CN114117933A - 一种基于光谱识别技术的干垃圾深度分选方法与装置 - Google Patents
一种基于光谱识别技术的干垃圾深度分选方法与装置 Download PDFInfo
- Publication number
- CN114117933A CN114117933A CN202111465171.8A CN202111465171A CN114117933A CN 114117933 A CN114117933 A CN 114117933A CN 202111465171 A CN202111465171 A CN 202111465171A CN 114117933 A CN114117933 A CN 114117933A
- Authority
- CN
- China
- Prior art keywords
- dry garbage
- sorting
- infrared spectrum
- dry
- garbage
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 61
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000002790 cross-validation Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 36
- 239000002699 waste material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 229920002678 cellulose Polymers 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 229920002554 vinyl polymer Polymers 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010073 coating (rubber) Methods 0.000 claims description 2
- 238000013215 result calculation Methods 0.000 claims description 2
- 235000010980 cellulose Nutrition 0.000 claims 1
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000004064 recycling Methods 0.000 abstract 1
- 239000001913 cellulose Substances 0.000 description 6
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229920003023 plastic Polymers 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- RTZKZFJDLAIYFH-UHFFFAOYSA-N ether Substances CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229920005610 lignin Polymers 0.000 description 2
- 125000001997 phenyl group Chemical group [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 2
- 239000005060 rubber Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000002041 carbon nanotube Substances 0.000 description 1
- 229910021393 carbon nanotube Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000007233 catalytic pyrolysis Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Environmental & Geological Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱识别技术的干垃圾深度分选方法与装置。方法包括以下步骤:建立源头分类后干垃圾的深度分选类别;获取不同深度分选类别干垃圾的红外光谱数据,并建立干垃圾红外光谱数据库;对红外光谱数据进行预处理,构建随机森林分类模型,并采用留一法进行交叉验证;利用光谱识别技术,结合训练好的随机森林分类模型,检测未知种类干垃圾的红外光谱数据,获得其归属类别,以实现深度分选。本发明还公开了一种干垃圾深度分选装置,包括运输装置、分拣装置、收集装置和中枢控制装置。本发明通过不同类别干垃圾红外光谱的差异,依靠光谱识别技术对源头分类后的干垃圾进行深度分选,大大地提高了城市生活垃圾中干垃圾的回收利用效率。
