CN106018324A - 一种基于近红外光谱分析的塑料识别装置和方法 - Google Patents
一种基于近红外光谱分析的塑料识别装置和方法 Download PDFInfo
- Publication number
- CN106018324A CN106018324A CN201610670157.4A CN201610670157A CN106018324A CN 106018324 A CN106018324 A CN 106018324A CN 201610670157 A CN201610670157 A CN 201610670157A CN 106018324 A CN106018324 A CN 106018324A
- Authority
- CN
- China
- Prior art keywords
- light
- sample
- identified
- light source
- spectrum analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004033 plastic Substances 0.000 title claims abstract description 72
- 229920003023 plastic Polymers 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000004497 NIR spectroscopy Methods 0.000 title abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000002329 infrared spectrum Methods 0.000 claims description 26
- 230000003595 spectral effect Effects 0.000 claims description 17
- 210000005036 nerve Anatomy 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000013307 optical fiber Substances 0.000 claims description 12
- 238000004611 spectroscopical analysis Methods 0.000 claims description 12
- 238000000985 reflectance spectrum Methods 0.000 claims description 11
- 239000000470 constituent Substances 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 5
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000003321 amplification Effects 0.000 abstract 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 10
- 238000005192 partition Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000005188 flotation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012958 reprocessing Methods 0.000 description 3
- 239000000080 wetting agent Substances 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- TUSDEZXZIZRFGC-UHFFFAOYSA-N 1-O-galloyl-3,6-(R)-HHDP-beta-D-glucose Natural products OC1C(O2)COC(=O)C3=CC(O)=C(O)C(O)=C3C3=C(O)C(O)=C(O)C=C3C(=O)OC1C(O)C2OC(=O)C1=CC(O)=C(O)C(O)=C1 TUSDEZXZIZRFGC-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 239000001263 FEMA 3042 Substances 0.000 description 1
- LRBQNJMCXXYXIU-PPKXGCFTSA-N Penta-digallate-beta-D-glucose Natural products OC1=C(O)C(O)=CC(C(=O)OC=2C(=C(O)C=C(C=2)C(=O)OC[C@@H]2[C@H]([C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)O2)OC(=O)C=2C=C(OC(=O)C=3C=C(O)C(O)=C(O)C=3)C(O)=C(O)C=2)O)=C1 LRBQNJMCXXYXIU-PPKXGCFTSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- LRBQNJMCXXYXIU-NRMVVENXSA-N tannic acid Chemical compound OC1=C(O)C(O)=CC(C(=O)OC=2C(=C(O)C=C(C=2)C(=O)OC[C@@H]2[C@H]([C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)O2)OC(=O)C=2C=C(OC(=O)C=3C=C(O)C(O)=C(O)C=3)C(O)=C(O)C=2)O)=C1 LRBQNJMCXXYXIU-NRMVVENXSA-N 0.000 description 1
