基于智能与模糊聚类算法的混合塑料分选方法
【专利摘要】本发明公开了一种基于智能与模糊聚类算法的混合塑料分选方法，仅需要采用红外设备获取样本塑料和标准塑料的红外吸收光谱，实现样本塑料的分类识别，有效降低了混合塑料识别分选的成本；此外，在模糊聚类算法的基础上引入绝对值隶属度、相对模糊隶属度及阈值，通过优化目标函数得到测试样本与标准材料的隶属度，能够自动对测试样本进行归类，显著提高了混合塑料红外分选的识别效率和准确性。
【专利说明】
基于智能与模糊聚类算法的混合塑料分选方法
技术领域
[0001] 本发明涉及材料循环再利用过程中的混合塑料分类技术领域，具体涉及基于智能 与模糊聚类算法的混合塑料分选方法。
【背景技术】
[0002] 随着化工技术的发展，塑料产量与消费量也逐年增长，如果按体积计算已经接近 或超过世界钢铁的产量。由于易于加工成型以及性能的多元化，塑料在电子电器、包装、建 材、农业、交通、文化用品等领域获得了广泛应用，并促进了相关科学技术的发展和进步。根 据我国家电生产和销售情况的分析，家电用塑料约占塑料年消耗量的10-20%。因产品种类 的不同，家电中的塑料用量占比在5-40%之间（重量比）变化，而且随着家电个性化及多样 化的需求，家电中塑料用量有进一步增加的趋势。另一方面，随着全球资源能源的相对短缺 以及严重的环境保护压力，各国对环境保护、社会可持续绿色发展的重视程度空前提高。欧 盟各国、日本、韩国等充分意识到了废旧家电的处理及其材料的循环再利用问题，这些国家 相继颁布实施了与废弃电器相关的法律法规，并取得了良好的社会和经济效益。
[0003] 不同种类塑料制品有着不同的性能特点和使用要求，混合后的再生制品容易出现 分层、性能差的问题。因此，识别分选是废旧塑料循环利用的重要前提。传统塑料分选方法 有外观识别法、燃烧识别法、密度识别法、浮选识别法等，但这些方法存在分选效率低且容 易对环境造成二次污染的问题。随着光电技术的快速发展以及人们环境意识的日益提高， 塑料识别技术的研究也进入了一个快速的发展期，一系列先进的塑料识别方法推陈出新， 如红外分选方法。
[0004] 红外分选方法的原理是当红外光照射塑料时，会引起聚合物分子在不同的转动能 级之间或不同的振动能级之间发生跃迀，从而形成红外吸收光谱。不同的物质具有不同的 分子结构，其吸收不同的能量而产生不同的红外吸收光谱，然后根据各种物质的红外特征 吸收峰位置、数目、相对强度和形状(峰宽）等参数，推断试样中存在哪些基团，并确定其分 子结构。简言之，不同种类塑料在不同波长对应特定的红外吸收特征光谱，当两种材料的特 征光谱相同时，就可认定为同一种材料，这就是利用红外光谱进行结构分析和材料识别的 依据。
[0005] 现有技术中存在的红外分选方法存在设备价格高、识别效率低且准确性差的问 题，因此提供一种成本低、识别效率高且更为精确的混合塑料红外分选方法是目前亟待解 决的问题。
【发明内容】
[0006] 本发明提供了一种基于智能与模糊聚类算法的混合塑料分选方法，在采用模糊聚 类算法的基础上，引入了绝对值隶属度、相对模糊隶属度及阈值，通过优化目标函数得到测 试样本与各个标准材料的隶属度，从而决定样本的归属以达到自动对样本进行分类，以解 决现有技术中存在的混合塑料红外分选方法成本高、识别效率低且准确性差的问题。
[0007] 本发明为了实现上述目的，采用的技术方案为：
[0008] 基于智能与模糊聚类算法的混合塑料分选方法，包括如下步骤：
[0009] SI:获取Samplel塑料的红外吸收光谱，所述红外吸收光谱上具有多个红外特征吸 收峰；
[0010] S2:产生一组随机数山或依据经验得到一组随机数山，做归一化处理得到W，其中j 由参与对比的红外特征吸收峰的数量确定：
[0011]
'
[0012] S3:在波长为Ll的红外特征吸收峰的对应位置，计算Uj* I I yA-ysampie i| I的欧几里 德距离，其中yA为A塑料的红外吸收率，ySampielSSamplel塑料的红外吸收率；
[0013] S4:在L1、L2、L3......Lj j个特征吸收峰处，对Uj* | | yA-ysamPiei | |求目标函数，通过 优化迭代得到目标函数的极小值，并因此得到一组最优的Uppt;
