基于波段数量约束的近红外高光谱塑料分选系统及方法与流程

本发明属于近红外光谱分析，具体涉及基于波段数量约束的近红外高光谱塑料分选系统及方法。

背景技术：

1、随着塑料制品的广泛应用，废旧塑料的污染问题越来越成为目前亟待解决的一大难题。近红外高光谱线扫描相机以其特征性好、对样品颜色不敏感、测样速度快、可以对固体样品直接进行快速无损测量等特点，特别适用于废旧塑料的回收利用系统。近红外高光谱成像系统多采用线阵近红外高光谱相机对传送带上的物体进行成像，可以将光谱特征与塑料样品的像素位置一一对应，进行可视化分类，并应用识别算法对采样结果进行分析后，控制分选机构剔除或抓取特征物体。

2、实际应用时需要对传送带上的塑料碎片进行实时的分选，因此对模型判别的速度有较高要求。在单个塑料碎片的大小≥3mm2、传送带速度为3m/s的情况下，要求在5ms时间内完成一帧近红外光谱数据的检测和计算。在使用线阵传感器对传送带进行采样时，采集速度至少要达到1000帧/s才能满足上述要求。而目前的线阵近红外高光谱测量系统均小于该采样速度，限制了近红外高光谱系统在塑料分选中的应用。

3、现有技术中，通过一种用于提取连续投影特征波长的耦合平均影响值的算法，设置特征波长的数量范围，并在这个范围之内进行优选，最终得到了37个特征波长，并构建一个神经网络模型来对五个级别的玉米种子活力进行分级，该模型的预测精度能够达到了99.1％，但是特征波长的数量较高，未加载在图形处理器上运算，计算时间仍有优化空间。此外，运用遗传算法和模拟退火算法对支持向量机算法进行计算量上的优化，筛选出20个关键波长，再进行分类预测，经遗传算法优化后预测废塑料光谱准确率，但筛选得出的波长数目具有随机性，计算时间无法保证。还有使用竞争性自适应重加权算法来处理特征波长，并运用svm算法建立模型，对聚氯乙烯，尼龙、聚丙烯、聚苯乙烯4类塑料进行分类，平均准确率高达96.67％，但筛选得出的波长多达68个，无法精简计算量，提高计算速度。从以上现有技术中可以看出，在近红外光谱分析领域，对废旧塑料分选技术上可以实施，但是未以提升计算速度和保证模型精度为前提对特征波长的数量进行研究。

技术实现思路

1、为解决现有技术的不足，通过构建特征波长优选和分类模型，实现高速的近红外光谱采集和数据分析的目的，本发明采用如下的技术方案：

2、基于波段数量约束的近红外高光谱塑料分选系统，包括近红外高光谱数据采集模块、光谱分析模块和分选控制机构；

3、所述近红外高光谱数据采集模块，用于采集塑料物品近红外光谱数据；

4、所述光谱分析模块，根据近红外光谱数据，基于波段数量约束的连续投影算法筛选波长，预设最优波长数量h的取值范围[m，n]，m为最小波长数量，n为最大波长数量，当h＝m时，进行第一次基于连续投影算法的波长选择，得到一定范围的波长集合，当h＝n时，进行n-m次基于连续投影算法波长选择，得到n-m组波长集合，使用pls交叉验证对每个波长集合计算n-m组最小交叉验证均方根误差rmsecvi(1≤i≤n-m)和相应的波长组合，选择相应的最小值rmsecvi和相应的波长组合，使得到的数值在一定范围内是最优的；根据波长组合的波段和波段个数，构建偏最小二乘判别分析算法模型进行塑料分类判别，该模型是基于偏最小二乘回归的分类算法，偏最小二乘回归可以实现回归的同时进行数据的降维，因而适用于光谱数据这样的高维度数据；由于波长数量越小，运算速度越快，相对于准确度损来说带来的收益更大，当ncur取最小波长数量m时，修正系数为1；当ncur＞m时，对acc进行缩小的修正，以此对取得更小波长数量的计算进行奖励，但是当m和n的差距过小时，会出现过修正情况，因此，当n-m＞100，且m大于2时，以权修正准确度acc(accuracy)作为模型评价标准：