- 229940033123 tannic acid Drugs 0.000 description 1
- 235000015523 tannic acid Nutrition 0.000 description 1
- 229920002258 tannic acid Polymers 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱分析的塑料识别装置,包括光源单元、样品采集单元、检测单元和电路控制单元。光源单元用于提供光源;样品采集单元用于采集待识别样品的反射光并传至检测单元;检测单元,用于对反射光进行分光后转换为光电流信号传送至电路控制单元;电路控制单元,包括直流电源、运算放大器和计算机控制端;运算放大器用于接收光电流信号并进行放大后传递至计算机控制端。该方法包括步骤:预先基于人工神经网络模型预先训练出识别模型、提取待识别样品的近红外反射光谱、依据所述识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。该方法和装置,能够快速准确的识别多种常见塑料。
Description
技术领域
本发明涉及塑料识别技术领域,特别是涉及一种基于近红外光谱分析的塑料识别装置和方法。
背景技术
塑料的回收利用是解决生态环境问题的一重要部分。塑料的种类繁多,在塑料再加工利用过程中,不同种类的塑料混合在一起进行再加工时,制品容易出现分层,性能较差。所以,塑料的回收再加工对塑料的纯度有一定的要求,为了使塑料得到更好的回收利用,在塑料再循环利用之前对塑料进行有效分类是十分重要的环节。
传统的塑料识别方法有多种方法,包括浮沉分离法、电选分离法、浮选分离法等。其中浮沉分离法利用不同密度的塑料对于同一种分离液呈现漂浮或者沉底等不同状态而实现分离。这种方法在待识别的塑料种类少且密度差值大的情况下比较有效,但是对于密度相近的塑料不能进行有效的识别分离,导致识别精度不高。
综上,现有技术中的浮沉分离法存在无法识别密度相近的塑料的技术缺陷。
发明内容
本发明的目的是提供一种基于近红外光谱分析的塑料识别装置,以解决上述技术问题。
为实现上述目的,本发明提供了如下方案:
一种基于近红外光谱分析的塑料识别装置,包括光源单元、样品采集单元、检测单元和电路控制单元;
所述光源单元用于发射照射待识别样品的光源;
所述样品采集单元用于采集待识别样品在所述光源照射下反射出的反射光并传至所述检测单元;
所述检测单元,用于对所述反射光进行分光后转换为光电流信号传送至所述电路控制单元;
所述电路控制单元,包括直流电源、运算放大器和计算机控制端;所述直流电源与所述计算机控制端和所述运算放大器电连接;所述运算放大器用于接收所述光电流信号并进行放大后传递至所述计算机控制端;
所述计算机控制端用于预先基于人工神经网络模型预先训练出识别模型、从所述光电流信号提取待识别样品的近红外反射光谱、依据所述识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
其中,所述光源单元包括白光源、光纤、单色器和透镜;
所述白光源和所述单色器通过所述光纤连接,所述白光源发出的复色光经由光纤传送到所述单色器,所述单色器扫描将所述复色光分解成单色光,单色光经由光纤传送到所述透镜上,透镜将光汇聚后发射至所述样品采集单元。
其中,所述样品采集单元包括样品架、反射镜和积分球;
所述样品架和所述反射镜均置于所述积分球内;所述样品架用于固定待识别样品;
所述积分球设有进光孔和探测孔;所述光源单元发射出的光源经所述进光孔进入到所述积分球中,由内部的所述反射镜反射后照射到待识别样品上,之后经过待识别样品表面的漫反射后照射至所述积分球的内壁,再经过积分球内壁的漫反射,从所述探测孔射出所述反射光。
其中,所述检测单元包括法布里-珀罗可调谐滤光器、PIN型光电二极管和热敏电阻;
所述法布里-珀罗可调谐滤光器用于对所述反射光进行分光;
PIN型光电二极管用于吸收分光后的光辐射并产生光电流信号;
所述热敏电阻用于监测所述检测单元的温度。
其中,所述PIN型光电二极管为InGaAs PIN型光电二极管。
本发明实施例还一种基于近红外光谱分析的塑料识别方法,包括步骤:
步骤A,基于人工神经网络模型预先训练出识别模型;
步骤B,采集待识别样品的近红外反射光谱;
步骤C,依据所述识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
其中,所述步骤A包括步骤:
步骤A1,设置样品训练集合,检测所述样品训练集合中的多种塑料在近红外波段的反射光谱图;
步骤A2,提取所述反射光谱图各波长处的发射光率光谱数据;
步骤A3,对所述反射光率光谱数据进行主成分分析,得到所述样品训练集合的主成分;