[0014] S5:求Uj-Cipt方差的倒数，获得Samplel属于A塑料的绝对值隶属度UA;
[0015] S6:依据步骤S1-S5，计算Samplel属于其他种类塑料的绝对值隶属度；
[0016] S7:计算Samplel属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的 大小确定Samplel的归类；
[0017] S8:对于其他待分选样本，重复上述步骤S1-S7。
[0018]进一步的，所述在L1、L2、L3……Lj j个特征吸收峰处，对
求目标 函数，通过优化迭代得到目标函数的极小值，并因此得到一组最优的Uppt，具体为：
[0019] S21:采用模糊聚类算法得到目标函数为：
[0020]
[0021] 这里Uij介于0，1间，Ci为模糊组i的聚类中心，dij= I Ici-Xjl I为第i个聚类中心与 第j个数据点间的欧几里德距离，且m e [ I，a)是一个加权指数；
[0022] S22:构造新的目标函数为：
[0023]
[0024] S23:对所有输入参量求导，得到使目标函数最小的必要条件：
[0025]
[0026]
[0027] S24:将叫的值代入目标函数，若目标函数小于阀值ε，则算法停止，此时U^ipt = Uij;否则继续步骤S21、S22、S23。
[0028]进一步的，所述计算Samplel属于所有种类塑料的相对模糊隶属度，并根据相对模 糊隶属度的大小确定Samp I e 1的归类，具体为：
[0029] S31 :Samplel属于A塑料的相对模糊隶属度= UA/Samplel属于所有种类塑料的绝 对值隶属度之和；
[0030] S32:依据S31求得Samplel属于其他塑料的相对模糊隶属度；
[0031] S33:比较Samplel属于所有种类塑料的相对模糊隶属度，相对模糊隶属度最大的 塑料种类则对应Samp I e 1的归类。
[0032]本发明的有益技术效果为:本发明基于模糊聚类算法对混合塑料进行分类识别， 仅需要采用红外设备获取样本塑料和标准塑料的红外吸收光谱，实现样本塑料的分类识 另IJ，有效降低了混合塑料识别分选的成本;此外，在模糊聚类算法的基础上引入绝对值隶属 度、相对模糊隶属度及阈值，通过优化目标函数得到测试样本与标准材料的隶属度，能够自 动对测试样本进行归类，显著提高了混合塑料红外分选的识别效率和准确性。
【附图说明】
[0033]图1是本发明实施例提供的PE塑料以及测试样本Samplel、Sample2的红外吸收光 谱。
[0034]图2是本发明实施例提供的基于智能与模糊聚类算法的混合塑料分选方法的流程 图。
【具体实施方式】
[0035]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，不 能理解为对本发明具体保护范围的限定。
[0036]本实施例首先以PE塑料为标准材料，如图1所示为PE塑料的红外吸收光谱，图中的 L1、L2、L3处的波长对应PE塑料的三个特征吸收峰，此图选取了 PE塑料从lum-1.3um连续波 长对应的光谱。假定另有两个测试样本Sample 1和Sample 2,需要判断其属于哪种塑料，包 括如下步骤，如图2所示：
[0037] Sl:获取Samplel塑料的红外吸收光谱，如图1所示，所述红外吸收光谱上具有多个 红外特征吸收峰；
[0038] S2:产生一组随机数山或依据经验得到一组随机数山，做归一化处理得到Uj，其中j 由参与对比的红外特征吸收峰的数量确定：
[0039]
[0040] 本实施例中，参与对比的红外特征吸收峰的数量为三个，因此j = 3;
[0041] S3:在波长为LI的红外特征吸收峰的对应位置，计算Uj* I I yA-ysamPie 11 I的欧几里 德距离，其中yA为PE塑料的红外吸收率，ySampie^Samplel塑料的红外吸收率；
[0042] S4:在L1、L2、L3三个特征吸收峰处，对Uj*| |yA-ySampiel| I求目标函数，通过优化迭 代得到目标函数的极小值，并因此得到一组最优的Uppt;
[0043] S5:求u方差的倒数，获得Samp I e 1属于PE塑料的绝对值隶属度UA;
