英语原文共 20 页

塑料瓶回收的自动多级分类系统

Y. Tachwali, Y. Al-Assaf, A.R. Al-Ali

摘要

本研究提出、开发和测试了一种人工智能塑料瓶分类系统。尝试根据化学组成和颜色对瓶进行分类。近红外 (NIR) 折射率测量用于鉴别瓶组成类别。采用二次判别分析 (QDA) 和树分类器融合的 CCD 摄像机检测瓶子颜色。结果表明，反射光谱的 dip 波长和平均值可用作区分化学成分的特征。这导致了94.14%的分类准确性。除了各种预处理技术外，使用主成分分析算法进行瓶定位有利于检测瓶颜色，避免其与瓶标签或瓶盖混合。采用所提出的方法，透明瓶的颜色分类准确率为 92%，而不透明瓶的分类准确率为 96%。组合系统的合计分类精度（即颜色以及化学成分的准确分类）为 83.48%。

关键词：塑料回收；近红外；图像处理；分类；人工智能

1. 简介

每天都会产生大量的废物; 因此，由于垃圾填埋场不足以倾倒这些垃圾，导致各城市及其市政当局面临重大问题。在此外，废物中的有毒危害物质会造成一些健康问题和对环境的破坏。因此，回收利用正成为填埋场和环境污染短缺以及经济影响的重要问题。建立自动化材料回收设施的需求日益增加，出现在不同的国家。

回收过程的效率和质量在很大程度上取决于分选原料的纯度和准确性。已经进行了许多研究，用于检测和分选金属，玻璃，纸张和塑料等不同材料，以便将它们分类并准备再循环。

塑料瓶是城市垃圾的主要部分。由于它们的密度与体积比低，它们具有特殊的重要性。而且，它们是化学稳定的，因为它们是不可生物降解的材料（即生物降解过程非常慢）。这意味着塑料废物将在数月或数年内可见，废物将在垃圾填埋场中存放数年而不会降级。因此，塑料瓶会引起严重的环境问题。整个塑料瓶或容器（宏观分销）的分类是一个具有挑战性的问题。具有不同尺寸的瓶子以不同的取向和形状进入分类区域，并且可能会破碎和变形。瓶子在收集阶段被压缩和崩溃以节省体积，其中收集成本基于体积（容器），而分类材料的成本基于重量。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，具有不同尺寸和颜色以及具有不同手柄和帽设计的标签使得分类更具挑战性。因此，需要具有复杂且智能的算法，该算法可以解决这些困难并且能够对瓶子进行分类，而不管它们的方向，形状和标签的存在。已经进行了许多研究以找到塑料瓶的成本有效的分离类别。塑料瓶可根据其化学树脂，透明度和/或颜色分为不同类别。根据化学成分有七种塑料类型:( 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。

有许多技术可用于识别塑料的化学树脂，如化学方法（基于其密度的机械方法，如空气和水的分类，或基于测量电磁波谱吸收率的电磁方法。电磁技术是唯一在塑料回收行业中广泛使用的塑料塑料识别技术。在这项工作中，我们使用近红外技术来识别塑料类型。使用近红外光谱的最显着优势可能是识别速度。另一个优点是除了黑色瓶子外，颜色不会影响树脂的正确识别。然而，将塑料瓶分类成七种不同的化学成分类型将使识别硬件上的成本增加，与通过这种更精细的分选增加到塑料瓶的价值相比。其他回收行业需要通过转运分类的塑料废物。已经表明，通过样品的光透射程度提供了关于聚合物类型的信息。此外，该分类还区分着色HDPE（有色）和天然HDPE。还需要进行颜色分选，以避免回收不同颜色的塑料，从而可以生产一种颜色的再生塑料。此外，还有一种趋势是在塑料瓶中引入一组新的颜色。虽然更广泛的颜色选择对塑料瓶营销商有利，但它带来了新的挑战并增加了塑料瓶回收的成本。为了识别塑料透明度，使用不同类型的光电二极管和LED的光透射和反射技术。基于塑料类型和颜色透明度的塑料瓶回收更有用和有益。使用不同技术进行颜色识别，主要通过使用机器视觉利用电荷耦合器件（CCD）相机或LED阵列。