步骤A4,将所述样品训练集合的主成分作为人工神经网络模型的输入节点,对所述人工神经网络模型进行训练,得到识别模型。
其中,所述步骤A2包括分别采集所述样品训练集中的多种塑料的在1000-1850nm波段的反射光谱数据。
其中,所述步骤A2包括每间隔5nm提取一次反射率光谱数据。
其中,所述步骤A1设置样品训练集合包括步骤:
设置所述样品训练集的塑料种类包括ABS、PP、PE、PET、PS、PVC和PC。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于近红外光谱分析的塑料识别装置和方法,通过设置光源单元、样品采集单元、检测单元来采集含有待识别塑料的反射光谱的光电流信号,通过电路控制单元设置的运算放大器进行放大后传至计算机控制端,计算机控制端将光电流信号转换成反射光谱,并根据预先建立的识别模型识别反射光谱所表征的塑料类型,从而实现塑料类型的近红外光谱自动识别。一些常见废旧塑料(如PE、PVC、PP、PS、PET、ABS等)的近红外光谱都有各自独特的光谱区,易于区分,且不同种类的塑料无论是否密度相同,都会表现出不同的近红外反射光谱,因此本发明提供的基于光谱分析的方法可以识别密度相同或者相近的不同类型的塑料,分析快速简便,无需制样,稳定可靠;而且现有技术中的浮沉分离法也需要添加润湿剂例如CaLS等,对环境造成污染,而本发明提供的方法和装置不使用溶剂,不污染环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的基于近红外光谱分析的塑料识别装置的结构模块图;
图2为本发明实施例一提供的基于近红外光谱分析的塑料识别装置的结构示意图;
图3为本发明实施例提供的基于近红外光谱分析的塑料识别方法的工作流程示意图;
图4为本发明实施例提供的基于近红外光谱分析的塑料识别方法中建立识别模型的一个实施例的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于近红外光谱分析的塑料识别装置。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例一提供一种基于近红外光谱分析的塑料识别装置,参见图1所示,包括光源单元、样品采集单元、检测单元和电路控制单元。
光源单元用于发射照射待识别样品的光源;
样品采集单元用于采集待识别样品在光源照射下反射出的反射光并传至所述检测单元;
检测单元,用于对反射光进行分光后转换为光电流信号传送至电路控制单元。
优选地,参见图2所示,所述光源单元包括白光源1、光纤2/4、单色器3和透镜5;样品采集单元包括样品架6、反射镜7和积分球8。
白光源1和单色器3通过光纤2连接,白光源1发出的复色光经由光纤2传送到单色器3,单色器3扫描将复色光分解成单色光,单色光经由光纤4传送到透镜5上,透镜5将光汇聚后发射至样品采集单元。
优选地,白光源由卤素灯等光源发射。
样品架6和反射镜7均置于所述积分球8内;样品架6用于固定待识别样品。
积分球8设有进光孔和探测孔;光源单元1发射出的光源经进光孔进入到积分球8中,由内部的反射镜7反射后照射到待识别样品上,之后经过待识别样品表面的漫反射后照射至所述积分球8的内壁,再经过积分球8内壁的漫反射,从探测孔射出反射光。也就是说,光经过透镜5汇聚后由积分球8的进光孔进入到积分球8中,又由内部的一反射镜7反射,将光照射到样品上,光经过样品表面的漫反射后,再经过积分球8内的漫反射,最后从探测孔射出。
本发明实施例中提供的样品架用于放置固体样品,优选地,还包括用于放置液体样品的液体池。
优选地,检测单元主要包括一个光谱传感器9,光谱传感器9包括法布里-珀罗可调谐滤光器、PIN型光电二极管和热敏电阻。优选地,PIN型光电二极管为InGaAs PIN型光电二极管。
优选地,在本发明实施例中,光谱传感器是一款超小型、低成本的光谱探测器,采用法布里珀罗标准具(FP)分光技术并采用MEMS技术进行加工,将探测器部分和分光部分封装在一个器件中。
其中,法布里-珀罗可调谐滤光器具有分光的功能,用于对反射光进行分光;InGaAs PIN型光电二极管作为光电探测器,用于吸收分光后的光辐射并产生光电流信号;热敏电阻用于监测整个光谱传感器的温度。
法布里-珀罗可调谐滤光器采用FP分光技术为原理实现分光作用。滤光器上有一个上反射镜和下反射镜,两反射镜相对放置,中间留有空隙,当在两反射镜上作用一个电压时,反射镜间产生静电吸引力调整两反射镜间的空隙间隔,上反射镜上有一层薄膜结构,当空隙间隔为mλ/2(m为整数),上反射镜就相当于一个滤光器件,只允许波长为λ的光通过,透射波长λ可通过作用在反射镜上的电压值控制空隙间隔来调整,使用硅材料作为基地来发射红外光线,由此实现分光的作用。
InGaAs PIN型光电二极管用来检测由法布里-珀罗可调谐滤光器选择出的透射光波,实现检测的作用。
电路控制单元,包括直流电源10、运算放大器11、计算机控制端12。直流电源10与光谱传感器9、计算机控制端12和运算放大器11电连接,由计算机控制端12进行控制,作用于法布里-珀罗可调谐滤光器。运算放大器11用于接收光电流信号并进行放大后传递至计算机控制端12。即由光电探测器探测到的信号经过运算放大器11放大,最后通过计算机控制端12控制,实现光谱图像的显示和处理。
计算机控制端12用于预先基于人工神经网络模型预先训练出识别模型、从光电流信号提取待识别样品的近红外反射光谱、依据识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
