英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料
用于塑料瓶回收的多级自动分类系统
摘要
此项研究提出、发展并检验了一种人造智能塑料瓶分类系统，在这项工作中，根据化学成分和颜色对瓶子进行分类。近红外（NIR）反射率测量被用于识别瓶子组分类别。带电耦合装置（CCD）相机与二次判别分析（QDA）和树的融合分类器用于检测瓶子的颜色。结果表明，反射近红外光谱的波长和平均值可以用作区分化学成分的特征。这导致了94.14％的分类 -
精确度。除了各种预处理技术之外，还使用主成分分析瓶子定位算法便于检测瓶子的颜色，避免混合瓶子的标签或盖子。透明瓶子可达到92％的颜色分类精度而不透明的96％精确度是用所提出的方法实现的。总体分类精确度综合系统（即颜色和化学成分的精确分类）为83.48％。
copy;2007 Elsevier B.V.保留所有权利。
关键词：塑料回收; 近红外; 图像处理;分类; 人工智能
- 介绍
每天都会产生数以吨计的废弃物，因此在诸多城市和市政当局产生了很严重的问题因为他们缺乏垃圾填埋场来倾倒如此之多的废弃物。此外，废物中的有毒有害物质会造成一些健康问题并污染环境。因此，伴随着缺少垃圾填埋场以及废弃物对经济的影响，回收利用正成为一个越来越重要的课题。许多国家对自动化材料回收设施的需求都在增长。
回收过程的效率和质量在很大程度上取决于纯度和分选的原材料的准确度。 许多研究已经进行了检测和对不同的材料进行分类，例如金属，玻璃，纸张和塑料，以便将其分类并准备将其回收。
塑料瓶是城市垃圾的主要组成部分。 由于它们的低密度体积比，他们的重要性很特殊。 而且，它们是化学性质很稳定的不可生物降解的材料（即生物降解过程非常缓慢）。 这意味着
塑料垃圾将存在数月或数年，废物将在土地填埋场多年没有降解。 因此，塑料瓶会造成严重的环境问题。
对整个塑料瓶或容器进行分类（宏观分拣）是一个具有挑战性的问题。不同尺寸的瓶子以不同的方向进入分类区域形状，并可能破坏和变形。瓶子被压缩从而节省空间收集消耗主要产生于体积（容器）而分拣材料的成本则基于重量。 另一方面，这种做法会使自动分类和分类问题复杂化。
除上述之外，不同尺寸和颜色的标签也有不同手柄和顶盖设计使分类更具挑战性。 因此，一个复杂和智能的算法是必须的，可以解决这些困难和问题不管它们的方向，形状和标签的存在如何分类瓶子。
已经进行了许多研究以找到用于质控品的成本有效的分离类别，塑料瓶。 塑料瓶可根据其化学树脂分为不同的类别，透明度和/或颜色。 基于化学成分有七种塑料类型（Hammaad，2005）：（1）聚对苯二甲酸乙二醇酯（PET），（2）高密度聚乙烯 - （HDPE），（3）聚氯乙烯（PVC），（4）低密度聚乙烯（LDPE），（5）聚丙烯（PP），（6）聚苯乙烯（PS）和（7）其他塑料
大量的技术可用于识别塑料的化学树脂，如化学 - （Hall et al。，2005），基于密度的机械方法如空气和水分类（Biddle等，1999; Hammaad，2005; Hurd，1997; Bruno，2000），或基于测量电磁频谱吸收的电磁方法比。电磁技术是唯一的塑料塑料识别技术这在塑料回收行业被广泛使用。在这项工作中，我们使用近红外技术来识别塑料类型。可能是最重要的优势使用近红外光谱是鉴定的速度（大湖研究所回收利用市场，1998）。另一个优点是，颜色不会干扰正确的树脂识别 - 除黑色瓶外（Kowol等，1998）。但是，整理塑料将瓶子分成七种不同的化学成分类型会增加巨大的成本在识别硬件上与通过这种方式添加到塑料瓶的价值相比较纤维分选（Hurd，1997）。其他回收行业需要通过透明度进行分类的塑料垃圾。已经表明通过样品的光透射度提供了有关聚合物类型的信息（Dubanowitz，2000）。而且，这种分类也是区分有色HDPE（有色）和天然HDPE。颜色分类也是要求避免回收不同颜色的塑料，以便有可能生产出一种一种颜色再生塑料（史蒂文斯，2003）。另外，还有一种趋势是推出一套新的颜色到塑料瓶（儿童，2002）。虽然更广泛的颜色选择适合塑料瓶子营销人员，这给塑料瓶回收带来了新的挑战并增加了成本。
识别塑料透明度，透光率和反射技术
使用不同类型的光电二极管和LED（Crank et al。，2000）。基于塑料类型和颜色透明度回收塑料瓶更有效率（Fisher，2004）。 颜色标识使用不同的技术 - 主要通过使用电荷耦合器件（CCD）相机的机器视觉（Child，2002）或者一系列LED（Paschos，2001）。
