一种基于多算法协同选优的混合废塑料分类方法

1.本发明涉及混合废塑料的分类方法，具体涉及一种基于多算法协同选优的混合废塑料分类方法。


背景技术：

2.随着工业化的不断发展，塑料产量与消费量也逐年增长，塑料的使用周期比较短，40％的塑料的使用寿命只有1到2年。所以在较短的时间内容易堆积大量的废塑料，造成环境污染。现阶段塑料污染治理已经上升为亟需解决的社会重大问题，合理的回收利用废塑料至关重要。
3.国家标准《废塑料回收技术规范》(gb/t 39171-2020)明确要求塑料分选应当遵循稳定、无二次污染的原则，并且分选后单一组分纯度达到90％的产品才可进行后期高值化利用。由于回收的塑料成分不一，所以要做到高效率的循环回收利用，前端的高效识别分类则是废塑料高值化循环利用的关键环节。
4.光电分选法借助光学检测和传感识别技术，实现物质的高纯度分类。样本被连续频率的近红外光照射，对经过样本漫反射和透射后形成的近红外光谱进行分析，可得到样本的特征信息。在基线和峰信号上面，分布着噪声，在总信号很难辨认之处，噪声或多或少占优势，其次基线漂移、测定环境背景及干扰组分背景光谱等问题给塑料识别带来较大干扰，大大降低了塑料识别的准确率。
5.目前，在废塑料识别分类研究领域中，多集中于塑料识别装置、设备、机械结构(cn201820626577.7)的研究，以及少数识别模型的研究，如cn201310507509.0一种快速、智能的废旧塑料分类方法中，并未考虑到通过红外设备采集的光谱数据中噪声、基线、光程对分类结果影响；cn202110356567.2提出基于双层分类算法的固废塑料材质识别方法，但未考虑不同降噪方法处理的所带来的影响，没考虑基线、光程所带来的干扰。


技术实现要素：

6.本发明提出了一种基于多算法协同选优的混合废塑料分类方法，利用多种常规的降噪方法、多种常规的基线校正方法和多种常规的光程校正方法消除噪声、基线以及光程因素产生的干扰，克服了现有技术的缺点，提高了混合废塑料识别的准确率。
7.为了实现上述目的，本发明采用如下技术方案实现：
8.一种基于多算法协同选优的混合废塑料分类方法，包括以下步骤：塑料样本近红外光谱图库建立、塑料样本近红外光谱图库的处理、最优光谱数据处理方法的选择、最优特征提取方法的选择、待分类塑料样本的结果预测。
9.步骤1、塑料样本近红外光谱图库建立具体包括以下步骤：
10.步骤1.1、采集标准塑料样品，并对其进行标识。所采集的塑料样本种类尽量多、并具有广泛代表性，为提高准确率，每种样本数尽可能不低于10。
11.步骤1.2、采集光谱实验条件应保持一致，同一塑料样本要进行3～5次近红外光谱
扫描，将扫描得到的光谱数据取均值作为该样本的标准光谱，建立塑料的近红外光谱图库。
12.步骤2、塑料样本近红外光谱图库的处理包括以下步骤：
13.步骤2.1、采用蒙特卡洛交叉验证法对塑料样本的原始光谱(original spectrum，os)进行检测。为保证每个样本都能够被检测，模型的训练和预测循环次数根据所采用的实验样本数量定义，得到异常样本检测图，依据检测图剔除异常样本。
14.步骤2.2、对剔除异常样本后的光谱数据采用多种常规的降噪方法进行降噪处理，消除与样本无关的背景干扰和噪声信号，在降噪处理数据时，光谱窗口大小同样会影响塑料分类识别的准确性，根据窗口移动多项式最小二乘拟合法，窗口大小一般可取3，5，
……
，25，对降噪处理的数据采用不同的窗口，并作为svm模型的输入变量，研究多种常规的降噪、方法对模型的影响，采用交叉验证正确率的方法作为模型评价指标，选取的最优降噪方法作为混合塑料分类识别模型输入的第一种方案。
15.步骤2.3、在第一种方法基础上，利用多种常规的基线校正方法对光谱数据进行基线校正，对处理过后的光谱数据作为svm模型的输入变量，采用交叉验证方式在多种常规的基线校正方法中选取一种最优的基线校正方法，该最优降噪—基线校正作为混合塑料分类识别模型输入的第二种方案。
16.步骤2.4、在第一种方法基础上，利用多种常规的光程校正方法对光谱数据进行光程校正，对处理过后的光谱数据作为svm模型的输入变量，采用交叉验证方式在多种常规的基线校正方法中选取一种最优的光程校正方法，该最优降噪—光程校正作为混合塑料分类识别模型输入的第三种方案。
