CN107764773A - 一种基于激光诱导击穿光谱的塑料样品分类方法 - Google Patents
一种基于激光诱导击穿光谱的塑料样品分类方法 Download PDFInfo
- Publication number
- CN107764773A CN107764773A CN201710951541.6A CN201710951541A CN107764773A CN 107764773 A CN107764773 A CN 107764773A CN 201710951541 A CN201710951541 A CN 201710951541A CN 107764773 A CN107764773 A CN 107764773A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- disaggregated
- plastic sample
- plastic
- 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
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
- G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种基于激光诱导击穿光谱的塑料样品分类方法,包括以下步骤:步骤1,优化LIBS装置的实验参数,对塑料样品进行实验,获得塑料样品的数据矩阵;步骤2,根据步骤1中获得的样品数据矩阵,基于主成分分析、偏最小二乘判别分析、人工神经网络、支持向量机和K最近邻五种模式识别方法,分别建立样品分类模型;步骤3,将步骤2中建立的五种分类模型整合成一个集成的样品分类模型,将上述五种样品分类模型进行整合,并对建模参数进行调节,得到最佳的样品分类模型。本发明的优点在于实现塑料样品的分类识别,充分利用了各个算法模型的独立性得出的预测结果,又减少了由于单个模型本身的问题对实验结果造成的影响,提高了所建模型泛化能力和预测精度。
Description
技术领域
本发明属于塑料样品分类领域,特别涉及一种基于激光诱导击穿光谱的塑料样品分类方法。
背景技术
塑料是一种成本低、可塑性极高的高分子聚合物,在日常生活中的应用越来越广泛。传统的废旧塑料处理方法多采用焚烧和掩埋,随着废旧塑料数量的不断增加,造成的环境污染也越来越严重,废旧塑料的分类和回收已经成为一个紧迫的问题。不同种类的塑料用途不同,对废旧塑料回收首先要进行塑料分类。常用的是塑料样品分类方法有人工分类法、近红外光谱法、原子吸收光谱法和电感耦合等离子体发射光谱法等。但是,人工分类方法存在成本高、效率低及可靠性差的缺点;近红外光谱法的样品分类精度受样品颜色的影响较大。原子吸收光谱法和电感耦合等离子体发射光谱法需要复杂的样品预处理程序。
塑料样品的组成结构类似,应用LIBS装置获得的谱图差异度不大,应用化学计量学的模式识别方法可以更好的将LIBS谱图的差异性提取出来,实现塑料样品的分类识别。但是,不同的模式识别方法具有各自的局限性,例如,主成分分析方法在对数据进行降维时,仅消除了样品数据中无用噪声的影响,没有保持样品数据和样品标签的相关性;偏最小二乘判别分析方法不适用于自变量数多于潜变量数的数据类型;人工神经网络法存在过拟合,难收敛等问题,不适用于小样本的数据类型;支持向量机方法仅在解决小样本数据方面具有优势;K最近邻方法不适用于解决样品数量不平衡的分类问题。
发明内容
为了解决由于单个模型本身的问题对塑料样品的分类识别实验结果造成影响的问题,本发明提供一种基于激光诱导击穿光谱的塑料样品分类方法。
本发明是通过以下技术方案实现的:
一种基于激光诱导击穿光谱的塑料样品分类方法,该方法包括:
步骤1,对LIBS装置的实验参数进行优化,针对11种塑料样品进行实验,获得塑料样品的二维数据矩阵;
步骤2,基于主成分分析模式识别方法建立模型,针对获得的塑料样品数据进行标准化,并对标准化的数据进行模型训练,选取最佳的训练集及验证集比例和最佳的主成分数,得到主成分分类模型及模型的预测精度;
步骤3,基于偏最小二乘模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和最佳潜变量数,得到偏最小二乘分类模型及模型的预测精度;
步骤4,基于支持向量机模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,核函数参数类型,degree设置,损失函数设置和coef0设置等,得到支持向量机分类模型及模型的预测精度;
步骤5,基于人工神经网络模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,输入层节点数,神经元数和初始向量权重等,得到人工神经网络分类模型及模型的预测精度;
步骤6,基于K最近邻模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和K值,得到K最近邻分类模型及模型的预测精度;
步骤7,将上述五种样品分类模型进行整合,并对建模参数进行调节,得到最佳的样品分类模型。
进一步地,步骤1中优化的LIBS实验装置参数包括激光器的波长、脉宽、能量选择,光导纤维的类型、角度和长度选择,激光聚焦在样品的位置选择及采样位置选择。
进一步地,步骤1中塑料样品由塑料板材设备制成30*30*10mm的长方体。
进一步地,该方法还包括:对主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型分别采用相同的训练集训练模型,采用验证集验证模型的预测效果并调节模型的参数,通过模型对验证集样品的预测精度,对主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型对不同塑料样品按照精度进行的优先级排序。
