基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

摘要：

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染.回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选.传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类.激光诱导荧光技术是一种快速灵敏的光谱检测技术.具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析.利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别.实验采集了8种塑料(ABS ,HDPE ,PA66 , PLA ,PP ,PET ,PS ,PVC )共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵.利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度.结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息.将降维的主成分 PC1 ,PC2 ,PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66 ,PLA ,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差.PCA算法并不能准确的对未知塑料进行识别.BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究.将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集.BP神经网络的隐藏层设定值为1 ,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品.识别结果显示,102组数据中只有一组 HDPE光谱数据被错识为 PS ,其余101组数据全部正确识别.8种塑料荧光光谱的综合识别准确率达到99%.研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别.为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考.

关键词：塑料、激光诱导荧光、主成分分析、神经网络、识别

所属期刊栏目：39

分类号：O433.4(光学)

资助基金：国家自然科学基金项目61705238 ,国家重点研发计划项目2016YFD0800902-2 ,安徽省教育厅高等学校自然科学重大研究项目KJ2017ZD46 ,安徽省科技重大专项16030801117 ,安徽光机所所长基金AG H H201602

在线出版日期：2019-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3136-3141