17.步骤3、最优光谱数据处理方法的选择包括以下步骤：
18.在最优光谱数据处理方法选择时，要构建混合塑料分类识别模型；本发明以构建bp神经网络为混合塑料分类识别模型；bp神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。bp神经网络的训练过程包括以下几个步骤。
19.步骤3.1、网络初始化。根据系统输入输出序列(x，y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。
20.步骤3.2、隐含层输出计算。根据输入变量x，输入层和隐含层间连接权值ω
ij
以及隐含层阈值a，计算隐含层输出h。
[0021][0022]
其中，l为隐含层节点数；f为隐含层激励函数。
[0023]
步骤3.3、输出层输出计算。根据隐含层输出h，连接权值ω
jk
和阈值b，计算bp神经网络预测输出o。
[0024][0025]
步骤3.4、误差计算根据网络预测输出o和期望输出y，计算网络预测误差e。
[0026]ek
＝y
k-o
k k＝1，2，
…
，m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]
步骤3.5、权值更新。根据网络预测误差e更新网络连接权值ω
ij
，ω
jk
。
[0028][0029]
ω
jk
＝ω
jk
ηh
jek j＝1，2，
…
，l；k＝1，2，
…
，m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]
其中，η为学习速率。
[0031]
步骤3.6、阈值更新。根据网络预测误差e更新网络节点阈值a，b。
[0032][0033]bk
＝bk e
k k＝1，2，
…
，m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0034]
步骤3.7、判断算法迭代是否结束，若没有结束，返回步骤3.2。
[0035]
步骤3.8、采用步骤2通过交叉验证选取的三种光谱数据处理方案分别处理光谱数据并作为混合塑料分类识别模型的输入变量带入训练好的bp神经网络，根据神经网络中塑料分类准确率最高的分类结果选取三种光谱数据处理方案中的一种最优光谱数据处理方法。
[0036]
步骤4、最优光谱特征提取方法的选择具体包括以下步骤：
[0037]
在近红外光谱中，只有特定波长的近红外光会被相关集团吸收，其他波长点的吸光度值与塑料样本结构信息的相关性比较小，可被视为冗余信息。如果将原始数据作为模型的输入变量会降低建模效率，因此需要筛选光谱图中的特征信息参与最终的建模。
[0038]
将步骤3得到的最优光谱处理方法，利用多种常规的特征提取方法提取光谱的特征信息作为混合塑料分类识别模型的输入变量，以混合塑料分类识别模型的分类准确率最高为依据，在多种常规的特征提取方法中选取最优的一种特征提取方法；最优特征提取方法的选择依据，即混合塑料分类的最高准确率计算公式如下：
[0039]
x＝max{x1,x2,x3,
…
,xm}
ꢀꢀ
(8)
[0040]
其中，x1，x2，x3，
…
，xm分别代表m种常规的特征提取方法识别混合塑料的分类结果，x代表使用最优特征提取方法得到的分类的最高准确率。
[0041][0042]
其中，a1，a2，
…
，an代表第一种常规特征提取方法得到的n个混合塑料数据样本的分类准确率；b1，b2，
…
，bn代表第二种常规特征提取方法得到的n个混合塑料数据样本的分类准确率；c1，c2，
…
，cn代表第三种常规特征提取方法得到的n个混合塑料数据样本的分类准确率；z1，z2，
…
，zn代表第m种特征提取方法得到的n个混合塑料数据样本的分类准确率。
[0043]
步骤5、待分类塑料样本结果预测具体包括以下步骤：
[0044]
基于步骤3得到的最优的光谱数据处理方法和步骤4得到的最优的特征提取方法处理待分类塑料样本的光谱数据并导入混合塑料分类识别模型，得到待分类塑料的分类准确率。
[0045]
本发明具有以下有益效果：
[0046]
1)采用本发明可以提高废塑料识别的准确率，克服了因噪声、基线以及光程等原因对分类结果的影响，并利用多种常规的降噪方法、基线校正方法以及光程校正方法处理