进一步地,对步骤7中将主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型以并联的方式整合到一起,将验证集数据输入集成模型,结合优先级,调节不同模型对预测结果的影响权重值,得到样品的分类结果。本发明与现有技术相比,有益效果在于:
1、本发明充分利用了各个模型的独立性,又减少了由于单个模型局限性对实验结果造成的影响,提高了所建模型的泛化能力和预测精度。
2、本发明利用激光诱导击穿光谱,激光诱导击穿光谱是一种以原子发射光谱技术为基础的元素分析技术,它具有多元素同时分析、无需样品复杂预处理、检测速度快、对样品损害小、不受塑料颜色影响、不存在辐射的优点。
3、本发明的方法可以为其他装置、其他样品的分类识别提供参考。
附图说明
图1是本发明塑料样品分类方法的流程图;
图2为本发明中的激光诱导击穿光谱的装置图。
具体实施方式
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以解释本发明,并不用于限定本发明。
参见图1,本发明一种基于激光诱导击穿光谱的塑料样品分类方法,该方法包括以下步骤:步骤1,优化LIBS装置的实验参数,对塑料样品进行实验,获得塑料样品的数据矩阵;
步骤2,根据步骤1中获得的样品数据矩阵,基于主成分分析、偏最小二乘判别分析、人工神经网络、支持向量机和K最近邻五种模式识别方法,分别建立样品分类模型;
步骤3,将步骤2中建立的五种分类模型整合成一个集成的样品分类模型,将未知样品数据输入该集成模型,得到最终的预测结果。
实施例1
步骤1,优化LIBS装置的实验参数,LIBS装置参见图2,包括激光器、光谱仪、能量计、样品台、相机和光导纤维,对塑料样品进行实验,本实施例采用实验样品为11种常用塑料样品包括:丙烯腈-丁二烯-苯乙烯(简称ABS),高密度聚乙烯(简称HDPE),聚碳酸酯(简称PC),聚乙烯(简称PE),有机玻璃(简称PMMA),聚甲醛(简称POM),聚丙烯(简称PP),聚苯乙烯(简称PS),聚四氟乙烯(简称PTFE),聚氨基甲酸酯(简称PU),聚氯乙烯(简称PVC)。每种塑料样品被制成30*30*10mm的长方体;获得塑料样品的数据矩阵;
步骤1,对LIBS装置的实验参数进行优化,针对11种塑料样品进行实验,获得塑料样品的二维数据矩阵。优化的LIBS实验装置参数包括激光器的波长、脉宽、能量选择,光导纤维的类型、角度和长度选择,激光聚焦在样品的位置选择(上、下或表面)及采样位置选择等;
步骤2,基于主成分分析模式识别方法建立模型,针对获得的塑料样品数据进行标准化,并对标准化的数据进行模型训练,选取最佳的训练集及验证集比例和最佳的主成分数,得到主成分分类模型及模型的预测精度;主成分分类模型的训练集和验证集比例为3:1,选取的最佳主成分数为23。
步骤3,基于偏最小二乘模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和最佳潜变量数,得到偏最小二乘分类模型及模型的预测精度;偏最小二乘分类模型的训练集和验证集比例为3:1,最佳潜变量数为22。
步骤4,基于支持向量机模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,核函数参数类型,degree设置,损失函数设置和coef0设置等,得到支持向量机分类模型及模型的预测精度;支持向量机分类模型的训练集和验证集比例为3:1,选取的建模参数为“-t1-d1-c1-r1”。
步骤5,基于人工神经网络模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,输入层节点数,神经元数和初始向量权重等,得到人工神经网络分类模型及模型的预测精度;
步骤6,基于K最近邻模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和K值,得到K最近邻分类模型及模型的预测精度;
步骤7,对步骤7中将主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型以并联的方式整合到一起,将验证集数据输入集成模型,结合优先级,调节不同模型对预测结果的影响权重值,得到样品的分类结果。
各模型的预测结果及最终的预测结果如表1所示。
表1样品识别结果
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于激光诱导击穿光谱的塑料样品分类方法,其特征在于,该方法包括:
步骤1,对LIBS装置的实验参数进行优化,针对11种塑料样品进行实验,获得塑料样品的二维数据矩阵;
步骤2,基于主成分分析模式识别方法建立模型,针对获得的塑料样品数据进行标准化,并对标准化的数据进行模型训练,选取最佳的训练集及验证集比例和最佳的主成分数,得到主成分分类模型及模型的预测精度;
步骤3,基于偏最小二乘模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和最佳潜变量数,得到偏最小二乘分类模型及模型的预测精度;
步骤4,基于支持向量机模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,核函数参数类型,degree设置,损失函数设置和coef0设置等,得到支持向量机分类模型及模型的预测精度;
步骤5,基于人工神经网络模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例,输入层节点数,神经元数和初始向量权重等,得到人工神经网络分类模型及模型的预测精度;
步骤6,基于K最近邻模式识别方法建立模型,针对获得的塑料样品数据进行模型训练,选取最佳的训练集及验证集比例和K值,得到K最近邻分类模型及模型的预测精度;
步骤7,将上述五种样品分类模型进行整合,并对建模参数进行调节,得到最佳的样品分类模型。
2.根据权利要求1所述基于激光诱导击穿光谱的塑料样品分类方法,其特征在于,步骤1中优化的LIBS实验装置参数包括激光器的波长、脉宽、能量选择,光导纤维的类型、角度和长度选择,激光聚焦在样品的位置选择及采样位置选择。
3.根据权利要求1所述基于激光诱导击穿光谱的塑料样品分类方法,其特征在于,步骤1中塑料样品由塑料板材设备制成30*30*10mm的长方体。
4.根据权利要求1所述基于激光诱导击穿光谱的塑料样品分类方法,其特征在于,该方法还包括:对主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型分别采用相同的训练集训练模型,采用验证集验证模型的预测效果并调节模型的参数,通过模型对验证集样品的预测精度,对主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型对不同塑料样品按照精度进行的优先级排序。
5.根据权利要求4所述基于激光诱导击穿光谱的塑料样品分类方法,其特征在于,对步骤7中将主成分分类模型、偏最小二乘分类模型、支持向量机分类模型、人工神经网络分类模型以及K最近邻分类模型以并联的方式整合到一起,将验证集数据输入集成模型,结合优先级,调节不同模型对预测结果的影响权重值,得到样品的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710951541.6A CN107764773A (zh) | 2017-10-13 | 2017-10-13 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710951541.6A CN107764773A (zh) | 2017-10-13 | 2017-10-13 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107764773A true CN107764773A (zh) | 2018-03-06 |
Family
ID=61268076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710951541.6A Pending CN107764773A (zh) | 2017-10-13 | 2017-10-13 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107764773A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
CN110689088A (zh) * | 2019-10-09 | 2020-01-14 | 山东大学 | 基于cnn的libs矿石光谱数据分类方法及装置 |
CN114965973A (zh) * | 2022-05-12 | 2022-08-30 | 知里科技(广东)有限公司 | 基于仪器检测分析技术结合多种化学计量学方法和/或机器学习算法鉴别回收塑料的方法 |
CN115393652A (zh) * | 2022-09-20 | 2022-11-25 | 北京国电通网络技术有限公司 | 基于对抗网络的人工智能模型更新方法、识别方法和设备 |
ES2931515A1 (es) * | 2021-06-22 | 2022-12-30 | Iris Tech Solutions S L | Monitorizacion de pelicula multicapa |
CN116595409A (zh) * | 2023-04-17 | 2023-08-15 | 中煤科工集团上海有限公司 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
-
2017
- 2017-10-13 CN CN201710951541.6A patent/CN107764773A/zh active Pending
Non-Patent Citations (4)
Title |
---|
乔莹莹: "基于数值预测的机器学习相关算法综述", 《安阳工学院学报》 * |
徐大江: "确定最优组合预测权重数的线性规划方法", 《预测》 * |
楚丰泽: "双脉冲激光诱导击穿光谱实验方法及数据处理方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王方顺: "基于改进变权重组合预测模型的产品销售预测", 《计算机技术与发展》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
CN110689088A (zh) * | 2019-10-09 | 2020-01-14 | 山东大学 | 基于cnn的libs矿石光谱数据分类方法及装置 |
ES2931515A1 (es) * | 2021-06-22 | 2022-12-30 | Iris Tech Solutions S L | Monitorizacion de pelicula multicapa |
CN114965973A (zh) * | 2022-05-12 | 2022-08-30 | 知里科技(广东)有限公司 | 基于仪器检测分析技术结合多种化学计量学方法和/或机器学习算法鉴别回收塑料的方法 |
