基于拉曼光谱的塑料检测技术与识别算法研究

发布时间：2020-04-11 04:04

【摘要】：本文以ABS、EVA、HDPE、PBT、PC、PET、PMMA、POM、PP、PPO、PS和PVC 12种常见类型的塑料为研究对象,采用拉曼光谱技术对多种不同塑料进行检测与识别研究,主要内容如下:首先通过拉曼光谱检测技术建立塑料拉曼光谱采集的最佳方法,考察了激光波长、积分时间、共焦孔径以及扫面范围等参数对光谱的影响,优化选择了最佳采集参数,即激光波长为785nm,积分时间为25s,共焦孔径为500μm,扫描范围为200-1800cm~(-1)。对于热效应强的黑色塑料样本,采用低温测样附件—液氮制冷平台抑制样本的热效应,通过实验分析得到785nm激光波长,功率10mw,积分时间30s为最佳采集条件。然后,对采集到的塑料拉曼光谱数据进行处理,包括光谱预处理和光谱特征提取。光谱预处理主要包括:采用多项式最小二乘拟合法对光谱进行平滑处理,消除噪声,提高信噪比,其中多项式次数为1,窗口大小为3;采用线段组合型基线进行基线校正,消除荧光背景和噪声背景对光谱数据分析的影响;采用最大-最小归一化法对数据进行归一化处理,消除数据量级大小的差异对后续数据分析的影响。采用主成分分析法提取光谱特征,选取累计贡献率为90.45%的前11个主成分的得分作为新的特征变量表征原始拉曼光谱数据,用于后续的建模分析,减少数据量的处理,简化问题的处理难度。最后,对经过处理后的光谱数据建立BP神经网络和支持向量机识别模型。345个样本组成训练集用于建立模型,通过对比分析确定模型的最佳参数。对于BP神经网络模型,最佳网络参数为:输入层节点数11,隐含层节点数8,输出层节点数4,学习速率0.1,误差0.01,训练1000次。支持向量机模型采用[-1,1]归一化数据处理方法和多项式核心函数训练模型时效果最佳。111个样本组成预测集用于检验模型的可靠性。结果表明,BP神经网络对训练集样本识别率为97.97%,预测集样本识别率为94.60%,基本能够满足塑料识别中对识别率的要求。支持向量机模型对预测集样本的识别率达到99.10%,对塑料具有很好的识别效果。本文创新点:(1)将拉曼光谱技术应用于塑料识别研究,对大量的塑料样本进行检测分析,并建立识别模型,为塑料识别提供新思路;(2)结合拉曼光谱技术和低温采样附件,对具有较强热效应的黑色塑料进行了检测识别。
【图文】：

示意图,拉曼散射,示意图,光谱

中国计量大学硕士学位论文光谱技术曼光谱的原理曼光谱介绍的传播过程中，当一束单色光照射到样品时，一般会发生反射、大部分的光会被反射或透射，只有很少部分的光被散射出去，如射出去的光与入射光频率相同的为瑞利散射，频率发生改变的为对应的光谱就是拉曼光谱。

原理图,拉曼散射,原理图,光子

中国计量大学硕士学位论文散射是光子失去部分能量或者得到部分能量的非弹性碰撞过程。如图 2.2 所示当光子与分子发生弹性碰撞时，只改变运动方向，不发生能量的交换，频率为的单色光照射到物质上，处于基态能级的分子跃迁到激发虚态，分子在虚态稳定，很快释放出频率为0 的光子，回到相应的基态能级，即瑞利散射。当量子与分子发生非弹性碰撞时，不仅方向发生改变，光子与分子之间还存在量交换。光子失去或得到一部分能量，光子能量改变的大小是固定的，，为能E0和 E1之间的能量差 h （h 为普朗克常数）。当光子把一部分能量 h 给子时，在激发虚态 0 的分子释放出比入射频率较小的光子，形成斯托克斯散射光子频率变为 - 0。同时，分子将获得的光子能量转变为转动或振动能量由基态 E0到受激态 E1，能量增加了 h 的能量。当光子得到分子的一部分能h 时，在激发虚态 1 的分子释放出比入射频率较大的光子，形成反斯托克散射，光子频率变为 0，此时，分子由激发态 E1回到了基态 E0。斯托斯散射和反斯托克散射统称为拉曼散射[19]。
【学位授予单位】：中国计量大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O657.33;TQ320.7

【相似文献】