用于塑料碎片分析的波段目标红外成像：基于高光谱波段选择与目标识别

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Band-target infrared imaging for plastic flake analysis via hyperspectral band selection and object recognition

　　

摘要

实现塑料循环经济需要在多样化的非塑料杂质中进行高纯度的塑料碎片识别。为此，准确且快速地测量碎片原料中的杂质含量，对于行业确保高质量二次原材料至关重要。短波红外高光谱成像（HSI）非常适合此任务，因为结构特异性的C-H振动泛频提供了化学指纹；然而，HSI的巨大光谱维度带来了巨大的采集和计算需求，这限制了其实际应用。在此，我们提出了一种基于滤光轮的波段目标成像（BTI）框架，其中多光谱波段集是通过光谱和高光谱分析合理推导得出的。通过将五种塑料单体单元和两种杂质的氢分布与1100–1700 nm区域内的第二和第一泛频吸收特征关联起来，我们选择了六个诊断波段以最大化类间光谱方差。所实施的BTI系统结合基于深度学习的目标检测器，将2D区域的逐帧采集时间缩短至2秒以下，同时在七个目标类别中实现了91.8%的平均精度均值（mAP@0.5）。最终，这种集成方法展示了塑料碎片化学特异性识别的潜力，为实现高纯度塑料资源的可持续回收提供了一个有前景的步骤。

引言

尽管塑料回收技术不断进步，但全球塑料回收率仍低于10% [1]、[2]。每年生产的数亿吨塑料中，大部分最终进入垃圾填埋场或焚烧设施，导致严重的环境污染和能源浪费，同时增加温室气体排放 [3]、[4]。开发有效的回收技术，特别是在塑料识别和分类方面，对于可持续资源管理和循环经济倡议变得越来越重要 [5]。准确、化学特异性的识别对于塑料回收行业至关重要，从最初的废物分类到最终的碎片挤出 [5]、[6]。当前工业分离过程可达到>94–95%的纯度，但由于在碎片级别区分化学相似的塑料和非塑料污染物的难度，在更高的目标上面临边际效益递减的问题 [7]、[8]。这种残余误分类会导致下游熔融和挤出过程中的能耗惩罚和材料降解。这些要求还受到监管和市场需求进一步强化：在欧盟包装指令下，回收碎片日益较原生塑料享有溢价，为先进化学识别技术创造了强烈激励 [9]、[10]。

为满足这些对高纯度和成本效益的工业需求，各种光学和光谱技术已被实施，包括拉曼光谱、激光诱导击穿光谱（LIBS）、机器视觉和短波红外（SWIR）高光谱成像（HSI）[6]、[11]、[12]。基于点状的技术如拉曼和LIBS提供丰富的分子指纹，但在需要空间分辨率的异质碎片流中难以应用，促使了同时解析空间和光谱信息的成像方法的兴起。因此，机器视觉和SWIR成像结合机器学习分类已成为有前景的替代方案。特别是，SWIR HSI在塑料鉴别方面展现了巨大潜力 [13]、[14]。与基于红、绿、蓝通道的机器视觉系统不同，SWIR HSI捕捉化学信息，能够准确分类，无论表面外观或着色如何。SWIR（1.1–2.5 μm）吸收源于C-H、O-H和N-H键的泛频和组合振动，在塑料中，C-H伸缩泛频作为化学分类的分子基础 [14]、[15]。

HSI技术将图像分析与每个像素上超过100个连续光谱通道相结合，能够同时从目标材料中提取光谱和空间信息 [16]、[17]。这种光谱波段的连续性对于确保没有有价值的信息未被检测至关重要。相比之下，SWIR多光谱成像是指仅利用几个到几十个人非连续光谱波段的光谱成像，提供降低的光谱分辨率，但通常采集更快，硬件实现更简单 [18]。虽然SWIR HSI因其精细的光谱分辨率而提供高化学特异性，但当需要减少光谱维度和更快的采集时，SWIR多光谱成像（MSI）具有优势。

HSI通常以三种采集模式实施：点扫描（ whiskbroom）、线扫描（pushbroom）和面扫描，后者包括快照和凝视（光谱扫描）配置 [18]。pushbroom HSI一直是塑料分类的主要选择，其中线扫描采集与基于传送带的连续运输集成，在材料经过传感器视场时采集完整光谱。

