境影响，这里建立的光谱设计规范为未来分散式废物分选系统的技术经济和生命周期评估奠定基础。总体而言，这项工作为应用特定NIR传感器开发提供了定量设计指南，并表明大幅降低光谱规格可在不损害分类性能的情况下实现。这些发现为实用的、可能低成本的智能废物分选系统迈出重要一步，该系统能够支持分散式回收并推进向循环经济转型。
