一种通过近红外高光谱图像技术建立塑料识别模型的方法
【技术领域】
[0001] 本发明涉及塑料识别领域，尤其涉及一种通过近红外高光谱图像技术建立塑料识 别模型的方法。
【背景技术】
[0002] 在国内，近红外高光谱技术已经广泛应用于食品和农产品领域，吴静珠等人运用 傅里叶近红外光谱仪和近红外增强型高光谱成像系统建立了预测小麦籽粒蛋白含量的模 型；吴龙国等人利用近红外高光谱成像技术对灵武长枣含水量的无损检测进行了研究，建 立了 R-PLSR (光谱反射率-偏最小二乘回归模型）、A-PLSR (光谱吸收率-偏最小二乘回归 模型）和KM-PLSR (KubelkaMunk函数-偏最小二乘回归模型）的灵武长枣含水量预测模型； 陈姗姗等人利用近红外高光谱图像技术对损伤苹果图像进行处理，提出运用不均匀二次差 分方法检测轻微损伤苹果。
[0003] G. Bonifazi等研究了基于近红外高光谱图像技术的聚烯烃回收设备、相关的软件 架构和处理算法，可用于聚烯烃回收过程的在线质量和流程控制。
[0004] 在实际的研究过程中发现，要实现废混合塑料的在线识别分离，单纯使用近红外 光谱仪难以达到工业化的要求。
【发明内容】
[0005] 本发明提供了一种通过近红外高光谱图像建立塑料识别模型的方法，本发明通 过黑白校正对光谱数据进行预处理，消除背景、光源和噪声等对测试数据的影响，省掉了 S-G (最小二乘拟合法）平滑和小波去噪等光谱处理方法，减少了数据量，节约了处理时间， 大大提高了判别的效率，详见下文描述：
[0006] 一种通过近红外高光谱图像技术建立塑料识别模型的方法，所述方法包括以下步 骤：
[0007] 用近红外高光谱仪采集PE、PP和PET三种废混合塑料样本的原始光谱图像，对原 始光谱图像进行黑白校正；
[0008] 使用光谱分析软件提取校正后图像的反射率光谱数据；
[0009] 对反射率光谱数据进行PCA分析，得到载荷系数；以载荷系数为纵坐标，以波长为 横坐标作图，选择图中波峰或波谷位置对应的波长作为特征波长；
[0010] 将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分析；
[0011] 根据判别分析的结果，获取非标准化的典型判别函数、质心以及马氏距离，通过马 氏距离获取识别半径；
[0012] 建立非标准化的典型判别模型和Fisher判别模型。
[0013] 所述根据判别分析的结果，获取非标准化的典型判别函数、质心以及马氏距离，通 过马氏距离获取识别半径的步骤具体为：
[0014] 根据判别分析的结果，得到非标准化的典型判别函数，PE、PP和PET三类样本的质 心以及每种样本的马氏距离，每一类样本中选取最远马氏距离，分别根据最远马氏距离获 取三类样本的识别半径。
[0015] 所述建立非标准化的典型判别模型和Fisher判别模型的步骤具体为：
[0016] 非标准化的典型判别模型包括：非标准化的典型判别函数，三类样本的质心以及 识别半径；
[0017] Fisher判别模型包括：Fisher的线性判别式函数。
[0018] 其中，所述方法还包括：通过预测样本数据，验证判别模型的可靠性和识别准确 率。
[0019] 本发明提供的技术方案的有益效果是：本发明运用近红外高光谱仪采集PE (聚乙 烯）、PP (聚丙烯）和PET (聚对苯二甲酸乙二酯）三种塑料样本的原始光谱，进行黑白校正 以消除背景、光源和噪声等对光谱测量的影响，运用高光谱分析软件ENVI提取反射率光谱 数据，然后进行主成分分析并提取特征波长，再以特征波长对应的光谱数据进行判别分析， 利用分析结果建立非标准化的典型判别模型和Fisher判别模型，并逐步优化特征波长的 个数和判别函数，减少数据计算时间的同时，提高样本的识别准确率。经过实验验证，提取 8个能代表样本大部分信息的特征波长时，可以降低数据处理量，有利于实际工业应用中进 行推广。
【附图说明】
[0020] 图1为一种通过近红外高光谱图像建立塑料识别模型的方法的流程图。
【具体实施方式】
[0021] 为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步 地详细描述。
[0022] 本发明在现有技术的基础上，引进高光谱成像技术，利用一次测试能得到材质光 谱信息和位置信息的特征，完成塑料精准识别，为其在线识别分离奠定了基础。本发明将近 红外高光谱成像技术在食品与农产品领域的研究和PE、PP和PET三种塑料的特性结合起 来，建立这三种塑料的识别模型，为进一步的工业化带来了更大的可行性。
[0023] 实施例1
[0024] -种运用近红外高光谱技术精准识别PE、PP和PET三种塑料的方法，参见图1，识 别方法包括以下步骤：
[0025] 101 :用近红外高光谱仪采集PE、PP和PET三种废混合塑料样本的原始光谱图像， 对原始光谱图像进行黑白校正；
[0026] 其中，黑白校正的步骤为本领域技术人员所公知，本发明实施例对此不做赘述。
[0027] 102 :使用光谱分析软件提取校正后图像的反射率光谱数据；
[0028] 其中，光谱分析软件可以为ENVI软件（该软件为本领域技术人员所公知）。反射 率光谱数据的波长范围为1000-1700nm。
[0029] 103 :对反射率光谱数据进行PCA (主成分分析）分析，得到载荷系数；以载荷系数 为纵坐标，以波长为横坐标作图，选择图中波峰或波谷位置对应的波长作为特征波长代替 原始光谱；
[0030] 其中，特征波长的选取个数根据实际应用中的需要进行设定，本方法以8个为例 进行说明，具体实现时，本发明实施例对此不做限制。
[0031] 104:将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分 析；
[0032] 其中，数据统计分析软件可以为SPSS，将特征波长对应的反射率光谱数据直接导 入SPSS数据统计分析软件中，直接可以输出判别分析的结果。
[0033] 105:根据判别分析的结果，获取非标准化的典型判别函数、质心以及马氏距离，通 过马氏距离获取识别半径；
[0034] 其中，步骤105具体为：根据判别分析的结果，得到非标准化的典型判别函数71与 y2, PE、PP和PET三类样本的质心以及每种样本的马氏距离（即，每一类样本到相应质心的 距离），每一类样本中选取最远马氏距离（即离质心最远的那个样本的马氏距离），分别根 据最远马氏距离获取三类样本的识别半径R pe、RPP、Rpet。
[0035] 106 :建立非标准化的典型判别模型（包括非标准化的典型判别函数71与y 2，三类 样本的质心以及识别半径）和Fisher判别模型（包括Fisher的线性判别式函数yp又 2和 Y3)；
[0036] 其中，对于Fisher判别模型来说，Fisher的线性判别式函数ypyjP y 3直接由数 据统计分析软件SPSS可得。
[0037] 107 :通过预测样本数据，验证判别模型的可靠性和识别准确率。
[0038] 综上所述，通过上述步骤101-步骤107实现了对样本的识别，提高了识别的准确 率。
[0039] 实施例2
[0040] 本发明所述的塑料样本原料主要来源于生活中常见的各种废旧塑料制品以及废 旧电器电子产品拆解后得到的各种塑料，包括PE、PP和PET。采集到PE样本45个（其中 包括样本集30个，预测集15个）；PP样本48个（其中包括样本集30个，预测集18个）； PET样本45个（其中包括样本集30个，预测集15个）。
[0041] 对塑料样本的表面进行清洗并用砂纸打磨处理，擦除表面的污垢后，然后裁剪成 30mm*30mm大小的均匀块状，最后分别编号并在室温20-25°C下进行测试。
[0042] 本发明运用近红外高光谱仪对塑料样本进行近红外高光谱图像的采集，光源运用 卤钨灯，功率为200W，镜头距样品的高度为34cm，曝光时间为30ms，测试平台移动速度为 lcm-3cm/s，光谱波段为900-1700nm，光谱仪的帧数为100帧。
[0043] 在进行采集时，设置白板，并进行黑白校正。
[0044] 使用ENVI4. 7提取黑白校正后的高光谱数据，对提取的90个样本集的近红外高 光谱反射率数据进行主成分分析（PCA)，获取主成分分析排列前三的主成分；以前三的主 成分对应