随着所有分类类别可用于塑料瓶回收，基础设施和运营成本将成为自动塑料瓶系统成功的严峻挑战。按化学成分排序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输出。另一方面，塑料瓶透明度分选可以通过更便宜的硬件（例如简单的LED或光电二极管）来实现，然而，与化学分类的塑料瓶相比，输出的价值更低。输出值的降低是由于污染的影响导致的分选精度，这可能导致不同透明度之间的混合。为了构建一个可以通过廉价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）的经典分类技术的应用，以基于其化学成分对塑料进行分类。其他研究已经研究了人工神经网络以适应近红外区域光谱数据的非线性行为（Broek等，1998）。神经网络还用于分析从传感器融合接收的信号，通过磁信号和红外信号之间的信息交叉进行材料分类。然而，这些分类器的性能受环境条件的影响。通过改进提取技术特征来增强系统的抗噪性并增加分类的稳健性来解决该问题。小波变换和利用四元数的功能足以提取可分离的特征，因此欧几里德距离分类器能够产生良好的分类结果。然而，使用诸如小波变换的高度复杂的变换技术将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或昂贵的识别硬件。小波变换和利用四元数的功能足以提取可分离的特征，因此欧几里德距离分类器能够产生良好的分类结果。然而，使用诸如小波变换的高度复杂的变换技术将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或昂贵的识别硬件。小波变换和利用四元数的功能足以提取可分离的特征，因此欧几里德距离分类器能够产生良好的分类结果。然而，使用诸如小波变换的高度复杂的变换技术将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或昂贵的识别硬件。另一方面，使用机器视觉的颜色识别包含许多文献中提出的问题，例如最佳颜色空间选择，前景 背景提取和非均匀照明图像数字化，以及颜色分割。塑料瓶颜色分选的应用存在这些问题; 因此，需要研究类似的算法并验证在我们的应用中适应它们的效率。发现实时应用的正确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所获取的图像中减去它们。然而，为了在外部噪声（例如光或背景颜色变化）的情况下保证该方法的稳定性，提出了自适应背景图像更新。

虽然有商业上可用的回收系统，但是使用基于相对便宜的识别硬件的人工智能技术进行研究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，成本和分类单元中使用的分类类别的数量。智能可以为分类过程提供通用性，使其能够抵抗新的塑料瓶模式以及操作环境的变化。在这项工作中，提出了一种人工智能多级塑料瓶分类系统。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，同时在第二阶段进行颜色分类。因此，与市售系统相比，该系统能够以低得多的成本实现竞争性输出值。这将改善所提出的分拣系统的操作和基础设施成本。提出了一种新的分类技术，使用低成本的近红外光谱仪对塑料瓶的化学成分和透明度进行分类。经典透明度分类利用光或红外光检测器的信号，而化学成分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）。因此，我们关注这两种化学类型，可分为三种不同的透明度类别。此外，更具体地说，在这个阶段，分类器的目标是将瓶子分成以下几类：透明塑料，包括聚对苯二甲酸乙二醇酯。PET清澈，坚韧，具有良好的气体和水分阻隔性能。常用于软饮料瓶，矿泉水和许多注塑成型的消费品容器中。天然塑料：高密度聚乙烯容器，非刚性，单色生产。这种类型的塑料用于制造牛奶，果汁和洗衣产品的瓶子。不透明塑料：高密度聚乙烯容器是刚性的，以混合颜色生产。实际上没有光通过，而在半透明塑料中，光被漫射，并且透明的材料不能透过。

此外，已经使用二次判别分类器和决策树分类器融合来实现颜色分类，以在一般性和过度拟合之间进行折衷。它也出现在这些分类器中。该研究显示了不同分类器的不同精度，这需要实施分类器融合以提高准确度，这是该工作的进一步贡献。

1. 分类技术

Fig.1显示了采用的分类方法。NIR用作基于其化学成分对瓶子进行分类的第一阶段，而图像处理是基于颜色对材料进行分类的第二阶段。

2.1. 近红外光谱法

近红外光谱源自辐射能转移到与分子中化学键结合在一起的原子运动相关的机械能。可以从给定波长（lambda;）的光子传递的能量，其能量（Ep）可由其给出：

其中h是普朗克常数，c是光速。当给定频率的辐射能够时，发生分子的激发。在两个振动水平或它们的泛音带或两个振动的组合之间提供精确的能量。辐射能量与两个振动水平之间的能量差异的匹配导致不同的吸收百分比。有些频率会被吸收; 其他（与该分子可能存在的任何能量差异不匹配）将不被吸收，而一些将被部分吸收。吸收强度与波长的这种复杂图形形成了测试样品的吸收光谱。

由于所有塑料中常见的CH键的伸缩振动，塑料光谱的吸收带在600~2500 nm范围内。但是，在我们的系统中，我们使用了900到1700 nm之间的范围，原因如下：制造在这些范围内运行的敏感元件的成本很低。 该波长范围足以在支持下实现分类目标为了获得在该工作中要分类的不同塑料的NIR光谱，采用基于衍射光栅的色散仪器，因为其成本相对较低且可接受的分辨率和精度。