CN115393652A (zh) * | 2022-09-20 | 2022-11-25 | 北京国电通网络技术有限公司 | 基于对抗网络的人工智能模型更新方法、识别方法和设备 |
CN116595409A (zh) * | 2023-04-17 | 2023-08-15 | 中煤科工集团上海有限公司 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
CN116595409B (zh) * | 2023-04-17 | 2024-01-09 | 中煤科工集团上海有限公司 | 一种基于主成分分析的煤岩识别方法、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107764773A (zh) | 一种基于激光诱导击穿光谱的塑料样品分类方法 | |
Neo et al. | A review on chemometric techniques with infrared, Raman and laser-induced breakdown spectroscopy for sorting plastic waste in the recycling industry | |
Zhu et al. | Plastic solid waste identification system based on near infrared spectroscopy in combination with support vector machine | |
CN110110743B (zh) | 一种七类质谱谱图自动识别系统与方法 | |
Tang et al. | Industrial polymers classification using laser-induced breakdown spectroscopy combined with self-organizing maps and K-means algorithm | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
CN105045913B (zh) | 基于WordNet以及潜在语义分析的文本分类方法 | |
CN109034261A (zh) | 一种基于支持向量机的近红外光谱数据分析方法 | |
CN105938093A (zh) | 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 | |
Yu et al. | Identification of wine according to grape variety using near-infrared spectroscopy based on radial basis function neural networks and least-squares support vector machines | |
CN109800810A (zh) | 一种基于不平衡数据的少样本学习分类器构建方法 | |
Tan et al. | A sensor combination based automatic sorting system for waste washing machine parts | |
Viertel et al. | Pattern recognition methodologies for pollen grain image classification: a survey | |
Bonifazi et al. | Short wave infrared hyperspectral imaging for recovered post-consumer single and mixed polymers characterization | |
Jiang et al. | Detecting dark spot eggs based on CNN GoogLeNet model | |
Chen et al. | Convolutional neural network-based pure paint pigment identification using hyperspectral images | |
Chen et al. | Spectroscopic identification of environmental microplastics | |
CN103761433A (zh) | 一种网络服务资源分类方法 | |
Yan et al. | Application of DS evidence theory in apple’s internal quality classification | |
Martínez et al. | A sensor fusion-based classification system for thermoplastic recycling | |
JP2005249624A (ja) | 分光スペクトルによるポリマーグループの判別方法 | |
Huang et al. | A waste classification method based on a capsule network | |
CN106056048B (zh) | 基于智能与模糊聚类算法的混合塑料分选方法 | |
CN110533080A (zh) | 一种基于模糊规则集的乳腺癌细胞图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |