《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：LED vs. halogen illumination for hyperspectral imaging in the NIR range of space-derived waste materials
编辑推荐：
空间废物管理中，近红外光谱成像（HSI）技术结合LED和卤素光源的适用性及机器学习模型优化研究。比较LED与卤素照明在HSI中光谱特征及分类性能，发现LED能效高、热稳定好但光谱范围窄，通过校准转移策略可将LED数据映射至卤素模型，显著提升材料分类准确率（如泡沫、塑料、纺织品等）。该技术为太空在轨资源循环利用提供了高效非破坏性检测方案，支持自动化分类系统发展。
罗伯塔·帕尔米耶里（Roberta Palmieri）|朱塞佩·卡波比安科（Giuseppe Capobianco）|朱塞佩·博尼法齐（Giuseppe Bonifazi）|西尔维娅·塞兰蒂（Silvia Serranti）
罗马智慧大学（Sapienza – University of Rome）化学工程、材料与环境系，意大利罗马00184
摘要
循环经济模式在废物管理中发挥着重要作用，这对于减少环境影响和保护资源至关重要。为了优化回收程序，必须准确识别和分类材料。在太空中，废物堆积会对任务构成风险，并增加轨道上的碎片数量。因此，有效的废物管理系统对于减轻危害和减少太空活动的环境足迹至关重要。近红外（NIR）波段的高光谱成像（HSI）为太空中的实时材料分析提供了一种非侵入性解决方案，因为在太空中进行传统样品制备具有挑战性。本研究探讨了使用两种不同的光源——LED灯和卤素灯——来收集高光谱数据，以对太空产生的废物材料（包括泡沫、技术纺织品和塑料）进行分类，并比较了它们的性能。机器学习算法被用来开发一种分类模型，该模型能够根据材料的光谱特征自动区分不同的材料类别。此外，还探索了一种校准转移策略，以便将一种光照条件下开发的模型应用于另一种光源下获取的数据集，从而提高所提出方法的鲁棒性和灵活性。LED照明在需要能效和稳定性的场景中特别有益。同时，卤素照明在需要更宽光谱范围以准确区分材料的场景中更为适用。研究结果表明，将NIR高光谱成像与机器学习和校准转移技术相结合，能够在不同的光照条件下实现可靠的材料识别。总体而言，这些发现突显了这种方法在支持自动化分类系统和推进太空废物回收策略方面的潜力。
引言
《2030年议程》和可持续发展目标（SDGs）是学术文献中广泛研究的话题[1]。这些目标得到了全球多个行业组织的广泛认可[2]，为应对紧迫的社会和环境挑战提供了一个综合框架。有效实现这些目标需要一种实用的方法，该方法平衡了可持续发展的三大支柱（即环境保护、社会福利和经济进步），同时促进旨在提升全球福祉的更广泛利他主义视角[3]。太空活动越来越多地为全球可持续发展议程做出贡献。通过整合地球观测、卫星导航和基于太空的通信系统等应用，这项倡议展示了太空科学和技术在应对当代全球挑战方面的多方面作用。
另一方面，过去几十年太空活动的迅速扩张为科学进步和技术创新带来了前所未有的机会。然而，这也导致了地球轨道上大量碎片的积累，给太空任务的可持续管理带来了复杂挑战[4]、[5]、[6]。在这种情况下，开发能够在严格能源限制下高效运行的可持续分析系统成为太空任务设计的关键方面[7]。太空产生的废物（包括聚合物、金属、泡沫、技术纺织品和电子元件）对当前和未来的任务都构成了严重威胁[8]。解决这些挑战不仅对操作安全至关重要，也有助于减少太空活动的环境足迹，符合诸如Space4SDGs[9]和循环经济原则[10]等全球可持续发展倡议。向循环经济模式的转变要求技术既能确保分析精度，又能最小化能耗，从而实现在轨回收、再利用和废物增值[11]。目前，航天器或轨道平台上产生的大部分废物要么被储存在航天器上，要么被压缩，或者在任务后勤允许的情况下返回地球[12]。虽然这种方法适用于短期任务或废物量较小的情况，但对于长期任务和未来的太空基础设施（如轨道站、月球栖息地或深空探索平台）来说变得越来越具有挑战性。在这些情况下，由于有效载荷质量、存储容量和任务成本的严格限制，存储和返回所有废物材料可能不切实际。因此，太空领域的最新研究越来越多地关注循环资源管理策略和原位资源利用（ISRU）概念[13]、[14]、[15]。这些方法旨在将任务中产生的废物材料转化为可以直接在太空中再利用的二次资源。特别是，一些研究探讨了通过挤出或增材制造技术回收聚合物材料，并在任务期间生产备件或结构元件的可能性[16]、[17]。在这种背景下，能够在受限环境中快速、无损地进行材料识别的分析技术变得至关重要，因为准确的材料识别和分类是任何有效太空废物管理策略的关键组成部分。精确的表征有助于选择适当的回收设备，包括粉碎机、分类器和挤出机，并且对于优化材料回收过程至关重要[18]。然而，传统的分析技术在轨道环境中往往不切实际，因为受到能源、空间和操作复杂性的限制，因此需要开发非侵入性、快速和可靠的原位分析方法。在这些材料中，识别、分类和/或分选对于设计和实施高效的回收技术至关重要，从而选择适当的设备（如粉碎机、分类器、分离器和挤出机）来处理不同类型的废物，如塑料、金属和复杂的复合材料。鉴于在太空中进行材料分析的挑战，其中传统的样品制备技术往往不切实际，近红外（NIR）波段的高光谱成像（HSI）可以提供一种强大的、非侵入性的解决方案。HSI能够实时快速准确地分析材料，消除了物理样品收集、制备和分析的需要。通过直接捕获材料的光谱特征，HSI能够对复杂的太空衍生废物流（如聚合物、泡沫和技术纺织品）进行分类，而这些废物用传统方法很难表征[19]、[20]、[21]、[22]。影响HSI性能的一个重要因素是光源（即照明）的选择，因为反射的能量（即光）产生的光谱特征会根据材料成分而有所不同[23]。卤素灯具有宽广且连续的光谱输出，提供了全面的光谱覆盖范围，支持详细的材料分析。然而，它们的高能耗和大量的热量产生限制了其在轨道应用中的适用性。在能量受限的环境中，如航天器或卫星上，每个分析子系统都必须最大限度地提高能源效率，同时保持可接受的光谱保真度[24]。相比之下，基于发光二极管（LED）的照明系统虽然提供较窄的光谱带宽，但具有更高的能源效率、热稳定性和操作寿命，这些特性对于在能源受限和热要求高的太空环境中实现可持续运行至关重要。LED照明还支持模块化、轻量化和低电压配置，使其成为紧凑型分析载荷的战略选择[25]。然而，较窄的发射光谱可能会降低HSI模型的区分能力，尤其是在需要分辨微妙化学或结构变化时。克服这一限制需要使用强大的化学计量和校准转移技术来补偿减少的光谱覆盖范围。在这种情况下，校准转移和机器学习方法对于弥合照明系统之间的光谱和能量差距至关重要[26]。从卤素光源的连续光谱向LED的离散、带限发射的转变引入了不连续性，这可能会降低高光谱数据的信息含量[27]。因此，需要先进的化学计量和分层建模策略来重建缺失的光谱相关性，并在不同照明域中保持分类精度。通过利用多变量学习和数据驱动的校准转移，基于LED的HSI系统可以在保持可持续在轨运行所需的低能耗的同时实现稳健的性能。本研究探讨了不同照明技术（包括LED和基于卤素的系统[27]、[28]）对太空活动产生的材料的光谱分类效果的影响。通过系统地比较这两种照明技术，本研究旨在确定最佳的光源配置，以最大化高光谱数据质量和分类精度，最终有助于设计先进、节能和自主的在轨回收系统，从而支持可持续的太空资源管理。
分析样本
分析对象是用于太空应用的代表性材料样本，这些材料在使用寿命结束后可能会成为太空碎片[29]。样本包括用于电线的聚四氟乙烯（ETFE）、用于包装的膨胀聚丙烯（EPP）、用于3D打印三级结构的聚芳醚酮（PAEK）和聚醚酰亚胺（PEI）、用于塑料袋的聚乙烯（PE）以及挤出的聚苯乙烯（XPS）等
原始光谱
图3显示了在1000–1700 nm范围内，使用卤素灯和LED灯照明下在白色瓷砖上获取的原始传感器响应，未进行辐射校准。卤素光源产生平滑且连续的宽带光谱，整体强度较高，与其准黑体发射特性一致。相比之下，LED照明显示出更结构化且不规则的光谱分布，信号水平较低，反映了其离散的发射特性和减少的光谱
结论
在太空碎片分类系统中，由于过高的热量，使用卤素光源是不切实际的，因此需要使用LED照明。然而，在HSI SWIR系统中，LED的使用较少，且现有的库、模型和方法论也有限。本研究建议使用基于卤素的模型作为理论参考，并应用直接标准化方法将LED数据映射到卤素域。这种方法可以利用丰富的知识
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究是在MICS（Made in Italy – Circular and Sustainable）扩展合作伙伴关系下进行的，并获得了欧盟下一代欧盟计划（PIANO NAZIONALE DI RIPRESA E RESILIENZA (PNRR) – MISSIONE 4 COMPONENTE 2, INVESTIMENTO 1.3 – D.D. 1551.11-10-2022, PE00000004）的资助。本手稿仅反映作者的观点和意见；欧盟和欧盟委员会对此不承担责任。
生成式AI使用声明
在准备本工作时，作者使用了AI工具（ChatGPT）来提高手稿的可读性和语言表达。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