优选地,可以将所有单元组装集成,形成一种便携式近红外光谱仪器。
本发明实施例一提供的近红外光谱仪器在结构上具有光源,分光,检测,电路控制等单元,通过提供白光源、设置单色器将复色光分解为单色光、设置透镜改善光束质量、设置样品室放置样品、采用微机电(MEMS)加工工艺制作的光谱传感器作为仪器的核心器件,探测样品的光谱信息;设置直流电源;设置运算放大器放大探测器信号;设置计算机控制端用于光谱分析识别,可实现对常见的多种塑料例如ABS,PP,PE,PET,PS,PVC,PC等的识别,识别快速准确,不受塑料密度影响,同时不污染环境。
实施例二
本发明实施例二提供一种基于近红外光谱分析的塑料识别方法,参见图3所示,包括步骤:
步骤S210,基于人工神经网络模型预先训练出识别模型。
步骤S211,采集待识别样品的近红外反射光谱。
步骤S212,依据识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
优选地,基于人工神经网络模型预先训练出识别模型包括步骤:
设置样品训练集合,检测样品训练集合中的多种塑料在近红外波段的反射光谱图;提取反射光谱图各波长处的发射光率光谱数据;对反射光率光谱数据进行主成分分析,得到样品训练集合的主成分;将样品训练集合的主成分作为人工神经网络模型的输入节点,对人工神经网络模型进行训练,得到识别模型。
作为一种具体的可实施方式,参见图4所示,训练识别模型的步骤包括:
Sa1:用近红外光谱仪器分别检测ABS,PP,PE,PET,PS,PVC,PC七种塑料在近红外波段的反射光谱图;
其中,ABS,PP,PE,PET,PS,PVC,PC这七种塑料样品均为市面上购买的散料,ABS四种,PP两种,PE两种,PET一种,PS两种,PVC一种,PC四种,本实施例中每种塑料的品种和来源尽可能多样且每个品种的散料量均充足,能够满足以后未知样品的预测范围。分别采集七种塑料的在1000-1850nm波段的反射光谱,对ABS和PC每个品种的塑料各采集10组数据,对PP,PE和PS每个品种的塑料各采集20组数据,对PET和PVC各采集40组数据,每种塑料有40组数据。在采集光谱时在仪器中增建了一块透镜,对反射光进行汇聚,增强信号强度,显著减小了噪声的影响。
Sa2:用光谱分析软件提取光谱图像各波长处的反射率光谱数据,必要时对数据进行预处理;
其中,本实施例中每间隔5nm提取一次反射率光谱数据,即每组数据提取出171个反射率数据。
优选地,必要时的数据预处理包括一阶求导,二阶求导等。
Sa3:对光谱数据进行主成分分析,选择特征波长,得到可以代表原光谱信息的得分矩阵;
其中,通过MATLAB对光谱数据的主成分分析,根据得到的贡献率,选取前8个主成分代表原光谱信息的绝大部分特征信息,大大减少了数据处理量,这里前8个主成分累计贡献率为94.4%,本实施例中光谱数据没经过预处理就得到了很好的聚类效果。
Sa4:根据主成分分析的结果,利用样品训练集建立人工神经网络模型;
通过主成分分析的结果可以得到样品训练集的主成分,将其作为人工神经网络模型的输入节点,对人工神经网络模型进行训练,建立识别模型。
其中,本发明提出的塑料识别方法中采用人工神经网络中典型的BP神经网络作为训练模型,选取7x30组样品作为训练集,经测试选取10个隐含节点时,效果最好,建立一个8-10-3的三层BP神经网络模型,训练5000次,误差目标为0.00001。在主成分分析的基础上,将前8个主成分作为人工神经网络的输入节点,输出节点设置为3个,规定ABS的输出为000,PP为001,PE为010,PET为011,PS为100,PVC为101,PC为110。
Sa5:利用样品预测集验证模型可靠性和准确度。
其中,选取7x10组样品作为预测集,验证人工神经网络模型的可靠性和准确度。验证结果如下表所示:
以其中第一组测试为例,人工神经网络输出的3个节点值为-0.0004,-0.0021,0.0015,最为接近000,即它的真实值,所以验证结果正确,该塑料为ABS。由表1可知,70组测试中只有一组测试结果有误,本发明方法对塑料的是识别准确率达98.57%,能够实现对塑料的有效识别。
现有技术中,对于塑料的识别还有浮选分离法和电选分离法等,浮选分离法在对塑料进行识别的过程中需要添加单宁酸等润湿剂,对环境有污染,而电选分离法对材料的干燥度和实验温度要求十分严格,操作成本高。
本实施例提供的基于近红外光谱分析的塑料识别装置,通过以光谱传感器作为核心器件,设置光源,单色器,样品采集单元,直流电源,运算放大器等器件,将各部分准确连接,最后通过计算机控制端进行对样品进行测试,获取样品的近红外反射光谱图,结合本发明提出的塑料识别方法可对常见的多种塑料例如ABS,PP,PE,PET,PS,PVC,PC等进行识别。
该装置其体积小,成本低,性能优越,结合提出的塑料识别方法,对塑料的识别高效快速且准确度高,相比于现有技术中的电选分离法对材料的干燥程度无要求,对实验温度也无要求,降低了操作成本,可实施性更好;此外,相比于现有技术中的浮选分离法,无需添加润湿剂,对环境无污染。综合来讲,本发明提供的装置和方法,能够快速方便地对塑料进行识别,成本低、不污染环境,应用前景广阔。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于近红外光谱分析的塑料识别装置,其特征在于,包括光源单元、样品采集单元、检测单元和电路控制单元;
