一种塑料的近红外光谱分类识别精度验证方法技术

一种使用近红外光谱对塑料类别识别精度验证的方法。该方法包括分别采集若干PP(聚丙烯)再生料、PE(聚乙烯)再生料、PP新生料以及PE新生料样品的近红外光谱；对上述近红外光谱数据进行预处理，并建立支持向量机模型；选择最合适的数据预处理和支持向量机模型方法。建立一维卷积神经网络模型：分别对采用了预处理

【技术实现步骤摘要】
一种塑料的近红外光谱分类识别精度验证方法


[0001]本专利技术涉及光谱检测领域，具体涉及将神经网络和支持向量机应用于塑料的近红外光谱分析。

技术介绍

[0002]塑料自专利技术以来为人类生产生活提供便利，应用广泛。但由于大多塑料制品化学性质稳定、不可降解，产生了大量塑料废弃物。2018年环境规划署发布的数据表明全世界塑料废弃物年产量约3亿吨。而我国是世界上十大塑料制品生产和消费国之一，塑料废弃物的分类回收再利用十分重要，否则不仅会污染环境，也是对资源的浪费。
[0003]改善塑料废弃物的收集和分类是提高再生塑料质量的最佳方式。传统的塑料分类方式如人工分类、光学分选法、浮选法等耗时耗力，为了节约劳动力成本，精确、高效进行塑料分类，人们研究了塑料智能分类的算法。例如，激光诱导击穿光谱(LIBS)技术和主成分分析(PCA)已成功用于鉴定聚对苯二甲酸乙二醇酯(PET)，高密度聚乙烯(PE)，聚丙烯(PP)和聚苯乙烯(PS)。LIBS技术也可以识别具有相同聚合物基体，但包含添加剂不同的塑料/聚合物样品。X射线吸收光谱(XAS)结合PCA和反向传播神经网络(BPNN)被用于识别15种不同塑料。拉曼光谱和K近邻算法(KNN)、循环子空间回归(CSR)、库搜索也被用于塑料分类。衰减全反射傅里叶变换红外光谱结合主成分分析及系统聚类分析(HCA)用于对七类废旧塑料分类鉴别，选择余弦和平均距离法作为样品间以及类间距离函数对数据进行聚类，最终得到100％的分类准确率。分类和回归模型(CART)可以从近红外光谱数据中找到直接和简单的分类条件。
[0004]专利技术专利CN110441254A公开了一种使用神经网络与近红外光谱相结合进行塑料识别的方法，该方法使用了近红外光频梳光谱仪；将重叠干涉图像信号进行卷积解调得到分离的干涉图像信号，最后进行傅里叶变换，得到样本对应的频域光谱图，但该方法使用了偏振器，信号处理使用了傅里叶变换，增加了识别的复杂度。有鉴于此，目前有较多的模型参与到塑料的识别中，需要对模型的识别精度有定量的分析判断方法。因此有必要提供一种能快速且无损的针对塑料这一特定待测物进行模型识别精度判断的方法。

