【技术实现步骤摘要】
本专利技术涉及一种塑料分类方法，尤其涉及一种基于light gbm模型的塑料分类方法。
技术介绍
1、现阶段对塑料分类主要有以下几种方法:
2、在文章《磁流体密度梯度分选技术(mds)在塑料分选中的应用》中(闫磊,尹凤福,徐衍辉等.磁流体密度梯度分选技术(mds)在塑料分选中的应用[j].现代化工,2018,38(05):177-180.doi:10.16606/j.cnki.issn0253-4320.2018.05.040)，作者采用浮沉分离法利用设定特定密度溶液，基于不同塑料颗粒的密度差异实现分选。
3、传统物理、化学方法进行塑料的分选时，往往存在一些不足之处：通过密度分选时，很难同时对多种不同的类型的塑料分类，在一定的时间内往往只能通过二分类来筛选出多种物质，依靠进行多次二分类叠加的方法来实现多分类问题，以及需要针对特定体系选择处理溶液，方案通用性较差,效率不高。
4、专利文献cn116493290b提出了一种基于机器视觉算法的分选方案。机器视觉方法利用高分辨率摄像设备采集塑料颗粒图像，并通过预处理和特征提取提高识别精度，训练分类模型实现自动分类，这一技术提高了塑料分类的速度和准确性，具有广泛应用前景。但是机器视觉方法对于光照、背景等环境因素的要求较高，需要精确的样本制备和标准化的拍摄条件，否则可能导致分类准确性下降，并且某些复杂的机器视觉模型需要较高的计算资源，包括计算机处理能力和存储空间，这可能增加分类成本并限制其实际应用。
5、专利文献cn116106253a提供了一
6、对于现有的光谱分析分类方法，目前常见的基于近红外光谱的机器学习分类方法往往只采用优选一种算法用于分类，稳定性与单类的准确度还有进一步提升的空间；采用多种分类器结合的方法会使用更多的时间用于模型判断筛选。相较于近红外光谱，拉曼光谱信号较弱，需要更长的数据采集时间。此外，拉曼光谱对荧光和水的干扰比较敏感，可能需要特殊的样本处理和实验环境控制。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于light gbm模型的塑料分类方法，能够提升模型的建立效率和模型的准确率，对超过10种塑料颗粒进行精准、高效地分类。
2、本专利技术为解决上述技术问题而采用的技术方案是提供一种基于light gbm模型的塑料分类方法，包括如下步骤：s1：获取塑料样本的原始透射率光谱数据；s2：对原始训练数据使用sg-snv算法进行数据预处理，预处理后的数据作为lightgbm模型的输入；s3：使用lars算法筛选出建模需要的特征波段；s4：通过k折交叉验证划分数据集和测试集；s5：通过粒子群算法不断迭代寻找lightgbm模型的最优参数对预处理后的数据建立分类模型；s6：通过测试集评估模型稳定性与准确率；s7：使用建立的模型进行分类。
3、进一步地，所述步骤s1包括：使用光谱仪测量标准白板的光谱以及未开启钨灯状态下的光谱，并通过下面的公式计算多种待分类塑料的透射率光谱；
4、
5、式中t是要计算的透射率，w为待测样品的原始光谱，wdark为未开启钨灯状态下的原始暗光谱，wlight为测量的标准白板的原始明光谱。
6、进一步地，所述多种待分类塑料包括将丙乙睛-丁二烯-苯乙烯聚合物、乙烯-醋酸乙烯聚合物、聚丙烯、聚乙烯醇、聚双酚碳酸脂(聚双酚a)、聚对苯二甲酸二乙醇酯、聚己内酰胺、聚氯乙烯、聚苯乙烯、聚苯硫醚和高密度聚乙烯。
7、进一步地，所述步骤s2采用如下标准正态变量变换算法来消除固体颗粒大小、表面散射以及光程变化对近红外光谱的影响；
8、
9、其中为光谱的标准差，m为波长点数。
10、进一步地，所述步骤s3包括：
11、初始化：初始时，lightgbm模型不包含任何特征，选择与响应变量y相关性最强的特征作为第一个特征，相关性的计算如下：
12、
13、其中xij是第i个样本的j个特征值，yi是第i个样本的响应变量值，和分别是特征xj的响应变量和y的均值；
