一种近红外技术快速检测可降解塑料真伪性的方法

本发明涉及可降解塑料检测，尤其涉及一种利用近红外技术快速检测甄别可降解塑料真伪的方法。

背景技术：

1、可降解塑料在特定条件下能够分解成较小的分子，从而降低其对环境的影响。然而市面上的可降解材料真假掺杂，因此需要一种快速检测方法对可降解材料进行甄别。

2、可降解塑料的传统检测方法包括物理性质测试、化学分析和热分析等。物理性质测试包括测量可降解塑料的密度、熔点、熔融流动性等，来判断其降解程度。这些测试通常对样品具有破坏性，并且不能提供详细的分子结构信息。化学分析即使用化学方法对可降解塑料进行分解，并分析产物来确定降解程度。例如，通过测量溶解度的变化、气体释放量或产物生成量等来评估其降解程度。然而，这些方法需要耗费较长时间，且在处理样品时可能产生环境污染。热分析技术如热重分析(tga)和差示扫描量热法(dsc)，它们可以通过监测样品在不同温度下的质量变化或热行为来评估可降解塑料的性质变化。

3、近红外光谱是一种简单、快速的并且无损的检测技术，使用该技术能够在很短的时间内完成物质成份多组分的同步快速定量分析，分析精度非常高。该技术是通过测量样品不同波长的透射率或反射率来检测样品信息，完整的近红外光谱由一系列吸收带组成，这些吸收带的强度会因为样品中特定官能团吸收能量而发生变化。将近红外检测技术应用于可降解塑料的快速检测与甄别不仅效率高、不破坏样品，还能够准确区分不同类型的可降解塑料，为可持续材料选择和环保实践提供可靠支持。

技术实现思路

1、针对现有技术存在的不足，本发明提供了一种近红外技术快速检测可降解塑料真伪性的方法，本发明利用近红外光谱技术结合谱图处理技术和支持向量机法进行模型的建立，实现了对市面上大多可降解塑料真伪性的判别。

2、为实现上述目的，本发明提供如下技术方案

3、一种近红外技术快速检测可降解塑料真伪性的方法，包括以下步骤：

4、步骤s1：利用大量的已知材料为pbat、pp、pla、pbs、ldpe、hdpe、lldpe、pet的塑料膜进行光谱采集，采用kennard-stone方法划分训练集和预测集；

5、步骤s2：通过训练集的光谱，结合归一化算法的分析，从归一化后的光谱中提取特征，特征包括吸收峰位置和吸收强度，采用支持向量机算法对特征建模,并使用训练集中的样本数据来训练支持向量机模型；

6、步骤s3：使用预测集输入到训练得到的支持向量机模型中，以获得模型的预测结果，并分析调整得到优化后的支持向量机模型，通过该支持向量机模型用于快速检测可降解塑料真伪性。

7、作为本发明进一步的方案，所述步骤s1具体包括：从每个样本的光谱数据中提取特征，根据已知材料的光谱数据的特性，选择具有显著信息的光谱区间，其中pbat、pp、pla、pbs、ldpe、hdpe、lldpe、pet的塑料膜中pbat在1175nm和1400nm处各有1个特征峰，pp在1198nm和1300nm处各有1个特征峰，pla在1163nm和1387nm处各有1个特征峰，pbs在1170nm和1398nm处各有1个特征峰，ldpe在1203nm和1412nm处各有1个特征峰，hdpe在1204nm和1407nm处各有1个特征峰，lldpe在1204nm和1412nm处各有1个特征峰，pet在1151nm和1405nm处各有1个特征峰；从而选择1110-1500nm的近红外波段进行建模，以区分塑料膜的材料；使用欧氏距离计算每个样本与其他样本之间的距离；对所有样本按照计算得到的距离进行排序，以创建一个样本间的距离矩阵；选择前n个样本作为训练集，以及从剩余的样本中选择m个样本作为预测集。

8、作为本发明进一步的方案，所述步骤s2中：建模前，通过归一化与svm算法的分析。

9、作为本发明进一步的方案，归一化过程为：确定哪些特征需要进行归一化；对于每个选定的特征，计算其统计信息；根据问题的需求和数据的分布选择合适的归一化方法。

10、作为本发明进一步的方案，归一化方法包括：最小-最大缩放：将数据线性地缩放到指定的范围内，对于每个特征x，使用以下公式进行归一化：其中x归一化是归一化后的特征值，x是原始特征值，xmin是特征的最小值，xmax是特征的最大值；z-score归一化：将数据转化成均值为0、标准差为1的标准正态分布，对于每个特征x，使用以下公式进行标准化：x标准化是标准化后的特征值，x是原始特征值，μ是特征的均值，σ是特征的标准差。

11、作为本发明进一步的方案，归一化过程还包括：将归一化后的数据用于机器学习算法的训练和测试。

12、作为本发明进一步的方案，所述步骤s3中，使用训练集对svm模型进行训练，在训练过程中，svm会寻找一个最优的超平面，最小化分类错误；使用预测集，将其输入到训练得到的svm模型中，以获得模型的预测结果。

