电子废弃物拆机塑料的近红外光谱识别

发布时间：2023-03-21 18:12

　　废塑料引发的生态环境问题近年来得到很多关注。对废塑料进行回收不仅是一种垃圾处理方式,更是可以从源头上减少市场对初级塑料产品的需求。塑料的分选是塑料回收的关键一环。目前在电子废弃物回收行业中,塑料分选大多依靠人工完成,效率低,准确度差。近红外光谱自动分选可以用于塑料的自动分选,代替人工,提升效率。本研究收集了多种废家电的塑料并采集了近红外光谱,类别包括聚丙乙烯(PP),丙烯腈-丁二烯-苯乙烯塑料(ABS),聚丙乙烯(PS),ABS和聚碳酸酯混合塑料(ABS/PC)。对比了不同来源的废塑料光谱和纯塑料光谱发现,大多数同类塑料的光谱吸收峰位置和形状基本相同,除了样品中阻燃ABS塑料和ABS纯塑料在近红外光谱中有明显的区别,因而阻燃ABS可以在分类模型中单独作为一类。将在优化了前处理方法,截取了合适光谱区间之后,运用光谱角法(SAM),偏最小二乘判别(PLSDA),线性判别(LDA)和支持向量机(SVM)这四种分类算法建立分类模型,进行分类预测。使用不同情况下采集的光谱数据集,从多个方法评估上述分类模型的表现,发现SAM容易受到噪声干扰,在光谱信噪比低时不宜使用,而且总体判别准确率不如其他方法...

【文章页数】：105 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 研究背景
    1.1 研究意义
    1.2 塑料分选技术
        1.2.1 机械分选
        1.2.2 自动分选
        1.2.3 分选方法优缺点比较
    1.3 电子废弃物拆机塑料
    1.4 相关研究进展
    1.5 研究意义
    1.6 研究内容
第二章 实验材料与方法
    2.1 塑料样品来源
    2.2 近红外光谱的采集
    2.3 近红外光谱数据分析方法
        2.3.1 近红外光谱数据前处理
        2.3.2 光谱数据集的分割
        2.3.3 光谱数据的特征提取和分类方法
    2.4 分类模型的评价方法
        2.4.1 准确度、精确度、召回率和F1值
        2.4.2 ROC曲线和AUC值
    2.5 智能搜索算法优化计算
        2.5.1 模拟退火(SA, simulated annealing)
        2.5.2 遗传算法(GA, generic algorithm)
        2.5.3 代价函数的计算
第三章 近红外光谱分选模型的建立
    3.1 塑料的近红外光谱对比分析
        3.1.1 同类塑料的对比
        3.1.2 不同类塑料的对比
    3.2 前处理方法选取
    3.3 光谱区间截取
    3.4 数据集分割
    3.5 多种分类模型的建立
        3.5.1 SAM分类方法
        3.5.2 PLSDA分类方法
        3.5.3 LDA分类方法
        3.5.4 SVM分类方法
        3.5.5 废塑料光谱分类效果
    3.6 本章小结
第四章 分类方法稳定性评价
    4.1 复杂来源塑料的判别
    4.2 低信噪比光谱的判别
    4.3 低分辨率光谱的判别
    4.4 本章小结
第五章 近红外光谱分类模型的优化
    5.1 模拟退火算法优化
    5.2 遗传算法优化
    5.3 优化后分类效果评价
    5.4 本章小结
第六章 拆机塑料近红外识别的应用设计
    6.1 拆机塑料近红外自动分选系统
        6.1.1 设计原理
        6.1.2 识别程序设计
    6.2 测定塑料组成的近红外扫描系统
        6.2.1 设计原理
        6.2.2 识别程序设计
    6.3 本章小结
第七章 总结和展望
    7.1 总结
    7.2 展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文



本文编号：3767048