5、

6、其中，ncur表示当前波长数量；

7、所述分选控制机构，根据光谱分析模块的分类判别结果，对塑料物品进行分选。

8、进一步地，所述近红外高光谱数据采集模块，对传感器进行感兴趣区域处理，从空间唯独选择全部行像素，光谱维度选择特定的列像素，以选取所需的波段，从而显著提高传感器的采样速度，对于铟镓砷面阵传感器imx990，选择特定列像素时，最小的范围需包括8列像素，选取互不重叠的8个范围的情况下，实际选择了1280×8×8个像素，采样速度从235帧/秒提升至1800帧/秒。

9、进一步地，所述光谱分析模块中，连续投影算法对于有n个样本数，m个波长个数的光谱矩阵xn×m，假定需要的波长个数为h，其执行过程如下：

10、1、任意选择原始光谱矩阵的第j列xj，当迭代次数t＝1时，对应的xj记作xk(1)；

11、2、将没有被选择的列向量位置的集合记为：

12、

13、3、分别计算xj对其余列向量的投影：

14、

15、其中，i表示单位矩阵，t表示矩阵的转置；

16、4、提取含有最大投影向量的光谱波长：

17、

18、5、如果t<h，令t＝t+1，进行下一次迭代，返回步骤2；如果t＝h，循环终止；当循环终止时，得到的波长集合{xk(1),xk(2),...,xk(h)}即为经过spa选取的特征波长集合。

19、进一步地，在所述偏最小二乘判别分析算法模型分类判别前，基于塑料样本库，将近红外光谱数据通过非监督聚类算法进行分类标记；选用余弦相似度算法设定阈值，通过自适应标记的方式对目标塑料样本进行分类：

20、

21、其中，p、q为任意两个不同光谱数据；

22、余弦值大于阈值则判别参与计算的两个光谱数据来源于同一类塑料样本，由此计算得出相应的标签矩阵。

23、进一步地，所述偏最小二乘判别分析算法模型，采用k-fold交叉验证，确定所述模型用于最小二乘回归的潜在波长变量的数量，具体地，是将一个训练集随机地划分为k个子集，每次都将其中的一个子集用作交叉验证集，而剩余的k-1个子集构成一个训练集，改变参数，重复训练和预测的过程k次，以交叉验证集的k次平均预测结果评价模型好坏，以寻找最佳的模型参数；训练集和验证集的得分最高时对应的主成分数作为选取原则，并且，验证集的得分不高于训练集。

24、基于波段数量约束的近红外高光谱塑料分选方法，包括如下步骤：

25、步骤s1：采集塑料物品近红外光谱数据；

26、步骤s2：光谱分析，根据近红外光谱数据，基于波段数量约束的连续投影算法筛选波长，根据筛选的波段和波段个数，构建偏最小二乘判别分析算法模型进行塑料分类判别，该模型是基于偏最小二乘回归的分类算法，偏最小二乘回归可以实现回归的同时进行数据的降维，因而适用于光谱数据这样的高维度数据，波长筛选包括如下步骤：

27、步骤s2.1.1：预设最优波长数量h的取值范围[m，n]，m为最小波长数量，n为最大波长数量；

28、步骤s2.1.2：当h＝m时，进行第一次基于连续投影算法的波长选择，得到一定范围的波长集合；

29、步骤s2.1.3：当h＝n时，进行n-m次基于连续投影算法波长选择，得到n-m组波长集合，使用pls交叉验证对每个波长集合计算n-m组最小交叉验证均方根误差rmsecvi(1≤i≤n-m)和相应的波长组合，选择相应的最小值rmsecvi和相应的波长组合，使得到的数值在一定范围内是最优的；根据波长组合得到相应的波段和波段个数；由于波长数量越小，运算速度越快，相对于准确度损来说带来的收益更大，当ncur取最小波长数量m时，修正系数为1；当ncur＞m时，对acc进行缩小的修正，以此对取得更小波长数量的计算进行奖励，但是当m和n的差距过小时，会出现过修正情况，因此，当n-m＞100，且m大于2时，以权修正准确度acc(accuracy)作为模型评价标准：