所有分类类别可用于塑料瓶回收，基础设施和
运营成本的提升将成为自动塑料瓶系统成功的一个严峻挑战。 通过化学成分进行分类需要更昂贵的识别硬件（如光谱仪，激光，X射线），但提供更高价值的塑料瓶产量。 另一方面，通过便宜得多的硬件（例如简单的LED或光电二极管）可以实现塑料瓶透明分类，然而，与化学分类的塑料瓶相比，产量较低。 产量的降低是由于污染的影响造成的分选准确性，这可能导致不同的混合物之间的混合。
为了构建一个可以通过便宜的基础设施实现有价值的分类类别的系统。 塑料或颜色分类需要更智能的分类算法。
早期的研究已经提出了基于线性判别分析（LDA）和偏最小二乘法（PLS）的经典分类技术在基于化学成分分类塑料方面的应用（Stchur et al。，2002）。其他研究已经检验了人造神经网络以适应近红外光谱数据的非线性行为（Broek等，1998）。神经网络也被用来分析从传感器融合中获得的信号，通过磁性和红外信号之间的信息交叉进行材料分类（Sabatto and Bodruzzaman，1993）。但是，这些分类器的性能受环境条件的影响。解决这个问题的方法是改进提取技术特征，以提高系统的抗噪能力，并提高分类的鲁棒性。小波变换和利用四元数足够强大以提取可分离的特征，因此欧几里德距离分类器能够产生一个好的分类结果（Barcala，2004）。但是，使用高度复杂的转换技术（如小波变换）会增加处理时间以及处理硬件的成本。此外，前面提到的所有研究都是基于昂贵的设置（Broek等，1998）或昂贵的鉴定硬件（Stchur等，2002; Barcala，2004）。
另一方面，使用机器视觉的颜色识别包含许多问题在文献中也有记录，例如最佳颜色空间选择（Paschos，2001; Wan和Kuo，1998），前景背景提取和非均匀照明图像数字化（Gao et al。，2001; Zoller和Buhmann，2002; Boskovitz和Guterman，2002;Neumann，2003; Huang等人，1995; Li等，2004）和颜色分割。这些问题存在于塑料瓶颜色分选的应用程序中因此，需要研究类似的算法和以验证在我们的应用程序中调整它们的效率。
发现实时应用的适当方法之一是记录背景图像（传送带），然后在传送带的确切位置从采集的图像中减去它们。 然而，为了保证这种方法在外部噪声如光或背景颜色变化的情况下的稳定性，自适应背景图像更新被提出了（Balthasar等，2001）。
虽然有商业可用的回收系统（赫德，1997），进行一项基于相对便宜的鉴定的人工智能技术的研究硬件将提高现有塑料回收系统的效率和性能。它将克服各种限制，例如检测器的数量，成本和数量在分类单元中使用的分类类别（Broek等，1998）。 情报可以为分类过程提供一般性，以便对新的分类有强大的适用性塑料瓶的图案以及操作环境的变化。
在这项工作中，一个人工智能多级塑料瓶分类系统被提出。 该系统能够在第一阶段对塑料瓶的化学成分和透明度进行分类，而在第二阶段进行颜色分类。 因此，与市售系统相比，该系统能够以较低的成本实现具有竞争力的产出价值。 这将改善所提出的分拣系统的操作和基础设施成本。
一种新的对化学物质进行分类的技术被提出了，使用低成本的近红外光谱仪测量塑料瓶的位置和透明度。经典透明度分类法利用光或红外光检测器的信号，而化学成分则使用近红外光谱进行分类。所提出的技术使用近红外测量将这些分类合并为一个分类器。可以注意到，最常见的塑料瓶标有＃1（聚对苯二甲酸乙二醇酯）和＃2（高密度聚乙烯）（资源回收，
2005）。因此，我们将重点放在可以分成三种的这两种化学类型上不同的透明度类别此外，虽然回收行业经历了价格波动带来的重大市场挑战，但聚对苯二甲酸乙二醇酯和高密度聚乙烯的回收仍在世界各地的众多大规模业务中进行（资源回收，2005）。
更具体地说，在这个阶段，分类器的目标是将瓶子分组
以下等级：
bull;透明塑料，包括聚对苯二甲酸乙二醇酯。 PET透明，坚韧并具有良好的气体和湿气阻隔性能。 常用于软饮料瓶，矿泉水和许多注射成型的消费品容器。
bull;天然塑料：高密度聚乙烯容器，不是刚性的，并且是单色生产的。 这种塑料用于制造牛奶，果汁和洗衣产品的瓶子。
bull;不透明塑料：高密度聚乙烯容器是刚性的，并且是以英寸制造的混合的颜色。 几乎没有光线通过，而在半透明塑料中，光线是扩散并且材料不能像透明一样透过。
此外，颜色分类已使用二次判别法实施分类器和决策树分类融合来折中普遍性和过度拟合。 它也出现在这些分类中。 该研究显示了不同的准确度不同的分类器需要实施分类器融合以提高分类器的性能准确性是这项工作的进一步贡献。