所述光源单元用于发射照射待识别样品的光源;
所述样品采集单元用于采集待识别样品在所述光源照射下反射出的反射光并传至所述检测单元;
所述检测单元,用于对所述反射光进行分光后转换为光电流信号传送至所述电路控制单元;
所述电路控制单元,包括直流电源、运算放大器和计算机控制端;所述直流电源与所述计算机控制端和所述运算放大器电连接;所述运算放大器用于接收所述光电流信号并进行放大后传递至所述计算机控制端;
所述计算机控制端用于预先基于人工神经网络模型预先训练出识别模型、从所述光电流信号提取待识别样品的近红外反射光谱、依据所述识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
2.根据权利要求1所述的基于近红外光谱分析的塑料识别装置,其特征在于,所述光源单元包括白光源、光纤、单色器和透镜;
所述白光源和所述单色器通过所述光纤连接,所述白光源发出的复色光经由光纤传送到所述单色器,所述单色器扫描将所述复色光分解成单色光,单色光经由光纤传送到所述透镜上,透镜将光汇聚后发射至所述样品采集单元。
3.根据权利要求1所述的基于近红外光谱分析的塑料识别装置,其特征在于,所述样品采集单元包括样品架、反射镜和积分球;
所述样品架和所述反射镜均置于所述积分球内;所述样品架用于固定待识别样品;
所述积分球设有进光孔和探测孔;所述光源单元发射出的光源经所述进光孔进入到所述积分球中,由内部的所述反射镜反射后照射到待识别样品上,之后经过待识别样品表面的漫反射后照射至所述积分球的内壁,再经过积分球内壁的漫反射,从所述探测孔射出所述反射光。
4.根据权利要求1所述的基于近红外光谱分析的塑料识别装置,其特征在于,所述检测单元包括法布里-珀罗可调谐滤光器、PIN型光电二极管和热敏电阻;
所述法布里-珀罗可调谐滤光器用于对所述反射光进行分光;
PIN型光电二极管用于吸收分光后的光辐射并产生光电流信号;
所述热敏电阻用于监测所述检测单元的温度。
5.根据权利要求4所述的基于近红外光谱分析的塑料识别装置,其特征在于,所述PIN型光电二极管为InGaAs PIN型光电二极管。
6.一种基于近红外光谱分析的塑料识别方法,其特征在于,包括步骤:
步骤A,基于人工神经网络模型预先训练出识别模型;
步骤B,采集待识别样品的近红外反射光谱;
步骤C,依据所述识别模型对待识别样品的近红外反射光谱进行识别,得到待识别样品的识别结果。
7.根据权利要求6所述的基于近红外光谱分析的塑料识别方法,其特征在于,所述步骤A包括步骤:
步骤A1,设置样品训练集合,检测所述样品训练集合中的多种塑料在近红外波段的反射光谱图;
步骤A2,提取所述反射光谱图各波长处的发射光率光谱数据;
步骤A3,对所述反射光率光谱数据进行主成分分析,得到所述样品训练集合的主成分;
步骤A4,将所述样品训练集合的主成分作为人工神经网络模型的输入节点,对所述人工神经网络模型进行训练,得到识别模型。
8.根据权利要求7所述的基于近红外光谱分析的塑料识别方法,其特征在于,所述步骤A2包括分别采集所述样品训练集中的多种塑料的在1000-1850nm波段的反射光谱数据。
9.根据权利要求8所述的基于近红外光谱分析的塑料识别方法,其特征在于,所述步骤A2包括每间隔5nm提取一次反射率光谱数据。
10.根据权利要求6-9任一项所述的基于近红外光谱分析的塑料识别方法,其特征在于,所述步骤A1设置样品训练集合包括步骤:
设置所述样品训练集的塑料种类包括ABS、PP、PE、PET、PS、PVC和PC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610670157.4A CN106018324A (zh) | 2016-08-15 | 2016-08-15 | 一种基于近红外光谱分析的塑料识别装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610670157.4A CN106018324A (zh) | 2016-08-15 | 2016-08-15 | 一种基于近红外光谱分析的塑料识别装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106018324A true CN106018324A (zh) | 2016-10-12 |
Family
ID=57134058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610670157.4A Pending CN106018324A (zh) | 2016-08-15 | 2016-08-15 | 一种基于近红外光谱分析的塑料识别装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106018324A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872393A (zh) * | 2017-04-14 | 2017-06-20 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN108181258A (zh) * | 2017-12-19 | 2018-06-19 | 东风汽车集团有限公司 | 塑料牌号的鉴定方法 |