30、

31、其中，ncur表示当前波长数量；

32、步骤s3：根据分类判别结果对塑料物品进行分选。

33、进一步地，所述步骤s1的近红外高光谱数据采集中，对传感器进行感兴趣区域处理，从空间唯独选择全部行像素，光谱维度选择特定的列像素，以选取所需的波段，从而显著提高传感器的采样速度，对于铟镓砷面阵传感器imx990，选择特定列像素时，最小的范围需包括8列像素，选取互不重叠的8个范围的情况下，实际选择了1280×8×8个像素，采样速度从235帧/秒提升至1800帧/秒。

34、进一步地，所述步骤s2的光谱分析中，连续投影算法对于有n个样本数，m个波长个数的光谱矩阵xn×m，假定需要的波长个数为h，其执行过程如下：

35、步骤s2.2.1：任意选择原始光谱矩阵的第j列xj，当迭代次数t＝1时，对应的xj记作xk(1)；

36、步骤s2.2.2：将没有被选择的列向量位置的集合记为：

37、

38、步骤s2.2.3：分别计算xj对其余列向量的投影：

39、

40、其中，i表示单位矩阵，t表示矩阵的转置；

41、步骤s2.2.4：提取含有最大投影向量的光谱波长：

42、

43、步骤s2.2.5：如果t<h，令t＝t+1，进行下一次迭代，返回步骤2；如果t＝h，循环终止；当循环终止时，得到的波长集合{xk(1),xk(2),...,xk(h)}即为经过spa选取的特征波长集合。

44、进一步地，所述步骤s2中，在偏最小二乘判别分析算法模型分类判别前，基于塑料样本库，将近红外光谱数据通过非监督聚类算法进行分类标记；选用余弦相似度算法设定阈值，通过自适应标记的方式对目标塑料样本进行分类：

45、

46、其中，p、q为任意两个不同光谱数据；

47、余弦值大于阈值则判别参与计算的两个光谱数据来源于同一类塑料样本，由此计算得出相应的标签矩阵。

48、进一步地，所述步骤s2中的偏最小二乘判别分析算法模型，采用k-fold交叉验证，确定所述模型用于最小二乘回归的潜在波长变量的数量，具体地，是将一个训练集随机地划分为k个子集，每次都将其中的一个子集用作交叉验证集，而剩余的k-1个子集构成一个训练集，改变参数，重复训练和预测的过程k次，以交叉验证集的k次平均预测结果评价模型好坏，以寻找最佳的模型参数；训练集和验证集的得分最高时对应的主成分数作为选取原则，并且，验证集的得分不高于训练集。

49、本发明的优势和有益效果在于：

50、本发明的基于波段数量约束的近红外高光谱塑料分选系统及方法，通过对高光谱采集模块进行roi处理，从而提高传感器的采样速度；随后进行波长数量约束，采集来自日常生活的废弃塑料，对它们的近红外光谱进行分析，建立多种类别的塑料高光谱样本库并采集光谱数据，利用优化后的spa算法限定波长数量，并筛选出波长组合，极大减少了待处理的光谱数据数量，提高了系统运算速度；此外，还选取余弦相似度算法，通过对目标塑料样品建立自适应标签的方法创建标签矩阵，建立spasa-pls-da模型进行塑料分类，通过将本发明的模型与全谱pls-da模型和spa-pls-da模型比较，三种模型对多种塑料的分类准确率都达到了97％以上；而三个模型应用于分选系统对abs塑料进行分类判别、整体测试和速度对比后，本发明的spasa-pls-da模型速度明显高于其他模型所在的分选系统，达到了在2ms帧/s，分类准确度为100％。