[0044] S6:依据步骤S1-S5，计算Samplel属于其他种类塑料的绝对值隶属度；
[0045] S7:计算Samplel属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的 大小确定Samplel的归类；
[0046] S8:对于Sample 2塑料，重复上述步骤S1-S7,Sample 2塑料的红外吸收光谱同样 在图1中示出。
[0047] 上述步骤S4中，所述在L1、L2、L3三个特征吸收峰处，对Uj*| |yA-ySampiel| I求目标函 数，通过优化迭代得到目标函数的极小值，并因此得到一组最优的Uppt，具体为：
[0048] S21:采用模糊聚类算法得到目标函数为：
[0049]
[0050] 这里Uij介于0，1间，Ci为模糊组i的聚类中心，dij= I Ici-Xjl I为第i个聚类中心与 第j个数据点间的欧几里德距离，且m e [ I，a)是一个加权指数；
[00511 S22:构造新的目标函数为：
[0052]
[0053] S23:对所有输入参量求导，得到使目标函数最小的必要条件：
[0054]
【主权项】
1. 基于智能与模糊聚类算法的混合塑料分选方法，其特征在于，包括如下步骤： S1:获取Samplel塑料的红外吸收光谱，所述红外吸收光谱上具有多个红外特征吸收 峰； S2:产生一组随机数山或依据经验得到一组随机数山，做归一化处理得到^，其中j由参 与对比的红外特征吸收峰的数量确定：S3:在波长为L1的红外特征吸收峰的对应位置，计算w*| |yA-ySample I的欧几里德距 离，其中yA为A塑料的红外吸收率，ySampielSSamplel塑料的红外吸收率； S4:在L1、L2、L3......Lj j个特征吸收峰处，对Uj* | | yA-ysamPiei | |求目标函数，通过优化 迭代得到目标函数的极小值，并因此得到一组最优的 S5:求Ujit方差的倒数，获得Samplel属于A塑料的绝对值隶属度uA; S6:依据步骤S1-S5,计算Samplel属于其他种类塑料的绝对值隶属度； S7:计算Samplel属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的大小 确定Samplel的归类； S8:对于其他待分选样本，重复上述步骤S1-S7。2. 根据权利要求1所述的基于智能与模糊聚类算法的混合塑料分选方法，其特征在于， 所述在L1、L2、L3......Lj j个特征吸收峰处，对Uj*| |yA-ysamPiei| |求目标函数，通过优化迭代 得到目标函数的极小值，并因此得到一组最优的Uppt，具体为： S21:采用模糊聚类算法得到目标函数为：这里Uij介于0，1间，Ci为模糊组i的聚类中心，dij = I |ci-xj| I为第i个聚类中心与第j个 数据点间的欧几里德距离，且m e [ 1，m)是一个加权指数； S22:构造新的目标函数为：S23:对所有输入参量求导，得到使目标函数最小的必要条件：S24:将叫的值代入目标函数，若目标函数小于阀值ε，则算法停止，此时1^-。的=1^;否 则继续步骤S21、S22、S23。3.根据权利要求1所述的基于智能与模糊聚类算法的混合塑料分选方法，其特征在于， 所述计算Samp 1 e 1属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的大小确 定Samp 1 e 1的归类，具体为： S31: Samp 1 e 1属于A塑料的相对模糊隶属度=UA/Samp 1 e 1属于所有种类塑料的绝对值隶 属度之和； S32:依据S31求得Samplel属于其他塑料的相对模糊隶属度； S33:比较Samplel属于所有种类塑料的相对模糊隶属度，相对模糊隶属度最大的塑料 种类则对应Samp 1 e 1的归类。
【文档编号】G06K9/62GK106056048SQ201610343478
【公开日】2016年10月26日
【申请日】2016年5月20日
【发明人】尹凤福, 汪传生, 张德伟, 闫磊, 徐衍辉, 韩清新
【申请人】尹凤福