CN108489910A (zh) * | 2018-03-09 | 2018-09-04 | 大连理工大学 | 一种基于高光谱技术的牡蛎体内微塑料快速检测方法 |
CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
CN110898890A (zh) * | 2019-11-28 | 2020-03-24 | 广州广电计量检测股份有限公司 | 一种研磨粉碎装置和研磨方法 |
CN113834796A (zh) * | 2021-08-31 | 2021-12-24 | 广东弓叶科技有限公司 | 透明与非透明材质可测的材质测试方法 |
CN114235740A (zh) * | 2021-11-12 | 2022-03-25 | 华南理工大学 | 一种基于XGBoost模型的废杂塑料光谱识别方法 |
CN114354531A (zh) * | 2021-12-30 | 2022-04-15 | 合肥工业大学 | 一种基于近红外的双波长相干光源的塑料识别系统 |
CN115062807A (zh) * | 2022-08-19 | 2022-09-16 | 广东安拓普聚合物科技有限公司 | 一种pcr回收方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5512752A (en) * | 1993-01-14 | 1996-04-30 | Toa Electronics, Ltd. | Method of determining type of plastics |
CN201045610Y (zh) * | 2007-06-18 | 2008-04-09 | 金英俊 | 可见光、近红外光光谱分析测量仪 |
CN101446548A (zh) * | 2008-12-23 | 2009-06-03 | 天津大学 | 基于响应量转换实现牛奶成分测量的装置及方法 |
CN102830064A (zh) * | 2012-08-20 | 2012-12-19 | 中国科学院宁波材料技术与工程研究所 | 一种中高温红外发射率测试装置 |
CN103115688A (zh) * | 2013-01-24 | 2013-05-22 | 南京大学 | 频率可调谐的吉赫兹正弦门控近红外单光子探测器 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
-
2016
- 2016-08-15 CN CN201610670157.4A patent/CN106018324A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5512752A (en) * | 1993-01-14 | 1996-04-30 | Toa Electronics, Ltd. | Method of determining type of plastics |
CN201045610Y (zh) * | 2007-06-18 | 2008-04-09 | 金英俊 | 可见光、近红外光光谱分析测量仪 |
CN101446548A (zh) * | 2008-12-23 | 2009-06-03 | 天津大学 | 基于响应量转换实现牛奶成分测量的装置及方法 |
CN102830064A (zh) * | 2012-08-20 | 2012-12-19 | 中国科学院宁波材料技术与工程研究所 | 一种中高温红外发射率测试装置 |
CN103115688A (zh) * | 2013-01-24 | 2013-05-22 | 南京大学 | 频率可调谐的吉赫兹正弦门控近红外单光子探测器 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
Non-Patent Citations (4)
Title |
---|
孙肖子 等: "《电子设计指南》", 31 January 2006, 高等教育出版社 * |
杨照金 等: "《军用目标伪装隐身技术概论》", 28 February 2014, 国防工业出版社 * |
赵清华: "基于主成分分析报废车用塑料近红外识别技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
魏福祥: "《现代分子光谱技术及应用》", 31 January 2015, 中国石化出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872393B (zh) * | 2017-04-14 | 2019-08-06 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN106872393A (zh) * | 2017-04-14 | 2017-06-20 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN108181258A (zh) * | 2017-12-19 | 2018-06-19 | 东风汽车集团有限公司 | 塑料牌号的鉴定方法 |
CN108489910B (zh) * | 2018-03-09 | 2020-08-14 | 大连理工大学 | 一种基于高光谱技术的牡蛎体内微塑料快速检测方法 |