技术实现思路

[0005]本专利技术提供了一种使用卷积神经网络和支持向量机的近红外光谱塑料识别方法，并且对不同的预处理后的模型的识别效果进行验证。
[0006]本专利技术的一个方法是提供了一种使用近红外光谱对塑料类别识别精度验证的方法，包括如下步骤：
[0007]步骤1，分别采集若干PP(聚丙烯)再生料、PE(聚乙烯)再生料、PP新生料以及PE新生料样品的近红外光谱；
[0008]步骤2，上述四类样品中每种类别均采用随机选择法(RS)，按照训练集与验证集近似3∶1的比例进行样品集划分为训练集和验证集；
[0009]步骤3，对步骤2中数据进行数据预处理并建立支持向量机模型；其中对于线性不可分的数据集引入松弛系数和惩罚因子C；输入所述近红外光谱数据和相应的类别标签，按照比例随机选取验证集进行实验；模型输出包括预测得到的标签、训练集准确率和验证集准确率；根据实验结果，选择最合适的数据预处理和支持向量机模型方法为MSC
‑
SVM；
[0010]步骤4，建立一维卷积神经网络模型：构建了一个6层1DCNN用于塑料分类；该总面积神经网络模型包括输入层
‑
卷积层C1
‑
池化层S2
‑
全连接层F3
‑
全连接层F4
‑
输出层，将训练集表示塑料类别的标签值“0，1，2，3”转化为one
‑
hot向量输入，其中每个样本光谱数据输入维度为15011；在神经网络中添加了正则项和随机失活(Dropout)，并且降低模型复杂性，仅使用一层卷积层，使用8个卷积核，大小为3
×
1，步长为1；
[0011]步骤5，分别对采用了MSC
‑
SVM和1DCNN模型的上述近红外光谱数据的实验精度进行比较，从而对不同模型针对不同种类塑料的识别精度进行验证。
[0012]优选的，所述步骤5中验证得出：PP新生料使用1DCNN模型进行预测；PE新生料使用MSC
‑
SVM和1DCNN模型两种模型则可以被正确分类。
[0013]优选的，所述步骤3中对于线性可分的数据集，目标函数为：
[0014][0015]服从约束条件(2)式：
[0016]y
i
(ω
T
x
i
+b)≥1，i＝1，2，...，n
ꢀꢀ
(2)
[0017]对于线性不可分的数据集，引入松弛系数ξ
i
≥0和惩罚因子C，目标函数和约束条件变为(3)式和(4)式。
[0018][0019]y
i
(ω
T
x
i
+b)≥1
‑
ξ
i
，i＝1，2，...，n
ꢀꢀ
(4)
[0020]对于公式(1)
‑
(4)，n为样本数量。ω和b分别是超平面ω
T
x+b＝0的权重和偏置参数。x
i
和y
i
表示第i个输入的向量和第i个因变量值。
[0021]优选的，所述步骤5中通过训练集和测试集分类准确率作为模型评价指标。准确率由式(5)可得，为分类正确的样本数N
c
占总样本数N
r
的比例。
[0022][0023]优选的，所述步骤3中数据预处理的方法分别为一阶导数法、二阶导数法、中心化、标准化、Savitzky
‑
Golay平滑法、多元散射处理、标准正态变换法。
[0024]本专利技术的另一方面是提供上述方法在近红外光谱识别塑料种类中的应用。
[0025]本专利技术的另一方面是提供一种计算机存储媒质，该存储媒质存储有可执行程序，该可执行程序包括执行上述任一项所述的识别精度验证的方法。
[0026]本专利技术的专利技术点包括下限几点但也不限于下述几点：
[0027](1)该检测针对塑料引入神经网络建模分析。现有技术中存在将神经网络与光谱技术相结合的技术方案。但塑料的鉴别不同于其他类型的样品鉴别。PP或PE作为使用量最大的两类塑料来源，若是没有对引入的神经网络进行如本专利技术所述的优化，分辨的准确度并不高。因此本专利技术引入SVM模型，并对每种数据预处理后的模型进行实验比较，得到最优化的模型。通过对各种预处理的比较以及模型建立后的数据验证，得出针对不同的塑料类
型选择不同的模型能提高预测准确性。
[0028](2)在支持向量机中对于线性不可分的数据集，引入松弛系数ξ
i
≥0和惩罚因子C，从而对目标函数和约束条件进行限定。使用拉格朗日乘子法求解约束条件的极值。建模后，进行4折交叉验证，比较不同数据预处理方法的准确率，选择准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用近红外光谱对塑料类别识别精度验证的方法，包括如下步骤：步骤1，分别采集若干PP(聚丙烯)再生料、PE(聚乙烯)再生料、PP新生料以及PE新生料样品的近红外光谱；步骤2，上述四类所述样品中每种类别样品均采用随机选择法(RS)，按照训练集与验证集近似3∶1的比例进行样品集划分为训练集和验证集；步骤3，对所述步骤2中样品集中数据进行数据预处理并建立支持向量机模型(SVM)；其中对于所述支持向量机模型中线性不可分的数据集引入松弛系数和惩罚因子C；输入所述近红外光谱数据和相应的类别标签，按照比例随机选取验证集进行实验；模型输出包括预测得到的标签、训练集准确率和验证集准确率；根据实验结果，选择最合适的数据预处理和支持向量机模型方法；步骤4，建立一维卷积神经网络模型：构建了一个6层1DCNN用于塑料分类；该总面积神经网络模型包括输入层
‑
卷积层C1
‑
池化层S2
‑
全连接层F3
‑
全连接层F4
‑
输出层，将训练集表示塑料类别的标签值“0，1，2，3”转化为one
‑
hot向量输入，其中每个样本光谱数据输入维度为15011；在神经网络中添加了正则项和随机失活(Dropout)，并且降低模型复杂性，仅使用一层卷积层，使用8个卷积核，大小为3
×
1，步长为1；步骤5，分别对采用了所述步骤3中所述最合适的数据预处理和支持向量机模型方法和所述步骤4中1DCNN模型的上述近红外光谱数据的实验精度进行比较，从而对不同模型针对不同种类塑料的识别精度进行验证。2.根据权利要求1所述的方法，所述步骤3中所述所述最合适的数据预处理和支持向量机模型方法为MSC
‑
SVM；步骤5中验证得出：PP新生料使用所述1DCNN模型进行预测；PE新生料使用所述MS...

【专利技术属性】
技术研发人员：王斌，谭成章，徐晓轩，
申请(专利权)人：南开大学，
类型：发明
国别省市：