卷积神经网络和支持向量机算法在塑料近红外光谱分类中的模型应用

张文杰，焦安然，田 静，王晓娟，王 斌，徐晓轩

（1．南开大学 物理科学学院 弱光非线性光子学教育部重点实验室，天津 300071；2．江苏大学 食品与生物工程学院，江苏 镇江 212013；3．宁波海关技术中心，浙江 宁波 315048）

塑料自发明以来为人类生产生活提供了便利，得到了应用广泛。但由于大多塑料制品化学性质稳定、不可降解，导致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。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，还会造成资源浪费。根据欧洲塑料加工协会的一项调查结果，超过76%的欧洲塑料加工商认为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［1］。传统的塑料分类方式如人工分类法、光学分选法、浮选法［2－5］等耗时耗力，为节约劳动力成本，并精确、高效地进行塑料分类，人们研究了塑料的智能分类算法。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）［6］。LIBS技术也可以识别具有相同聚合物基体但添加剂不同的塑料/聚合物样品［7］。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［8］。拉曼光谱和K近邻算法（KNN）、循环子空间回归（CSR）、库搜索被用于塑料分类［9］。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）被用于对7类废旧塑料进行分类鉴别，通过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［10］。……