13、作为本发明进一步的方案，根据预测结果和实际值计算预测误差，以及根据预测误差和实际值计算性能指标。

14、作为本发明进一步的方案，根据计算出的性能指标对模型进行评估，分析模型的性能和准确性，如果模型的性能不满足要求，则重复上述的训练和评估过程直到得到优化后的支持向量机模型。

15、作为本发明进一步的方案，通过递归特征消除方法优化模型，使用训练集中的样本数据来训练支持向量机模型，以建立模型的预测能力，最后使用预测集中的样本数据来测试svm模型的性能。

16、本发明具有以下有益效果：

17、本发明通过已知材料包装袋的光谱采集，进行归一化处理，并通过svm算法建模，并使用递归特征消除(recursive feature elimination，rfe)方法优化模型，使用训练集中的样本数据来训练支持向量机模型，以建立模型的预测能力，最后使用预测集中的样本数据来测试svm模型的性能。通过本方法，不仅检测的过程简单、判别的精准性高，能够快速的分析出材料是否为可降解材料，并且能够分析出为何种的可降解材料，同时节省了大量的人力、物力、财力，经济效益高。

18、为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。

技术特征：

1.一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，所述步骤s1具体包括：从每个样本的光谱数据中提取特征，根据已知材料的光谱数据的特性，选择具有显著信息的光谱区间，其中pbat、pp、pla、pbs、ldpe、hdpe、lldpe、pet的塑料膜中pbat在1175nm和1400nm处各有1个特征峰，pp在1198nm和1300nm处各有1个特征峰，pla在1163nm和1387nm处各有1个特征峰，pbs在1170nm和1398nm处各有1个特征峰，ldpe在1203nm和1412nm处各有1个特征峰，hdpe在1204nm和1407nm处各有1个特征峰，lldpe在1204nm和1412nm处各有1个特征峰，pet在1151nm和1405nm处各有1个特征峰；从而选择1110-1500nm的近红外波段进行建模，以区分塑料膜的材料；使用欧氏距离计算每个样本与其他样本之间的距离；对所有样本按照计算得到的距离进行排序，以创建一个样本间的距离矩阵；选择前n个样本作为训练集，以及从剩余的样本中选择m个样本作为预测集。

3.如权利要求1所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，所述步骤s2中：建模前，通过归一化与svm算法的分析。

4.如权利要求3所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，归一化过程为：确定哪些特征需要进行归一化；对于每个选定的特征，计算其统计信息；根据问题的需求和数据的分布选择合适的归一化方法。

5.如权利要求4所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，归一化方法包括：最小-最大缩放：将数据线性地缩放到指定的范围内，对于每个特征x，使用以下公式进行归一化：其中x归一化是归一化后的特征值，x是原始特征值，xmin是特征的最小值，xmax是特征的最大值；z-score归一化：将数据转化成均值为0、标准差为1的标准正态分布，对于每个特征x，使用以下公式进行标准化：x标准化是标准化后的特征值，x是原始特征值，μ是特征的均值，σ是特征的标准差。

6.如权利要求5所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，归一化过程还包括：将归一化后的数据用于机器学习算法的训练和测试。

7.如权利要求6所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，所述步骤s3中，使用训练集对svm模型进行训练，在训练过程中，svm会寻找一个最优的超平面，最小化分类错误；使用预测集，将其输入到训练得到的svm模型中，以获得模型的预测结果。

8.如权利要求7所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，根据预测结果和实际值计算预测误差，以及根据预测误差和实际值计算性能指标。

9.如权利要求8所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，根据计算出的性能指标对模型进行评估，分析模型的性能和准确性，如果模型的性能不满足要求，则重复上述的训练和评估过程直到得到优化后的支持向量机模型。

10.如权利要求6所述的一种近红外技术快速检测可降解塑料真伪性的方法，其特征在于，通过递归特征消除方法优化模型，使用训练集中的样本数据来训练支持向量机模型，以建立模型的预测能力，最后使用预测集中的样本数据来测试svm模型的性能。

技术总结
本发明公开了一种近红外技术快速检测可降解塑料真伪性的方法，包括以下步骤：步骤S1：利用已知材料的包装袋样品进行光谱采集，采用kennard‑Stone方法划分训练集和预测集；步骤S2：通过训练集的光谱，结合归一化算法的分析，采用支持向量机算法建模,并使用训练集中的样本数据来训练支持向量机模型；步骤S3：使用预测集输入到训练得到的支持向量机模型中，以获得模型的预测结果，并分析调整得到优化后的支持向量机模型，通过本发明的方法，不仅检测的过程简单、判别的精准性高，能够快速的分析出材料是否为可降解材料，并且能够分析出为何种的可降解材料，同时节省了大量的人力、物力、财力，经济效益高。

技术研发人员：陈晨,汪香君,李军,熊露璐
受保护的技术使用者：上海工程技术大学
技术研发日：
技术公布日：2024/5/16