CN108489910A (zh) * | 2018-03-09 | 2018-09-04 | 大连理工大学 | 一种基于高光谱技术的牡蛎体内微塑料快速检测方法 |
CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
CN110898890A (zh) * | 2019-11-28 | 2020-03-24 | 广州广电计量检测股份有限公司 | 一种研磨粉碎装置和研磨方法 |
CN113834796A (zh) * | 2021-08-31 | 2021-12-24 | 广东弓叶科技有限公司 | 透明与非透明材质可测的材质测试方法 |
CN114235740A (zh) * | 2021-11-12 | 2022-03-25 | 华南理工大学 | 一种基于XGBoost模型的废杂塑料光谱识别方法 |
CN114354531A (zh) * | 2021-12-30 | 2022-04-15 | 合肥工业大学 | 一种基于近红外的双波长相干光源的塑料识别系统 |
CN114354531B (zh) * | 2021-12-30 | 2024-02-02 | 合肥工业大学 | 一种基于近红外的双波长相干光源的塑料识别系统 |
CN115062807A (zh) * | 2022-08-19 | 2022-09-16 | 广东安拓普聚合物科技有限公司 | 一种pcr回收方法及系统 |
CN115062807B (zh) * | 2022-08-19 | 2022-11-04 | 广东安拓普聚合物科技有限公司 | 一种pcr回收方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106018324A (zh) | 一种基于近红外光谱分析的塑料识别装置和方法 | |
Chen et al. | Feasibility study of ore classification using active hyperspectral LiDAR | |
US7652769B2 (en) | Method and apparatus for assessing purity of vegetable oils by means of terahertz time-domain spectroscopy | |
CN108279217B (zh) | 一种基于太赫兹时域光谱的煤岩判别方法 | |
US20190072484A1 (en) | Tumor cell detection method and tumor cell detection device | |
CN104376325A (zh) | 一种近红外定性分析模型的建立方法 | |
CN104849231A (zh) | 一种塑料材质在线识别的方法及装置 | |
CN106872393B (zh) | 一种塑料废弃物中目标材质识别方法及装置 | |
CN102539397A (zh) | 荧光光谱校正方法和荧光光谱测量装置 | |
Yang et al. | Discrimination of sesame oil adulterated with corn oil using information fusion of synchronous and asynchronous two‐dimensional near‐mid infrared spectroscopy | |
CN107228942A (zh) | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 | |
CN111652095A (zh) | 一种基于人工智能的ctc图像识别方法和系统 | |
Kubiczek et al. | Material classification for terahertz images based on neural networks | |
EP3470818A1 (en) | Microparticle measuring device and microparticle analysis method | |
CN102384972A (zh) | 一种基于机器视觉的免疫层析结果判读方法 | |
CN106198481B (zh) | 基于lif技术和朴素贝叶斯分类的假酒识别装置及方法 | |
CN109470686A (zh) | 一种基于半监督学习的激光诱导击穿光谱分类识别方法 | |
Wang et al. | Measurement of rain parameters by optical scintillation | |
CN110196247A (zh) | 一种基于激光诱导击穿光谱的粉煤分类方法 | |
CN115656134B (zh) | 基于微流控芯片的细胞检测方法、设备、存储介质及装置 | |
CN207850914U (zh) | 一种基于太赫兹波的检测装置及检测系统 | |
CN103376249A (zh) | 紫外点荧光扫描仪 | |
CN113033389B (zh) | 一种利用高速成像装置进行图像识别的方法及系统 | |
CN206095933U (zh) | 水分含量检测、控制和监控系统 | |
CN115406860A (zh) | 一种基于建模对比的黄龙病快速检测装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |