NIRPro近红外光谱仪在塑料鉴别中的应用

摘要：研究者利用如海光电近红外光谱设备结合智能识别模型，成功实现了12种塑料的分类鉴别。这一项研究为实现塑料回收提供了一种高效的解决方案，有望帮助减轻塑料污染对环境造成的影响。

一、研究背景

塑料因其重量轻、成本低等优越性能是目前应用广泛的材料之一，但塑料在自然环境下难以降解，其降解周期需要100~200年，因此随着塑料的广泛使用，塑料垃圾也在持续增加。大量的塑料垃圾充斥在陆地和海洋环境中，不仅破坏了环境也给人类和动物生存带来了极大威胁。一种高效、合理的塑料处理方式十分关键，但塑料种类较多，不同种类的塑料性质不同，混杂在一起给塑料回收处理工作带来了阻碍，因此塑料回收处理前的分类工作也是尤为重要。

近红外光谱是一种分子光谱技术，可以通过其红外光谱图确定待测无分子结构信息实现对不同材质物品进行分类，具有无损、无污染、稳定、准确率高等优点。

针对塑料分选问题，上海如海光电通过自研近红外光谱设备结合自主开发智能识别模型，实现了聚苯乙烯、聚双酚A、乙烯-醋酸乙烯共聚物、聚丙烯、聚己内酰胺粉、丙烯腈-丁二烯-苯乙烯聚合物、聚对苯二甲酸乙二醇酯、聚乙烯醇、聚苯硫醚、聚氯乙烯、高密度聚乙烯粉、低密度聚乙烯粉等12种塑料的鉴别分选。

二、测试样品及实验仪器设备

本次实验使用如海光电NIRPro近红外光谱仪进行检测，积分时间10ms，像素平滑。

图1 测试样品示意图

图2 测试装置搭建示意图

三、测试结果

利用上述测试结果建立近红外光谱库，使用支持向量机（SVM）对塑料近红外光谱进行分类建模。建模的过程可以分为数据准备、特征提取、模型训练和预测等步骤。

数据采集：为了使模型准确率更高，需要收集采集环境等条件相近但不同的状态下相同样本的数据若干条。

图3 近红外光谱数据及测试准确率示意图

从数据可以看出趋势校正（Detrend correction）适用于本次分类任务，故先对采集的的光谱数据进行趋势校正。趋势校正是光谱数据预处理中常用的一种技术，用于消除光谱中的趋势或基线漂移，以便更好地突出样本之间的化学差异。这有助于后续训练的SVM分类模型更好地收敛。数据划分：将数据集划分为训练集和测试集，以便用于模型训练和评估。通常，大约70-80%的数据用于训练，其余用于测试。SVM模型训练：使用训练集来训练SVM分类器。选择适当的核函数（如线性核、多项式核、径向基函数核等），并调整超参数，如惩罚参数C，以优化模型的分类性能。通过对光谱数据进行特征提取和模型训练，该模型实现了93%的分类准确率。这个高准确率表明SVM算法能够有效地将不同类型的塑料进行区分，为实际应用中的塑料分选等领域提供了有力的支持。这个成果进一步证明了机器学习在光谱分析中的重要性，同时也为光谱技术在工业和科学研究中的应用开辟了新的可能性。