14、迭代过程：在每一步，lightgbm模型找出当前残差与剩余特征之间相关性最强的新特征；然后，l ightgbm模型沿着将这个新特征与已选特征的系数一起向它们最高相关方向移动的路径走一步；当另一个特征与残差的相关性与已包含的特征相同时，停止走这一步；重复上述过程，直到包含了所需数量的特征。
15、进一步地，所述步骤s4使用3折交叉验证随机划分为三个大小相等的子集，每轮中，选择不同的一个子集作为验证集，剩余的两个子集合并作为训练集。
16、进一步地，所述步骤s5中粒子的速度更新遵循以下公式：
17、vi(t+1)＝w·vi(t)+c1·rand()·(pbesti-xi(t))+c2·rand()·(gbest-xi(t))；
18、粒子的位置更新遵循以下公式：
19、xi(t+1)＝xi(t)+vi(t+1)；
20、其中vi和xi分别是例子i的速度和位置，w是惯性权重，c1和c2是加速系数，rand()和rand()是随机数，pbesti是粒子的个体最佳位置，gbest是全局最佳位置。
21、本专利技术对比现有技术有如下的有益效果：本专利技术提供的基于light gbm模型的塑料分类方法，通过sg-snv算法实现对塑料光谱数据的预处理，然后将预处理后的数据输入lightgbm机器学习模型进行分类和识别，利用改进粒子群算法选找到上述模型的最优参数来提高分类器的性能，从而实现对不同塑料光谱的高准确率识别，模型表现更稳定，准确率更高。
本文档来自技高网...【技术保护点】
1.一种基于Light GBM模型的塑料分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于Light GBM模型的塑料分类方法，其特征在于，所述步骤S1包括：使用光谱仪测量标准白板的光谱以及未开启钨灯状态下的光谱，并通过下面的公式计算多种待分类塑料的透射率光谱；
3.如权利要求2所述的基于Light GBM模型的塑料分类方法，其特征在于，所述多种待分类塑料包括将丙乙睛-丁二烯-苯乙烯聚合物、乙烯-醋酸乙烯聚合物、聚丙烯、聚乙烯醇、聚双酚碳酸脂(聚双酚A)、聚对苯二甲酸二乙醇酯、聚己内酰胺、聚氯乙烯、聚苯乙烯、聚苯硫醚和高密度聚乙烯。
4.如权利要求1所述的基于Light GBM模型的塑料分类方法，其特征在于，所述步骤S2采用如下标准正态变量变换算法来消除固体颗粒大小、表面散射以及光程变化对近红外光谱的影响；
5.如权利要求1所述的基于Light GBM模型的塑料分类方法，其特征在于，所述步骤S3包括：
6.如权利要求1所述的基于Light GBM模型的塑料分类方法，其特征在于，所述步骤S4使用3折交叉验证随
7.如权利要求1所述的基于Light GBM模型的塑料分类方法，其特征在于，所述步骤S5中粒子的速度更新遵循以下公式：
...【技术特征摘要】
1.一种基于light gbm模型的塑料分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于light gbm模型的塑料分类方法，其特征在于，所述步骤s1包括：使用光谱仪测量标准白板的光谱以及未开启钨灯状态下的光谱，并通过下面的公式计算多种待分类塑料的透射率光谱；
3.如权利要求2所述的基于light gbm模型的塑料分类方法，其特征在于，所述多种待分类塑料包括将丙乙睛-丁二烯-苯乙烯聚合物、乙烯-醋酸乙烯聚合物、聚丙烯、聚乙烯醇、聚双酚碳酸脂(聚双酚a)、聚对苯二甲酸二乙醇酯、聚己内酰胺、聚氯乙烯、聚苯乙烯、聚苯硫醚和高密度聚乙烯。
4.如权利要求1所述的...
【专利技术属性】
技术研发人员：于永爱，闵祥辉，邓赵斌，刘雅娇，
申请(专利权)人：上海如海光电科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。