然而，pushbroom采集需要样品和传感器之间精确且特征明确的相对运动、复杂的运动控制机制和专用的线色散光学。由于图像是通过样品的运动逐行重建的，数据依赖于分析前的精确运动同步和几何校正，运输速度的任何偏差都会直接传递为空间畸变。此外，样品的瞬态运动，如旋转和位移，会导致重建其形态时的误差。面扫描系统采取相反的方法：不是通过相对运动重建图像，而是在单次曝光中记录完整的空间图像。因此可以直接成像静止样品，具有完整的几何保真度，无需线扫描所依赖的运动同步、几何校正或精密运输。光学配置也很灵活：视场可以轻松调整以放大感兴趣区域，在需要更精细细节的地方提供更高的空间分辨率。

此类系统有两种配置。快照实施同时捕捉所有光谱波段，但通常限于固定波段集和降低的空间分辨率。这种权衡在马赛克型快照传感器中尤为明显，因为空间和光谱信息必须共享一个探测器阵列。凝视模式系统则通过在每个波长上顺序切换光谱滤波器来获取全分辨率图像，允许灵活的波段选择和高空间分辨率。然而，这种灵活性伴随着固有代价：采集时间随光谱波段数量线性增长，且样品必须在整个扫描过程中保持静止以避免波段间错配 [19]、[20]。这些因素在很大程度上将凝视模式HSI限制在缓慢、静止的测量中。

基于上述理由，我们提出了一种波段目标成像（BTI）框架，用于塑料碎片的光谱识别/分类。该框架的核心是高光谱到多光谱的过渡：可调滤波器被一组固定在预选诊断波段的高透射带通滤波器所取代。减少的通道数量将逐帧采集缩短至2秒以下，而固定滤波器的高透射率在大视场内提供了高效的带内照明。此外，由于多波段集在此短窗口内被捕获，残余平台运动可以通过裁剪和对齐校正，而非机械固定，将面扫描测量扩展到静止和运动样品。

虽然HSI可以仅从光谱模式进行分类，无需明确的波段分配，但仅依赖有限的波段子集需要仔细选择最具化学区分度的特征。为此，我们开发了一个系统框架来选择这些目标波段以最大化化学信息。首先，分析基于点的高分辨率反射吸收光谱以建立塑料的光谱轮廓。其次，从高光谱立方体中提取的基于图像的中分辨率光谱通过比较分析进行验证。最后，根据这些高光谱数据确定针对分类定制的低分辨率目标波段。这种顺序方法最终确保了系统的高预测准确率。

在本工作中，我们分析了多种塑料碎片和两种常见污染物（纸张、铝）的SWIR反射光谱，将其单体单元的氢分布在芳香、甲基和亚甲基环境中的特征与特征C-H泛频吸收特征关联起来。在确认这些特征在点光谱、HSI和BTI系统中一致后，我们选择了高类间光谱方差区域的诊断波段，在最小化通道数量的同时保留塑料鉴别所需的信息。此外，集成了一个目标识别算法，通过联合学习塑料碎片的空间和光谱特征，从生成的六通道多光谱图像中实现自动识别。这一集成框架展示了光谱原理如何引导从高光谱到高效多光谱分析用于塑料识别，支持从回收流中回收高纯度原料。

样本制备

从拉曼验证到基于YOLO检测的完整实验工作流程，汇总在补充材料表S1中。样品由原始树脂颗粒和不规则形状碎片形式的塑料组成，均由乐天化学研究中心（大韩民国大田）提供；碎片来自三家不同的回收公司，并补充了常见家庭塑料制品。分析涉及五种塑料类型：

SWIR和拉曼光谱分析

图2A展示了本研究所调查的六种塑料类型（PET、PS、PMMA、PE和PP）的化学结构，突出了它们不同的分子结构和特征官能团。特别是，芳香族和脂肪族CHn（n = 1, 2, 3）基团表现出不同的振动频率，且三級（R3CH）、二级（R2CH2）和一级（RCH3）环境中的CHn伸缩模式表现出本质上不同的频率。其中，特征CHn

结论

在本研究中，我们开发了一种BTI框架，集成YOLOv12n深度学习架构，用于塑料碎片的光谱识别。通过系统的SWIR分析CH泛频特征，并由互补拉曼光谱验证，我们建立了五种塑料类型的光谱标记，并选择了六个对应芳香族、甲基和亚甲基振动的诊断波段。所得系统将逐帧采集时间从高光谱成像的30秒缩短至2秒以下。

致谢

本研究得到了韩国国家研究基金会（NRF）纳米与材料技术发展计划（科学和信息通信部资助，RS-2023-000234859）以及韩国产业技术规划与评价院（KEIT）技术创新计划（贸易、工业和能源部资助，RS-2024-00431712, MOTIE, Korea）的支持。

Jin Il Jang | Hye Min Kim | Won Young Jeong | Woo Seok Sim | Hyung Min Kim

国民大学化学系，韩国首尔特别市钟路区正领路77号，邮编02707