图2描述了二极管阵列光谱仪的工作原理。使具有固定位置的平行传感器阵列允许具有毫秒的扫描时间以获得光谱信号。这将允许更高的系统分类吞吐量。

光谱测量的一般硬件设置如图3所示。设置中的探头或测量头将光线引导到光谱仪，在那里使用探测器阵列进行分析。然后将得到的光谱馈送到数字计算机以进行进一步分析。

如前所述，三种塑料瓶应分类; 即：透明，自然和不透明。三种类型的典型NIR频谱信号如图4所示。

从图中可以看出，透明塑料瓶光谱在1688nm附近具有显着的吸收频率（下降），而天然和不透明瓶子在1237和1460nm处具有两个主要的频率下降。实际上这些蘸料呈现塑料的化学类型。如前所述，大多数透明塑料瓶由PET制成，而天然和不透明由HDPE制成。这解释了自然光谱和不透光光谱之间的相似性。此外，由于透明（透明）塑料瓶将允许更多光通过，与天然和不透明瓶相比，透明瓶的反射光谱与天然和不透明瓶相比具有较低水平，如图4所示。因此，平均水平为反射光谱可用于区分透明瓶子。图。图5显示了各种透明，天然和不透明瓶子的NIR光谱水平的平均值。如图5所示，透明和天然瓶子的光谱平均水平可能会重叠，单独的平均水平不足以对透明塑料进行分类。因此，频谱频率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。虽然每种塑料类型的倾角频率是可重复的，但仍可能有几纳米的变化。此外，频谱信号可以在相同的附近显示两个谷，但它们表示对频率带宽的相同化学响应。自动化该功能

图5.各种透明，天然和不透明瓶子的近红外光谱平均水平。在提取过程中，发现将光谱范围划分为六个等间隔区域，并且来自每个区域的最小谷值频率用于进一步分析。

在这项工作中，提取两个全局最小倾角频率作为分类的特征。应该在子区域的连接中测试并测试它不是倾角频率，而该区域具有没有倾斜的斜率，如图6中区域3和4之间所示。

我们检查了基于二次判别函数的分类器（DFBC）的性能（Webb，2002; Statistics Toolbox User#39;s Guide，2003）。DFBC是基于贝叶斯规则的分类器，其中类条件密度是未知的，并且应该从可用的训练模式中学习它们。假设这些分类器中的类条件密度的形式是多变量高斯，但是密度的一些参数（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估计。使用贝叶斯规则和上述条件密度的正规假设，我们可以从后验中获得判别规则。有关DFBC的更多详细信息，请参阅“Statistics Toolbox Userrsquo;s Guide, 2003”。这里使用了四种不同形状的二次分类器，即：线性，二次，DiagQuadratic和Mahalanobis。

图6.将光谱分成六个等距区域以研究山谷的位置。

2.2基于机器视觉的颜色分类

为了能够开发出能够区分各种颜色塑料瓶的智能机器视觉，颜色表示是一个关键问题。人类通过三种基色（红色，绿色和蓝色（RGB））的组合来感知颜色，但由于这种感知在人类之间可能不同（Davies，2005），因此需要转换传统CCD生成的常用RGB通道。摄像机进入HSI（色调，饱和度，强度）域。颜色分类采用色调参数（H）而不是使用，因为后者对我们的应用中可能存在的照明变化特别敏感。通过构造H参数的色调分布并将其与合适训练集的色调分布进行比较，可以实现对颜色的严格检查。

在这项工作中，图像视觉系统由带有RGB适配器的CCD相机，图像采集器，照明单元和计算和显示单元组成。CCD相机提供模拟信号，这是CCD像素对三个不同波长范围（红色，绿色和蓝色）的响应。这些信号由RGB适配器接收并转换为模拟标准NTSC电视信号。电视信号由帧采集器采集，帧采集器将对图像多光谱信号进行采样，数字化和量化，以获得数字彩色图像。由执行用于颜色分类的算法的计算单元分析图像。图7显示了机器视觉系统的基本组件。

透明和不透明的塑料瓶可以分为不同的颜色，而天然塑料瓶不需要颜色分类，因为它们只是白色。预处理操作用于通过执行所需的测量和数据分析来准备所获取的图像，以提取特征并将它们馈送到分类器。预处理旨在减少噪声和冗余数据，因为由于不完美的检测器，不适当的照明，不规则表面上的照明或其他噪声源，获取最佳质量图像有时是不

资料编号：[4519]