光谱数据，以交叉验证的方法选取最优混合塑料分类识别模型的数据处理方法；2)本发明通用性强，可以适用于不同的混合塑料分类识别模型，对于不同的混合塑料分类识别模型可按照本发明的实验步骤，得到与所对应识别模型的完整的数据处理方法。
附图说明
[0047]
图1混合废塑料识别分类流程图；
[0048]
图2 15个abs(左)、pp(右)原始近红外光谱图；
[0049]
图3异常样本检测图；
[0050]
图4经过mas平滑处理后的abs塑料样本光谱图；
[0051]
图5经平过s-g平滑处理的abs塑料样本光谱图；
[0052]
图6经过fd处理的abs光谱图；
[0053]
图7经过msc处理过的abs光谱图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图对本发明进行进一步详细说明。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明范围内。
[0055]
实施例：本实施例以abs、pp塑料为标准实验材料，选用的光谱采集设备是江苏无锡讯杰光远科技有限公司生产的基于数字微镜阵列(digital mirror device，dmd)的便携式近红外光谱仪ias-5000。
[0056]
参照图1，混合废塑料识别分类流程图，包括以下步骤：
[0057]
步骤1、实验收集了塑料样本abs、pp，2种塑料样本并采集样本光谱数据，其中abs 15组，pp 15组，共计得到30组数据，每个样品重复采集5次，取这5次光谱数据的均值作为塑料样本的标准图库，建立本次实施例的塑料样本近红外光谱图库。塑料样本原始近红外光谱如图2所示。
[0058]
步骤2、为消除异常光谱对近红外光谱定性模型的预测准确度的影响，采用蒙特卡洛交叉验证法对异常样本进行剔除。异常样本检测如图3所示。
[0059]
由图3可知，第16号样本明显偏离主体且超出设定阈值(本实验阈值为2)，判为异常样本；第4、8、17、30号样本虽处在离散状态但未偏离主体未超出方差阈值限，故不属于异常样本。因此，通过检测图剔除的样本有16号，即pp剔除1个样本。
[0060]
对剔除异常样本后的光谱数据进行降噪处理，选取多种常规的降噪处理方法，实施例中选取移动平均平滑法(moving average smoothing,mas)和savitzky-golay(s-g)卷积平滑法为例；对剔除异常样本后的数据分别进行移动平均平滑和s-g卷积平滑处理、以及窗口大小选取处理，在选取窗口大小时，按照窗口移动多项式最小二乘拟合法的基本思想，秉承窗口点数越多，平滑效果越好，窗口过大，谱图失真的原则选取窗口，在移动平均平滑处理以3、7、11、15为例处理，s-g卷积平滑处理以5、7、9、11为例处理，处理过后的光谱数据导入svm模型，降噪处理结果如表1所示。图4和图5分别是以abs样本经过移动平均平滑和s-g卷积平滑处理的光谱图。
[0061]
表1降噪处理结果
[0062][0063]
比较模型1至模型5，os svm模型的交叉验证准确率为75％，mas处理的窗口大小为3、7、11、15时，mas svm模型交叉验证准确率较os svm模型准确率相对较高，而当窗口数增加时，mas svm模型的交叉验证准确率不断提高，当增加到11时达到最高，而比较模型1与模型6至9，与os svm模型相比，s-g svm模型的交叉验证准确度率较mas svm交叉验证准确度率有大幅提高，当窗口大小为9点时，s-g svm准确率取得极大值。因此，本实验选择s-g 9为最优光谱数据处理的第一种方案。
[0064]
在选取的最优的降噪方法基础上，利用多种常规的基线校正方法对光谱数据进行基线校正，在基线校方法中以一阶导数(first derivative，fd)和二阶导数(second derivative，sd)为例处理光谱数据并导入svm模型，基线校正处理结果如表2所示。图6是abs样本经过一阶导数处理的光谱图。最后通过交叉验证的方法选取最优的基线校正方法。
[0065]
表2基线校正处理结果
[0066][0067]
模型1至4与os svm模型相比，s-g fd svm模型准确率明显提高。当窗口大小为5时，s-g fd svm准确率取得极大值。比较模型5至8，当窗口大小为9时，s-g sd svm模型准确率取得极大值。从整体看，fd处理的效果明显优于sd。因此，本实验选择s-g 5 fd为最优光谱数据处理的第二种方案。
[0068]
在选取的最优的降噪方法基础上,利用多种常规的光程校正方法对光谱数据进行光程校正，在光程校正方法中以多元散射校正(multiplicative scatter correction，msc)和标准正太变量变换(standard normal variable transformation，snv)为例进行处理光谱数据，并导入svm模型，通过交叉验证的方法选取最优的光程校正方法。图7是abs样本经过多元散射校正处理的光谱图。
[0069]
表3光程校正处理结果
[0070][0071]
与os svm模型相比，s-g snv svm模型与s-g msc svm模型的预测效果明显提高；但当窗口大小为11时，s-g msc svm模型的预测准确率取得极大值。因此，实验选择s-g 11 msc为最优光谱数据处理的第三种方案。
[0072]
塑料样本的原始光谱(original spectrum，os)经蒙特卡洛交叉验证法剔除异常样本后，以s-g卷积平滑处理、mas移动平滑处理为例进行平滑处理。经过s-g fd、s-g sd、s-g snv、s-g msc预处理，将预处理后的光谱数据作为svm模型的输入变量，研究不同处理方法对分类结果的影响，采用交叉验证正确率方法作为模型的评价指标，得到原始光谱经s-g 9、s-g 5 fd、s-g 11 msc预处理后的svm模型的准确率相对比较高，因此，本实验选择上述3种方法对塑料光谱进行进一步处理。
[0073]
步骤3、将上述得到的3种光谱处理方法处理光谱数据并作为输入变量带入训练好的bp神经网络模型，并以原始光谱作为对照，预测结果如表4所示。
[0074]
表4基于不同预处理方法bp模型对塑料种类的鉴别结果
[0075][0076]
由表4可知，os bp模型的abs识别率为71.67％，pp的识别率为75.56％，与os bp模型相比，s-g 9 bp模型的abs和pp样本识别准确率均有所降低。而s-g 5 fd bp模型的abs识别准确率有所提高，但pp识别准确率相对os bp模型有所降低；s-g 11 msc bp模型的abs和pp识别准确率最高。因此，对于后续塑料种类bp神经网络鉴别分析中，最优光谱处理方法为s-g 11 msc。
[0077]
步骤4、在近红外光谱中，只有特定波长的近红外光会被相关集团吸收，其他波长点的吸光度值与塑料样本结构信息的相关性比较小，可被视为冗余信息。如果将原始数据作为模型的输入变量会降低建模效率，因此需要筛选光谱图中的特征波长参与最终的建模。
[0078]
根据步骤3得到的最优光谱处理方法，利用多种常规的光谱特征提取方法提取光谱的特征信息，本实验以主成分分析法(pca)、连续投影算法(sfa)、竞争性自适应重加权算法(cars)为例，对塑料样本s-g 11 msc处理后的光谱搭配pca、sfa和cars进行光谱特征提取，通过bp网络模型的分类结果选取最优的光谱特特征提取方法，其处理结果如表5所示。
[0079]
表5基于不同特征波长提取方法的bp模型对塑料种类的鉴别结果
[0080][0081]
由上表可得，pca bp、sfa bp模型预测集的准确率均低于cars bp模型，其中，sfa bp模型的分类结果较其它两种最低，并且提取的特征波长点比较多，降维效果比较差。cars bp模型的分类效果最好。因此，对于bp神经网络，最优的特征波长提取方法为cars。
[0082]
步骤5、通过上述操作得到了对于不同处理方法所对应的分类结果的正确率。基于bp神经网络所建最优组合光谱数据处理方法为s-g 11 msc cars bp，训练集准确率为99.212％，预测集准确率为96.364％，对于待分类塑料，我们可以采用上述最优的组合进行分类预测。
[0083]
针对不同的分类模型，按照上述操作步骤，找到光谱数据最优的数据处理方法，提高混合塑料分类的准确率。
[0084]
本发明未详尽描述的技术内容均为公知技术。