- 分类方法
图1显示了采用的分类方法。 NIR被用作第一个阶段根据化学成分对瓶子进行分类，而图像处理则是第二种根据颜色对材质进行分类的阶段。
2.1。 近红外光谱学
近红外光谱来源于辐射能转移到机械能
与通过分子中的化学键结合在一起的原子的运动相关
（Pasquini，2003）。
可以从给定波长（lambda;）的光子转移的能量，为此
能量（Ep）可以由下式给出
其中h是普朗克常数，c是光速。
分子的激发在给定频率的辐射能够发生时发生提供两个振动级别或其泛音带之间的确切能量两种振动的组合。 辐射能量与能量差异的匹配在两个振动水平之间导致不同的吸收百分比。 一些频率会被吸收; 其他人（不符合任何可能的能源差异分子）不会被吸收，而有些会被部分吸收。 这个复杂的数据吸收强度与波长的关系形成测试的吸收光谱样品。
塑料光谱的吸收带在600-2500nm范围内，伸展所有塑料中常见的C-H键的振动
但是，在我们的系统中，我们利用了900到1700 nm之间的范围，原因如下：
bull;制造在这些范围内运行的敏感元件的成本很低。
bull;这个波长范围足以在人造智能分类器的支持下实现分类目标。
为了获得在本文中要分类的不同塑料的近红外光谱，
由于其相对较低的成本和可接受的分辨率和准确度，采用了基于衍射光栅的持久性仪器。
图2描述了二极管阵列光谱仪的工作原理。 使平行传感器阵列具有固定的仪表位置允许具有毫秒的扫描时间以获得频谱信号。 这将允许系统具有更高的分类吞吐量。
光谱测量的一般硬件设置如图3所示探头或设置中的测量头将光线引导至光谱仪，并使用探测器阵列对其进行分析; 然后将得到的光谱馈送到数字计算机进行进一步分析。
如前所述，三类塑料瓶将被分类; 即：透明，自然而不透明。 典型的近红外光谱信号的三个类别显示在图4。
从图中可以看出，透明塑料瓶的光谱具有重要意义
吸收频率（dip）约为1688 nm，而天然和不透明瓶子在1237和1460 nm处有两个主频率下降。实际上这些蘸料呈现了塑料的化学类型。如前所述，大多数透明塑料瓶由PET制成，而天然和不透明材料则由HDPE制成。这解释了自然光谱和不透明光谱之间的相似性。此外，与天然和不透明的瓶子相比，透明（透明）塑料瓶允许更多的光线通过，因此与天然和不透明的瓶子相比，透明瓶子的反射光谱具有较低的水平，因此，平均水平反射光谱可以用来区分清晰的瓶子。图5显示了各种透明，天然和不透明瓶子的近红外光谱水平的平均值。如图5所示，清澈和天然瓶子的光谱平均水平可能会重叠，单独的平均水平对于分类透明塑料不是一个足够的特征。因此，频谱下降以及平均频谱水平将被用作支持塑料分类的特征。
要解决的一个问题是确定倾角频率。 尽管倾斜每种塑料类型的频率都是可重复的，但仍可能变化几纳米。此外，频谱信号可以在相同的附近显示两个谷但它们对频率带宽表现出相同的化学响应。 自动执行此功能。
提取过程中，发现将频谱范围划分为六个等间隔区域和每个区域的最小波谷频率用于进一步分析。
在这项工作中，两个全球最小倾角频率被提取为特征分类。 在区域3和区域4之间，如图6所示，应该测试子区域的联合并测试它不是倾角频率，而区域具有没有倾角的倾斜。
我们检验了基于二次判别函数的分类器的性能
DFBC）（Webb，2002;统计工具箱用户指南，2003）。 DFBC是基于贝叶斯规则的分类器，其中类别条件密度未知，应从可用的训练模式中学习。 这些分类器中类别条件密度的形式被假定为多元高斯分布，但密度的一些参数（例如平均向量和协方差矩阵）是未知的，并且可以从训练数据中估计。 使用贝叶斯规则和上述条件密度的正态假设，我们可以从后验（Webb，2002）中获得判别式。 有关DFBC的更多详细信息可以在（统计工具箱用户指南，2003）中查看。
已经使用了四种不同形状的二次分类器，即：线性，二次型，DiagQuadratic和Mahalanobis（Webb，2002）。
2.2。使用机器视觉的颜色分类
能够开发能够区分各种智能机器视觉
塑料瓶的颜色，颜色表示是一个关键问题。人类通过三原色（红色，绿色和蓝色（RGB））的组合来感知颜色，但由于这种感觉在人类之间可能会
全文共16085字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[9577]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