Description
技术领域
本发明属于垃圾深度分选技术领域,具体涉及一种基于光谱识别技术的干垃圾深度分选方法与装置。
背景技术
随着我国城市化进程的高速推进,垃圾围城的窘境日益严重。城市生活垃圾作为一种城市生态系统转化的副产物,具有种类多、总量大等特点,传统的垃圾处理方式一般为较为粗犷的焚烧发电和卫生填埋,具有二次污染和资源回收率低等缺点。为了提高生活垃圾的资源产出率,2018年,我国住房和城乡建设部提出将逐步建设生活垃圾源头分类“四分法”,将生活垃圾分为可回收物、厨余垃圾、有害垃圾、其他垃圾四大类,并分别进行减量化、无害化和资源化利用。源头分类后的其他垃圾,通常也称为干垃圾,占生活垃圾总量的30%以上,目前的处理方式仍为焚烧或填埋。然而,干垃圾中含有大量被污染的废纸张、废塑料、废橡胶、织物、木竹等多种有机组分,这些组分按照成分的不同可以分为纤维素及其衍生物、烯类聚合物等,并可以进一步通过不同的手段进行高值化利用,将这些组分分离出来对于进一步提高生活垃圾的资源产出率意义重大。
目前,我国城市生活垃圾源头分类仍处于试点阶段。因此,目前主流的垃圾分选技术依然是针对原生混合垃圾的机械分选,其原理是依据垃圾的基础属性进行分类,以机械化风选、塑料水选、金属磁选等技术为主,整体分选纯度在70~80%。然而,现有的垃圾分选技术并不适用于源头分类后的干垃圾深度分选。
光谱识别技术是分析物质成分的有力工具,广泛应用于食品、化工、现代医学等领域,具有所需样品量小、不破坏样品、快速、简便、精确度高等优点,在分类鉴别领域展现出了巨大潜力。现阶段,尚未见公开报道基于光谱识别的干垃圾深度分选技术。
发明内容
本发明针对目前干垃圾深度分选领域技术手段的缺失、以及现有的垃圾分选技术并不适用于源头分类后的干垃圾深度分选,从而提出一种新型的对于干垃圾深度分选的技术方案;该方案对于垃圾分类具有重要意义,特别是对我国未来全面实行生活垃圾源头分类后的生活垃圾处理技术的发展奠定重要基础。
本发明通过以下技术手段解决上述技术问题:
一种基于光谱识别技术的干垃圾深度分选方法,该方法包括以下步骤:
步骤一:建立源头分类后干垃圾的深度分选类别。
进一步地,所述步骤一中深度分选类别对应其组分特点及高值化利用方式分别为:
纤维素类:主要成分是纤维素及其衍生物,可经选择性催化热解制备高附加值化学品;
烯类聚合物类:多数为受污染的塑料或人造织物,具有耐腐蚀、难降解的特点,可经催化热转化联产碳纳米管和富氢气体;
低值类:无机物含量相对较高,深度分选后无更多高值化利用方式。
步骤二:获取不同深度分选类别干垃圾的红外光谱数据,建立干垃圾红外光谱数据库。
进一步地,所述步骤二中的红外光谱数据为干垃圾在650~4000cm-1波段的红外光谱数据。
步骤三:对干垃圾红外光谱数据进行预处理,并且提取特征波段,得到样本数据。
进一步地,所述步骤三中的预处理方式包括多元散射矫正、导数与平滑滤波联合处理和主成分分析法,进一步解释如下:
多元散射矫正:消除在干垃圾表面附着污染物颗粒大小、散射而产生的影响;
导数与平滑滤波联合处理:处理红外光谱数据中高频噪音和基线平移问题,提高光谱数据的灵敏度与分辨率;
主成分分析法:提取干垃圾红外光谱特征波段,提高后续分类模型的准确度与效率。
更进一步地,所述主成分分析法提取的特征波段包括:1100~1200cm-1、1250~1350cm-1、1600~1650cm-1、2800~2900cm-1及3250~3350cm-1,分别对应了醚键和羟基中C=O键、不饱和C=C键、木质素组分苯环结构、甲基亚甲基C-H键及羟基及其形成的氢键所对应吸收峰。
步骤四:将步骤三所得样本数据,作为数据集训练随机森林分类模型,并采用留一法交叉验证,获得训练好的随机森林分类模型。
进一步地,所述步骤四中的随机森林分类模型的建立,包括生成100~1000棵决策树,并在干垃圾红外光谱数据内随机抽取5~20个变量,其中在所述步骤三中特征波段内的变量越多,所述决策树权重wi就越大。
更进一步地,随机森林分类模型的判别结果计算方式为:
其中,wi表示为每颗决策树的权重,hi(x)表示为每棵决策树的判别结果,T表示为决策树总量。
进一步地,所述步骤四采用留一法交叉验证,具体实现过程为:
其中,N表示干垃圾红外光谱数据总量,表示N-1个训练集,yn表示1个验证集,表示,以N-1个数据作为训练集,1个数据作为验证集得到分类模型的验证结果。以上步骤循环N次,直到所有干垃圾的红外光谱数据进行过验证。最后,将验证结果取平均值作为分类模型的准确率鉴别标准。
步骤五:建立一种待测干垃圾的深度分选方法。
进一步地,利用光谱识别技术,获取待测干垃圾的红外光谱数据,在进行步骤三中相同的预处理后,将其输入步骤四所建的随机森林分类模型中,获得该待测干垃圾的深度分选类别。
更进一步地,随机森林分类模型获得深度分选类别的方式为:
结合随机森林分类模型中每棵决策树的计算结果,和该棵决策树在分类模型建立过程中所占的权重,获得该棵决策树的判别结果。综合每棵决策树的判别结果,获得该待测干垃圾的深度分选类别。最后,将待测干垃圾的光谱数据与深度分选类别补充加入干垃圾红外光谱数据库,用于数据库的扩充及模型的更新。
进一步地,本发明还提供一种基于光谱识别技术的干垃圾深度分选装置,所述装置包括:
运输装置:包括输送带、输送滚筒及变速齿轮箱,所述输送带底端还设有金属承重板,输送滚筒周围设有包胶;
分拣装置:包括二维线性滑台模组,红外光谱识别模块及串口通信通信模块。所述二维线性滑台模组包括水平滑台及竖直滑台;所述的水平滑台,底端通过滑台底部设置的滑台支架与所述分拣装置顶端相互连接固定;所述的竖直滑台,底端均匀分布大量柔性刷毛;
收集装置:包括两侧传输滑道及末端传输滑道;
中枢控制装置:通过串口通信实现对红外光谱识别模块及二维线性滑台模组的调控,通过无线通信模块实现云端数据的实时接收与更新。
本发明的优点在于:建立了一种基于光谱识别技术的干垃圾深度分选方法以及实现该方法的干垃圾深度分选装置,同时实现干垃圾红外光谱数据库数据的不断扩充及分类鉴别模型的定期更新;本发明可使源头分类后的干垃圾被更有效的利用和处理,进一步提高生活垃圾的资源产出率。
附图说明
图1为本发明公开的一种基于光谱识别技术的干垃圾深度分选方法流程图。
图2为本发明公开的一种基于光谱识别技术的干垃圾深度分选装置的工作流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明的技术方案进行进一步的详细说明。本发明的示意性实施方式及其说明仅用于解释本发明的技术方案,而不作为对本发明的限定。
实施例1:如图1所示,一种基于光谱识别技术的干垃圾深度分选方法,所述方法包括:
S1:建立源头分类后干垃圾的深度分选类别。具体过程为:根据干垃圾的组分特点与高值化利用方向,将源头分类后的干垃圾分为:纤维素类、烯类聚合物、低值类。
S2:大量获取不同深度分选类别干垃圾的红外光谱数据,建立干垃圾红外光谱数据库。具体过程为:收集大量经过源头分类后的干垃圾,并使用红外光谱仪采集干垃圾样本在650~4000cm-1波段的光谱数据,得到红外光谱数据矩阵Xm×n,其中m=72表示干垃圾总数,n=3351表示为对应波段的红外光谱数据。最后将干垃圾红外光谱数据和深度分选类别保存至云端,建立干垃圾红外光谱数据库。
S3:对干垃圾红外光谱数据进行预处理并提取特征波段。具体过程为:对干垃圾红外光谱数据矩阵Xm×n进行多元散射矫正、导数与平滑滤波联合处理、主成分分析法。根据公式进行多元散射校正,其中Ai=miA+bi,为平均光谱的一元线性回归矩阵;根据公式进行导数与平滑滤波联合处理,其中f(i)=a0+a1i+a2i2+a3i3,为平滑滤波器的构造抛物线;根据公式Zi=a1x1+a2x2+…+akxkZi和计算不同波段光谱数据贡献率,用以特征波段的选取。最终得到对应醚键和羟基中C=O键、不饱和C=C键、木质素组分苯环结构、甲基亚甲基C-H键以及羟基及其形成的氢键吸收峰的波段1100~1200cm-1、1250~1350cm-1、1600~1650cm-1、2800~2900cm-1及3250~3350cm-1为特征波段。
S4:构建随机森林分类模型并采用留一法进行交叉验证。具体过程为:构建含有500棵决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的10个随机抽取的变量。根据公式获得随机森林的判别结果,其中,hi(x)表示为每棵决策树的判别结果,T表示为决策树总量,wi表示为每颗决策树的权重。决策树所包含的变量在特征波段内的越多,该颗决策树权重wi就越大。随后,对随机森林分类模型采用留一法进行交叉验证,以N-1个数据作为训练集,1个数据作为验证集,用于验证分类模型的准确率。以上步骤循环N次,直到所有干垃圾的红外光谱数据进行过验证。根据公式 计算模型最终准确率,其中N表示干垃圾红外光谱数据总量,表示N-1个训练集,yn表示1个验证集。表示验证结果,最后将验证结果取平均值作为分类模型的准确率鉴别标准。最终计算该模型分类鉴别准确率为84.4%。
实施例2:采用实施例1中预处理后的干垃圾红外光谱数据,构建含有500颗决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的5个随机抽取的变量。根据公式获得随机森林的判别结果,随后采用留一法交叉验证公式 计算模型最终准确率,计算得知该模型分类鉴别准确率为81.6%。
实施例3:采用实施例1中预处理后的干垃圾红外光谱数据,构建含有500颗决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的15个随机抽取的变量。根据公式获得随机森林的判别结果,随后采用留一法交叉验证公式计算模型最终准确率,计算得知该模型分类鉴别准确率为83.1%。
实施例4:采用实施例1中预处理后的干垃圾红外光谱数据,构建含有500颗决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的20个随机抽取的变量。根据公式获得随机森林的判别结果,随后采用留一法交叉验证公式计算模型最终准确率,计算得知该模型分类鉴别准确率为83.9%。
实施例5:采用实施例1中预处理后的干垃圾红外光谱数据,构建含有100颗决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的10个随机抽取的变量。根据公式获得随机森林的判别结果,随后采用留一法交叉验证公式计算模型最终准确率,计算得知该模型分类鉴别准确率为80.3%。
实施例6:采用实施例1中预处理后的干垃圾红外光谱数据,构建含有1000颗决策树的随机森林分类模型,每颗决策树包括干垃圾红外光谱数据内的10个随机抽取的变量。根据公式获得随机森林的判别结果,随后采用留一法交叉验证公式计算模型最终准确率,计算得知该模型分类鉴别准确率为82.7%。
实施例7:如图2所示,本发明提供的一种基于光谱识别技术的干垃圾深度分选装置,该装置包括:
运输装置:运输装置包括输送带、输送滚筒及变速齿轮箱;输送带底端还安装有金属承重板,输送滚筒周围进行包胶以防止打滑,输送带与变速齿轮箱的运输速度设置为0.05~0.15m/s;将源头分类后的干垃圾,经过破袋、均匀等预处理后,通过运输装置,送至分拣装的红外光谱识别区域,进行红外光谱数据采集与深度分选。
分拣装置:分拣装置包括红外光谱识别模块以及二维线性滑台模组;红外光谱识别模块由红外光谱仪以及外接光纤探头组合而成。获得干垃圾样本在650~4000cm-1波段的光谱数据;二维线性滑台模组包括水平滑台及竖直滑台,单个滑台由同步带、同步带固定块及驱动电机组成;水平滑台同步带的运动速度为0.15m/s,竖直滑台通过同步带固定块连接柔性毛刷支架,均匀分布大量柔性刷毛,运动速度为0.2m/s。
收集装置:收集装置包括两侧传输滑道及末端传输滑道,其中,传输滑道与分选产物之间的对应关系为:纤维素类,对应从左侧传输滑道获得的干垃圾;烯类聚合物类,对应从右侧传输滑道获得的干垃圾;低值类,对应从末端传输滑道获得的干垃圾。
中枢控制装置:中枢控制装置搭载微型计算机,通过串口通信得到红外光谱识别模块获得的光谱数据,依次进行多元散射矫正、导数与平滑滤波联合处理、主成分分析,然后在训练好的随机森林分类模型中进行分类鉴别:结合随机森林分类模型中每棵决策树的计算结果,和该棵决策树在分类模型建立过程中所占的权重,获得该棵决策树的判别结果。综合每棵决策树的判别结果,获得该对象的深度分选类别。最后,将干垃圾对象的光谱数据与深度分选类别补充加入干垃圾红外光谱数据库,用于数据库的扩充及模型的更新,以提高下一次分类鉴别的准确率。
通过以上技术方案,本发明可以实现对源头分类后的干垃圾进行深度分选,将其分选为纤维素类、烯类聚合物类及低值类,深度分选后的干垃圾可以作为生物质资源高值化利用,以提高生活垃圾的资源利用率。
需要说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于光谱识别技术的干垃圾深度分选方法,所述方法包括:
步骤一:建立源头干垃圾深度分选类别,包括纤维素类、烯类聚合物类以及低值类;
步骤二:人工获取不同深度分选类别干垃圾对应的红外光谱数据,建立干垃圾红外光谱数据库;
步骤三:对步骤二所述红外光谱数据进行预处理,并且提取特征波段,得到分类模型建立所需样本数据;
步骤四:将步骤三所述样本数据,作为数据集训练随机森林分类模型,并采用留一法交叉验证,获得训练好的随机森林分类模型;
步骤五:建立干垃圾分选系统,利用光谱识别技术,获取待测干垃圾的红外光谱数据,并将其输入到步骤四所获得的随机森林分类模型中,得到所述待测干垃圾的深度分选类别;
步骤六:将步骤五所述待测干垃圾红外光谱数据与其对应的深度分选类别补充加入至步骤二所述的干垃圾红外光谱数据库。
2.根据权利要求1所述的一种基于光谱识别技术的干垃圾深度分选方法,其特征在于,步骤二所述红外光谱数据为干垃圾在650~4000cm-1波段的红外光谱数据。
3.根据权利要求1所述的一种基于光谱识别技术的干垃圾深度分选方法,其特征在于,步骤三所述预处理包括多元散射矫正、导数与平滑滤波联合处理和主成分分析法。
4.根据权利要求1所述的一种基于光谱识别技术的干垃圾深度分选方法,其特征在于,步骤四所述随机森林分类模型的建立,包括生成100~1000棵决策树,每颗决策树包含在样本数据内随机抽取的5~20个变量;其中在所述步骤三中特征波段内的变量越多,所述决策树权重wi就越大。
7.实现如权利要求1所述方法的一种干垃圾深度分选装置,其特征在于,所述装置包括运输装置、分拣装置、收集装置和中枢控制装置。
8.根据权利要求7所述的一种干垃圾深度分选装置,其特征在于:
所述运输装置包括输送带、输送滚筒和变速齿轮箱;所述输送带底端还设有金属承重板,所述输送滚筒周围设有包胶;
所述分拣装置包括二维线性滑台模组,红外光谱识别模块和串口通信模块;所述二维线性滑台模组包括水平滑台和竖直滑台;所述水平滑台,底端通过滑台底部设置的滑台支架与所述分拣装置顶端相互连接固定;所述竖直滑台,底端均匀分布大量柔性刷毛;
所述收集装置包括两侧传输滑道和末端传输滑道;
所述中枢控制装置通过所述串口通信模块实现对所述红外光谱识别模块和所述二维线性滑台模组的调控,然后通过无线通信模块实现云端数据库的实时接收与更新。
9.根据权利要求7所述的一种干垃圾深度分选装置,其具体工作过程为:
(1)待测干垃圾在进入分选装置前,通过预分选设备,使其均匀分散地分布在运输装置输送带上;
(2)所述输送带按照预定的速度,将待测干垃圾输送到分拣装置红外光谱识别模块工作区域,红外光谱识别模块实时感应到光谱数据变化,将变化的光谱数据通过串口通信模块传输到中枢控制装置;
(3)中枢控制装置获得当前待测干垃圾的红外光谱数据后,内置的预处理及分类模型对其进行处理与分类鉴别;
(4)分拣装置根据中枢控制装置识别出的深度分选类别,控制二维线性滑台模组进行空间反复运动,竖直滑台所固定的柔性刷毛将输送带上的待测干垃圾送入相对应类别的收集装置;
(5)中枢控制装置通过无线通信模块将红外光谱数据与深度分选类别传输到干垃圾红外光谱数据库,以进行干垃圾红外数据库的扩充及模型更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465171.8A CN114117933A (zh) | 2021-12-03 | 2021-12-03 | 一种基于光谱识别技术的干垃圾深度分选方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465171.8A CN114117933A (zh) | 2021-12-03 | 2021-12-03 | 一种基于光谱识别技术的干垃圾深度分选方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117933A true CN114117933A (zh) | 2022-03-01 |
Family
ID=80365902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111465171.8A Pending CN114117933A (zh) | 2021-12-03 | 2021-12-03 | 一种基于光谱识别技术的干垃圾深度分选方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018762A (zh) * | 2022-04-20 | 2022-09-06 | 中国科学院西安光学精密机械研究所 | 基于显微高光谱数据库模型的恶性肿瘤识别方法及系统 |
-
2021
- 2021-12-03 CN CN202111465171.8A patent/CN114117933A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018762A (zh) * | 2022-04-20 | 2022-09-06 | 中国科学院西安光学精密机械研究所 | 基于显微高光谱数据库模型的恶性肿瘤识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106670122B (zh) | 用于生活垃圾的自动识别分拣回收系统 | |
CN108190290A (zh) | 一种垃圾分类装置及其应用方法 | |
CN114117933A (zh) | 一种基于光谱识别技术的干垃圾深度分选方法与装置 | |
CN110834835A (zh) | 一种基于互联网大数据的智能垃圾分类处理方法及系统 | |
Behera et al. | AI based waste classifier with thermo-rapid composting | |
CN109941638A (zh) | 一种小区家庭垃圾集中分类回收系统 | |
US20230138374A1 (en) | Sorting-based garbage classification method and device | |
CN114548268A (zh) | 基于原型网络的小样本垃圾图像分类方法 | |
CN205217377U (zh) | 一种生活垃圾分拣处理系统 | |
CN112434726A (zh) | —种基于深度学习的垃圾识别分类方法 | |
CN108723062B (zh) | 一种生活垃圾资源化治理系统及方法 | |
CN208628097U (zh) | 垃圾筛选回收系统 | |
CN207563415U (zh) | 一种生活垃圾资源化利用的设备 | |
Oyewale et al. | A review and bibliometric analysis of sorting and recycling of plastic wastes | |
CN102814318A (zh) | 一种基于不同材料导热性不同的固体废物分拣工艺 | |
CN113173354A (zh) | 一种智能垃圾分类站的语音提示系统 | |
CN113560198A (zh) | 类别分选方法和类别分选系统 | |
Li et al. | Application of deep learning based on garbage image classification | |
CN113926734B (zh) | 一种排序式垃圾分类方法 | |
CN111079548A (zh) | 基于目标高度信息和色彩信息的固废在线识别方法 | |
CN1067783C (zh) | 基于sc文法的转换生成方法 | |
CN202824083U (zh) | 一种垃圾分选回收生物养殖再利用系统 | |
CN106623361A (zh) | 一种城市废弃物循环利用系统及方法 | |
CN103817139B (zh) | 一种有机混合物预分类系统 | |
CN117172429B (zh) | 一种基于生物信息学的污水处理方法及系统 |
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 |