JP4581039B2 - 高分子材料のグレード識別方法 - Google Patents
高分子材料のグレード識別方法 Download PDFInfo
- Publication number
- JP4581039B2 JP4581039B2 JP2000275693A JP2000275693A JP4581039B2 JP 4581039 B2 JP4581039 B2 JP 4581039B2 JP 2000275693 A JP2000275693 A JP 2000275693A JP 2000275693 A JP2000275693 A JP 2000275693A JP 4581039 B2 JP4581039 B2 JP 4581039B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- analysis
- polyethylene
- principal component
- neural network
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 64
- 239000002861 polymer material Substances 0.000 title description 36
- 238000002329 infrared spectrum Methods 0.000 claims description 61
- 238000013528 artificial neural network Methods 0.000 claims description 47
- -1 polyethylene Polymers 0.000 claims description 47
- 239000004698 Polyethylene Substances 0.000 claims description 46
- 229920001903 high density polyethylene Polymers 0.000 claims description 46
- 239000004700 high-density polyethylene Substances 0.000 claims description 46
- 229920001684 low density polyethylene Polymers 0.000 claims description 46
- 239000004702 low-density polyethylene Substances 0.000 claims description 46
- 229920000573 polyethylene Polymers 0.000 claims description 43
- 238000001228 spectrum Methods 0.000 claims description 32
- 239000000463 material Substances 0.000 claims description 6
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 33
- 238000007405 data analysis Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 17
- 238000010238 partial least squares regression Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 14
- 238000000513 principal component analysis Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000007417 hierarchical cluster analysis Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 11
- 229920003023 plastic Polymers 0.000 description 7
- 239000004033 plastic Substances 0.000 description 7
- 238000004064 recycling Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 0 CC1CI(CCC2C*CC2)CC1 Chemical compound CC1CI(CCC2C*CC2)CC1 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 229920001971 elastomer Polymers 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003973 paint Substances 0.000 description 3
- 239000005060 rubber Substances 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000004455 differential thermal analysis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005227 gel permeation chromatography Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000002411 thermogravimetry Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000001644 13C nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 238000004833 X-ray photoelectron spectroscopy Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000024798 heartburn Diseases 0.000 description 1
- 125000001183 hydrocarbyl group Chemical group 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 125000001570 methylene group Chemical group [H]C([H])([*:1])[*:2] 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000045 pyrolysis gas chromatography Methods 0.000 description 1
- 208000024981 pyrosis Diseases 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000371 solid-state nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005199 ultracentrifugation Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
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)
Description
【０００１】
【発明の属する技術分野】
本発明は、近赤外線スペクトルのデータに基づいて、プラスチック、繊維、ゴム、塗料、接着剤等の高分子材料のグレードを識別する高分子材料のグレード識別方法に関するものである。
【０００２】
【従来の技術】
高分子材料はプラスチック、繊維、ゴム、塗料、接着剤等として国内では毎年１５００万トン以上生産されているが、近年では環境問題からそのリサイクルが必須の課題となっている。高分子材料のリサイクルにおいては、再生材料の特性を向上させるために、高分子材料を種類によって分別するだけでなく、同一種類の高分子材料をその特性、すなわちグレードによって分別することも要求されている。なぜならば、再生材料はそのグレードによって製品価格が大きく異なるからであり、たとえば高密度のポリエチレン（HDPE）は低密度のポリエチレン（LDPE）より2倍以上価格が高いからである。
【０００３】
従来、実験室的レベルにおいて高分子材料のグレードを識別する方法として、ゲルパーミエションクロマトグラフィー（GPC）、熱分解ガスクロマトグラフィー（Pyrosis-GC、PyGC）、光散乱、浸透圧、蒸気圧、超遠心分離、電子顕微鏡、Ｘ線及び中性線回折、NMRスペクトル（13C-NMR及び固体NMR）、赤外線スペクトル（IR）、元素分析、原子吸光度分析、Ｘ線光電子分光法、２次イオン質量分析、熱重量測定（TG）、示差熱分析（DTA）、示差走査熱量測定（DSC）等の破壊・非破壊測定を組み合わせた分析方法が使用される。しかしながら、これらの方法は、高分子材料のグレードの識別が可能ではあるものの、測定及びグレードの識別における迅速性が欠けるため、現時点で、実際のリサイクルの際に用いることができる実用化レベルに達しているものはなかった。
【０００４】
【発明が解決しようとする課題】
上記高分子材料のグレード識別方法の中で最も実用化レベルに近い有望な方法は、赤外線を利用する方法であると考えられる。赤外線の波長を変えながら高分子材料に照射すると、波長によって高分子材料に吸収されたり反射されたりする赤外線の割合が変化する。この赤外線の吸収率又は反射率を照射光の波長を変えながら測定すると、赤外線スペクトルが得られる。この赤外線スペクトルは高分子材料原料に用いられているモノマーの種類やグレードの違いによって変化するため、赤外線スペクトルの違いから高分子材料の種類やグレードを識別することができる。
【０００５】
赤外線スペクトルは、照射する赤外線の波長によって近赤外線スペクトル（波長範囲：１．０〜２．５μｍ）、中赤外線スペクトル（波長範囲：２．５〜２５μm）、遠赤外線スペクトル（波長範囲：２５〜１００μm）に大別することができる。これらの中で、中赤外線は高分子材料のグレードによって吸収率が異なるため、中赤外線スペクトルに基づき高分子材料のグレードを割と精度よく識別することができると考えられている。しかしながら、この中赤外線の波長範囲では、高分子材料による光の吸収率がかなり高いため、試料（測定対象物）の厚さを薄くする前処理を行った上で透過法測定を行う必要がある。したがって、中赤外線の波長範囲での赤外線スペクトルを測定する方法では、破壊検査となってしまい、しかも上記試料の前処理という煩雑な作業が必要となるため、簡便で迅速なグレード識別方法とはいえなかった。
【０００６】
高分子材料のグレードを簡便、且つ迅速な方法で識別するという課題は、プラスチック、繊維、ゴム、塗料、接着剤等のすべての高分子材料を効率的にリサイクルしようとする場合について、同様に発生し得るものである。
【０００７】
本発明は以上の問題点に鑑みなされたものであり、その目的は、従来の中赤外線スペクトルを測定するものに比して、より簡便、且つ迅速な高分子材料のグレード識別方法を提供することである。
【０００８】
【課題を解決するための手段】
上記目的を達成するために、請求項１の発明は、グレード識別対象の高分子材料について近赤外線の波長範囲における近赤外線スペクトルを測定し、該近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用し、該データ解析手法で取得された情報に基づいて該高分子材料のグレードを識別することを特徴とする高分子材料のグレード識別方法である。
ここで、上記「ケモメトリックス」とは、数学的手法や統計学的手法を適用し、最適手順や最適実験計画の立案・選択を行うとともに、化学データから得られる化学情報量の最大化を目的とする化学の一分野をいう（例えば、相島鐵郎著「ケモメトリックス−新しい分析化学−」丸善、ｐ．１」参照、）。
また、上記「ケモメトリックスにおけるデータ解析手法」としては、ニューラルネットワークのほか、主成分分析法、ＰＬＳ（Partial Least Squares Regression）法、ＰＣＲ（Principal Components Regression）法、階層的クラスター分析法、ＳＩＭＣＳ（Soft Independent Modeling of Class Analogy）法、ＫＮＮ（k nearest neibors）法、等を挙げることができる(例えば、宮下芳勝・佐々木愼一共著「ケモメトリックス 化学パターン認識と多変量解析」共立出版参照)。
【０００９】
高分子材料のグレードの違いにより光の吸収率や反射率が異なる波長を含む近赤外線（波長範囲：１．０〜２．５μｍ）を用いて測定することにより、高分子材料のグレードに関する情報を含む近赤外線スペクトルのデータを得ることができる。しかも、上記近赤外線は、中赤外線（波長範囲：２．５〜２５μm）とは異なり、高分子材料に対して過度に吸収されることがなく、また適度な強度の透過光や反射光となるので、測定対象の高分子材料について前処理を行う必要がなく、十分な強度の赤外線スペクトルのデータを得ることができる。そして、上記近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用することにより、近赤外線スペクトルのデータから高分子材料のグレードに関する情報を抽出する。このデータ解析手法で取得された情報に基づいて、高分子材料のグレードを識別する。このケモメトリックスにおけるデータ解析手法に対しては、コンピュータを用いたデータ処理を容易に適用できるので、簡便で且つ迅速なグレード識別が可能となる。
【００１０】
上記ケモメトリックスにおけるデータ解析手法として、上記近赤外線スペクトルのデータについてピークの先鋭化、ベースラインの傾き補正及び規格化を含む処理を行なう前処理と、該前処理を施した近赤外線スペクトルのデータについて、ニューラルネットワークによるデータ処理とを行うことを特徴とするものである。ここで、上記「ニューラルネットワーク」とは、脳の行なう情報処理をまねた数学的モデルであり、神経細胞の行なうデータ処理をユニットと呼ばれる処理要素に置き換え、相互に結合させて情報処理を行なうネットワークである。上記近赤外線スペクトルのデータ処理に対しては、特に、階層型パーセプロトロンモデルが採用された、入力層、中間層及び出力層からなる３層構造のニューラルネットワークであって、エラーバックプロパゲーション方式で学習したニューラルネットワークが好適である。
【００１１】
上記近赤外線スペクトルのデータについて２次微分処理及び規格化処理を含む前処理を行うことにより、近赤外線スペクトルにおけるピークの先鋭化を行うとともに、グレード識別対象の複数の高分子材料間でのデータのバラツキを抑え、最終的なグレード識別の精度を高める。そして、この前処理を施した近赤外線スペクトルのデータを、ニューラルネットワークに入力し、ニューラルネットワークから出力されたデータによりグレード識別を行う。このニューラルネットワークを用いた解析手法の場合は、ニューラルネットワークのパラメータの最適化を図ることにより、グレード識別の精度が高まり、高分子材料が細分化されたグレードに分類されるときでも各グレードの識別が可能となる。また、上記近赤外線スペクトルのデータの非線形性が強い場合でも、高分子材料のグレードを精度よく識別することができる。
【００１２】
上記ケモメトリックスにおけるデータ解析手法として、上記近赤外線スペクトルのデータについてピークの先鋭化、ベースラインの傾き補正及び規格化を含む処理を行なう前処理と、該前処理を施した近赤外線スペクトルのデータについて主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法の少なくとも一つによるデータ処理とを行う。
【００１３】
上記前処理を行うことにより、近赤外線スペクトルにおけるピークの先鋭化を行うとともに、グレード識別対象の複数の高分子材料間でのデータのバラツキを抑え、最終的なグレード識別の精度を高める。そして、この前処理を施した近赤外線スペクトルのデータについて、上記主成分分析法、ＰＬＳ法、階層的クラスター分析法及びＳＩＭＣＡ法の少なくとも一つによるデータ処理を行い、その出力結果に基づいてグレード識別を行う。特に、上記主成分分析法、ＰＬＳ法、階層的クラスター分析法及びＳＩＭＣＡ法の２つ以上を組み合わせ、各分析結果を比較することにより、高分子材料のグレード識別の精度を高めることができる。
【００１４】
上記近赤外線スペクトルのデータの波長範囲が１．６〜２．０μmであり、上記グレード識別対象の高分子材料がポリエチレンであってもよい。
【００１５】
ポリエチレンの密度の違いによって光学特性が大きく異なる部分が存在する波長範囲１．６〜２．０μmの近赤外線スペクトルのデータを用いることにより、ポリエチレンの密度の違いによるグレードを識別する。
【００１６】
上記近赤外線スペクトルの波長範囲が１．６９１２〜１．７７８３μｍであるとよい。
ポリエチレンからなるリサイクル材料の近赤外線スペクトルを測定し、波長１．６９５８〜１．６９９９μｍ，１．７０５０〜１．７０９１μｍ，１．７４１６〜１．７４５９μｍ，１．７４６２〜１．７５０３μｍの４つの領域の平均スペクトルを用いることでポリエチレンのグレードが容易に分別できる。
【００１８】
【発明の実施の形態】
以下、本発明をポリエチレンのグレードを識別するグレード識別方法に適用した実施形態について説明する。
ポリエチレンは、高分子材料である汎用プラスチックの１つとして大量生産されている。ポリエチレンは、軽く（比重：０．９１〜０．９７）、透明〜半透明であり、耐寒性（使用可能な温度範囲：−６０〜８０°Ｃ）が良く、電気絶縁性は特に優れており、耐電圧が大きく、高周波特性も良い。吸水・透水はしないが、空気は通すという特性を有している。また、ポリエチレンは、耐水、耐油、耐酸（濃硝酸は除く）、耐アルカリ性、耐有機溶剤（高温の場合を除く）に優れており、低コストである。ポリエチレンは、強度、合成、表面硬度、耐熱性においては劣るものの、これらを上回る特性を有しているため、大量に利用されている。これと同時に、大量消費・大量廃棄されているのも事実である。
【００１９】
一方、容器包装リサイクル法や家電リサイクル法の本格施行により、プラスチックをリサイクルする必要性に迫られている。このような状況下で、大量消費・大量廃棄されているポリエチレンについてもリサイクルの必要性が迫られている。ところが、このポリエチレンは用途により物理的性質や化学的性質が異なるもの、すなわちグレードが異なるものが使用されている。このようにグレードが異なるポリエチレンが存在するのは、ポリエチレンの製法によっては分岐が生じ、これに伴い結晶化度が低下する場合があるからである。この結晶化度の低下は、剛性の低下や透明性の向上につながる。このようにポリエチレンの剛性（柔軟性）や透明性のような外見的な特性は、結晶化度により大きく変動する。結晶化度の指針として密度を用いて、高密度ポリエチレン（ＨＤＰＥ：High Density PolyEthylene）と低密度ポリエチレン（ＬＤＰＥ：Low Density PolyEthylene）といったように分類されている。更に、最近では、新しいタイプのエンジニアプラスチックとしてのポリエチレンが開発され、単純に密度だけでは特定しきれない面もある。
このような密度が異なる複数グレードのポリエチレンはそれぞれ特性が異なるため、前述のように、リサイクルを行なう場合は、グレードごとにポリエチレンを分別する必要がある。
【００２０】
本実施形態では、上記ポリエチレンをグレードごとに分別するために、ポリエチレンの近赤外線スペクトルを測定し、近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用し、このデータ解析手法で取得された情報に基づいてポリエチレンのグレードを識別するグレード識別方法を用いている。
【００２１】
ここで、近赤外線領域の波長を用いるのは、ポリエチレンの光学的特性によるものである。ＣＨ伸縮振動の第１、第２、第３・・・等の倍音によるバンドはどれもダブレットのようになっているが、いずれも長波長側がメチレン基によるものであり、短波長側がメチル基によるものである。１、２、３と倍音の次数が上がるにつれ強度は弱くなるものの、バンドの分離能は良くなるので、化合物の同定には、次数の高い振動に対応する近赤外線領域は極めて有効である。この近赤外線領域を用いることのもう１つの長所としては、大きな非調和定数をもつ振動だけがこの領域に残り、小さな非調和定数を持つものは観測されないので、スペクトルが比較的に簡単になるという利点がある。
【００２２】
本実施形態におけるポリエチレンの近赤外線スペクトルの測定には、オプト技研社製の近赤外線スペクトル測定装置（商品名：PlaScan）を用いた。この近赤外線スペクトル測定装置は、音響光学変調フィルター（AOTF：Acoustro-Optical Tunable Filter）分光方式を使用しており、近赤外線領域（１．０〜２．５μm）における拡散反射スペクトルを迅速かつ高分解能（０．０００５μm）で測定できる分光測定装置である。この近赤外線スペクトル測定装置を用いて、まず標準試料であるセラミックについて波長領域１．１〜２．２μmの２４００点における拡散反射光の強度を積算回数２０回で測定した。次に、グレード識別対象の複数のポリエチレンについて、同じ波長領域１．１〜２．２μmの２４００点における拡散反射光の強度を積算回数２０回で測定した。そして、各測定波長ポイントについて、セラミックの反射光強度に対するポリエチレンの反射光強度の比である相対反射率の対数を、吸光度として算出することにより、波長領域１．１〜２．２μmにおける近赤外線スペクトルのデータを得た。
なお、上記近赤外線スペクトルの測定は、日常生活で使用されているプラスチックなどのポリエチレン(HDPE：６種，LDPE：８種）のフィルム及びシートの７０サンプルについて行なった。
【００２３】
次に、上記波長と吸光度との関係を示す近赤外線スペクトルの測定データについてニューラルネットワーク等のデータ処理を行なう前に、ノイズ除去のための平滑化、ピークの先鋭化、及び規格化のデータ処理として、次の（１）乃至（４）のようなデータの前処理を行なった。
（１） 波長領域１．１〜２．２μmの２４００点の実測スペクトルデータについて、最小値を０、最大値を１となるように規格化を行った。
（２） ２４００点の規格化スペクトルを１０点毎に平均を取り、２４０点のデータを作成した。
（３） ２４０点のデータを用いて、２次微分スペクトルの計算を行った。
（４） 波長領域１．６〜２．０μmの８９点のデータのみを取り出し、絶対値の最大値が１となるように、再度規格化を行った。
【００２４】
ここで、上記データの平均化処理を行なったのは、ノイズ除去のためである。また、２次微分処理を行ったのは、ピークの先鋭化とベースラインの傾き補正のためである。この種のデータの前処理としては、他にＭＳＣ（Multiplicative Scatter Correction）法等もあるが、本実施形態においては、計算の簡便な２次微分法を主に使用した。なお、上記データの前処理には、データ処理装置としてのコンピュータ（富士通社製のFMV-6233N/A、ＯＳ：Microsoft社製のWindows95）にインストールしたMicrosoft社製のソフト「Microsoft Excel98」を使用した。
【００２５】
図１及び図２はそれぞれ、波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトル及びその２次微分スペクトルのグラフである。また、図３及び図４はそれぞれ、図１及び図２のスペクトルを波長領域１．６〜２．０μmでプロットしたグラフである。
これらのグラフからわかるように、高密度ポリエチレン（HDPE）と低密度ポリエチレン（LDPE）との間での近赤外線スペクトルの顕著な差異が１．６〜２．０μmの領域で見られる。この波長領域における近赤外線スペクトルの相違を用いて、高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の識別を行った。
【００２６】
本実施形態では、上記近赤外線スペクトルのデータを解析するケモメトリックスにおけるデータ解析手法の一つとして、階層型パーセプトロンモデルが採択されたニューラルネットワークを用いた。このニューラルネットワークによるデータ処理は、上記コンピュータ（富士通社製のFMV-6233N/A、ＯＳ：Microsoft社製のWindows95）にインストールした富士通社製のソフトウェア（商品名：NEUROSIM/L）を用いた。
【００２７】
このニューラルネットワークは、図５に示すように、入力層、中間層及び出力層がそれぞれ１層である３層構造から構成され、ニューラルネットワークの学習には、エラーバックプロパゲーション方式を用いた。このニューラルネットワークの入力層に、上記前処理を施した各ポリエチレンの近赤外線スペクトル（２次微分スペクトル）のデータを入力し、出力層にそのポリエチレンの識別コード（HDPE：１，LDPE：０）を教師データとして入力して学習を行った。また、本実施形態においては、HDPE又はLDPEのいずれかを識別するためにデータ解析を行なったので、出力層を１ユニットに設定した。また、他の条件としては、入力層を８９ユニット、中間層と３ユニットに設定し、学習定数としてｅ＝５．０，ａ＝０．１を用い、初期乱数シードを１とし、収束判定条件を０．１とした。
図６は、上記条件で学習を行なった後のニューラルネットワークの模式図である。
【００２８】
上記ニューラルネットワークのHDPEとLDPEに対する識別能力判定は、Leave-one-out法により行なった。具体的には、７０個の全試料から５つの試料を抜き取り、６５個の試料を学習後に５つの試料について識別能力を判定した。これを全部で１４回繰り返し、その正誤能力により上記ニューラルネットワークのHDPEとLDPEの識別能力とした。その結果、上記ニューラルネットワークの識別能力は１００％であり、HDPEとLDPEとを完全に識別できることがわかった。
【００２９】
また、本実施形態では、上記近赤外線スペクトルのデータを解析するケモメトリックスにおける他のデータ解析手法として、主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法を用いた。これらのデータ解析手法によるデータ処理は、上記コンピュータにインストールしたInfoMetrix社製のソフトウェア（商品名：Pirouette Ver.2.6）を用いた。このソフトウェアを用いて、上記ニューラルネットワークの場合と同様に、７０個のポリエチレン試料についてデータ解析を行なった。
【００３０】
図７は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフであり、図８は、同様な主成分分析における第２主成分と第３主成分との関係を示すグラフである。
この図７及び図８の結果により、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３１】
また、図９は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフであり、図１０は、同様なＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフである。
この図９及び図１０の結果により、上記主成分分析の結果と同様に、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３２】
また、図１１は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラムである。
また、図１２は、高密度ポリエチレン試料（HDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフであり、図１３は、低密度ポリエチレン試料（LDPE）について、同様なＳＩＭＣＡ法で解析した結果を示すグラフである。
これらの図１１並びに図１２及び図１３の結果からも、上記主成分分析の結果と同様に、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３３】
次に、本実施形態では、上記波長領域１．６〜２．０μmの８９点のデータを更に絞り込んで、ポリエチレンのグレードを識別する能力をより向上させることを目的として上記ニューラルネットワークに入力するデータの波長範囲を更に絞り込むために、上記波長領域１．６〜２．０μmの２次微分スペクトルの分散統計処理を行った。その結果、図１４のグラフに示すように、波長１．６９１２〜１．７７８３μmの範囲に分散の主要なピークが存在しているので、ポリエチレンのグレード識別には、この波長範囲１．６９１２〜１．７７８３μmの近赤外線スペクトルのデータを用いるだけで十分であることがわかる。
【００３４】
そこで、波長領域１．６９１２〜１．７７８３μmの２０点のデータのみを取り出し、絶対値の最大値が１となるように再度規格化を行った。そして、図１５に示すように、この２０点のデータを上記ニューラルネットワークの入力層に入力し、前述の入力データ数が８９個の場合と同様な条件で学習を行ない、HDPEとLDPEの識別能力判定を行なった。その結果、この２０個のデータを用いた場合も、ニューラルネットワークの識別能力は１００％を示し、HDPEとLDPEとを完全に識別することができた。
なお、図１６は、入力データ数が２０個の場合における学習後のニューラルネットワークの模式図である。
【００３５】
更に、上記波長領域１．６９１２〜１．７７８３μmの２０点のデータについて、前述と同様に主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法を用いてデータ解析を行なったところ、図１７、図１８、図１９、図２０、図２１、図２２及び図２３に示すように、LDPEの解析データとHDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかった。また、これらの場合について、上記データの前処理を一部変更し、ＭＳＣ（Multiplicative Scatter Correction）法を含めて同様のデータ解析を行っても、HDPEとLDPEとを識別可能なことがわかった。
【００３６】
更に、本実施形態では、上記波長領域１．６９１２〜１．７７８３μmにおいて、データ解析に用いる入力データ数を１３個、１０個、６個、５個、４個と順次減らしていきながら、学習後のニューラルネットワークを用いてパラメータースキャンを行なうともに、上記ニューラルネットワークや主成分分析等のデータ解析を行なった。その結果、上記入力データが８９個の場合と同様に学習を行なったニューラルネットワークを用いることにより、図２４及び図２５に示すように最終的に入力データ数（入力層のユニット数）を４個（１．６９７８５μｍ、１．７０７０２μｍ、１．７４３６８μｍ、１．７４８２７μｍ）に減らした場合でも、上記入力データ数が８９個及び２０個の場合と同様にLeave-one-out法により識別能力の性能を調べた結果、１００％の的中率が得られた。
また、上記主成分分析、ＰＬＳ解析及び階層的クラスター分析についても、図２６、図２７、図２８、図２９及び図３０に示すように、最終的に入力データ数を４個に減らした場合でも、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかった。
【００３７】
ここで、上記入力層が４ユニットのニューラルネットワークにおいてパラメータースキャンを行なったところ、HDPEとLDPEの識別には、１点（１．７１１６μｍ）が関与していないと考えられる。各入力値が０の場合の挙動から、定数項の値で全体に上にシフトしているものと考えることもできる。もしくは感度の閾値が上昇しているものと考えることもできる。そこで、バイアスを導入して、閾値を下げる働きを負わせ、ニューラルネットワークを再学習させる必要があるものと考えられる。
【００３８】
そこで、図３１に示すように、入力層にバイアスの分のユニットを追加し、全部で５ユニットのニューラルネットワークを構成した。このニューラルネットワークで学習し、前述のLeave-one-out法によりニューラルネットワークの識別性能を調べた結果、１００％の的中率が得られた。
なお、図３２は、上記バイアス分のユニットを追加した場合における学習後のニューラルネットワークの模式図である。
【００３９】
また、図３３及び図３４はそれぞれ、上記バイアスを含んで入力層を５つのユニットにした場合のニューラルネットワークが識別している波長領域における、実際の２次微分スペクトルの分散を示すグラフ、及び実際のHDPE及びLDPEの平均スペクトルを示すグラフである。なお、図３３及び図３４において、符号Ｐ１〜Ｐ４で示している波長が、入力データに対応している。この結果より、ニューラルネットワークは、分散の最も大きな部分と２番目に大きな部分を認識している。残りの２つについては、必ずしも分散の広がり具合が大きいとはいえない領域である。しかし、実際のHDPE及びLDPEの平均スペクトルで見直してみると、最大ピークから右下がりの部分ではっきりと差異が認められる。この部分をニューラルネットワークが認識したものと考えることができる。
【００４０】
以上、本実施形態によれば、近赤外反射スペクトル測定とケモメトリックスにおける各種データ解析手法とを組み合わせることにより、ポリエチレンの２つのグレード（HDPE，LDPE）の識別が可能かどうか検討した結果、ケモメトリックスにおける主成分分析等の線形解析でも十分識別可能であることがわかった。
また、非線形解析であるニューラルネットワークを用いたデータ解析でも十分に識別でき、その的中率が１００％であることがわかった。特に、ニューラルネットワークを用いたデータ解析では、人間が近赤外線スペクトルを見てポリエチレンの２つのグレード（HDPE，LDPE）を識別するように、実際のスペクトル領域（１．６９５８〜１．６９９９μｍ、１．７０５０〜１．７０９１μｍ、１．７４１６〜１．７４５７μｍ、１．７４６２〜１．７５０３μｍ）の平均スペクトルを見て識別していることがわかった。これは、ポリエチレンの使用されている炭化水素ユニットの末端の伸縮運動の状態を見ているものと考えることができる。このように近赤外線スペクトルの上記特定の４箇所の波長におけるデータを利用して、十分にポリエチレンのグレードを識別することは可能である。したがって、より簡便、且つ迅速なポリエチレンのグレード識別が可能となる。また、上記近赤外線スペクトル測定装置やコンピュータを組み合わせて、グレードの異なるポリエチレンの識別するシステムを構成する場合は、識別システムの小型化が可能となる。
【００４１】
なお、上記実施形態においては、ポリエチレンのグレードを識別する場合について説明したが、本発明は、ポリスチレン（ＧＰ：General Purpose，ＨＩ：High Impact）やポリプロピレン等の他の高分子材料のグレードを識別する場合にも適用できるものである。
【００４２】
本発明によれば、近赤外線スペクトル測定前に高分子材料を前処理する必要がないとともに、コンピュータを用いたデータ処理を容易に適用できるので、従来の中赤外線の波長領域で測定する場合に比してより簡便、且つ迅速に高分子材料のグレード識別が可能となるという優れた効果がある。
【００４３】
また、線形モデルを採用するデータ解析手法に比して、近赤外線スペクトルのデータの非線形性が強い場合でも、高分子材料のグレードをより精度よく識別することができるという優れた効果がある。
【００４４】
本発明によれば、ポリエチレンの結晶化度（密度）の違いによるグレードを精度よく識別することができるという優れた効果がある。
【００４５】
本発明によれば、ポリエチレンのグレードの結晶化度（密度）の違いによる光学特性の変化が大きな波長範囲である１．６９１２〜１．７７８３μｍに限定して、近赤外線スペクトルの測定及びデータ処理を行うことができるので、より簡便、且つ迅速なポリエチレンのグレード識別が可能となるという優れた効果がある。
【図面の簡単な説明】
【図１】波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトルのグラフ。
【図２】波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の２次微分スペクトルのグラフ。
【図３】図１の近赤外線スペクトルの波長領域１．６〜２．０μmについて拡大したグラフ。
【図４】図２の近赤外線スペクトルの波長領域１．６〜２．０μmについて拡大したグラフ。
【図５】入力層に８９ユニットを持つニューラルネットワークの模式図。
【図６】学習後における同ニューラルネットワークの模式図。
【図７】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフ。
【図８】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図９】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフ。
【図１０】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図１１】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図１２】高密度ポリエチレン試料（HDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図１３】低密度ポリエチレン試料（LDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図１４】波長領域１．６〜２．０μmにおける２次微分スペクトルの分散を示すグラフ。
【図１５】入力データ数が２０個の場合におけるニューラルネットワークの模式図。
【図１６】学習後における同ニューラルネットワークの模式図。
【図１７】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフ。
【図１８】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図１９】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフ。
【図２０】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図２１】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図２２】高密度ポリエチレン試料（HDPE）について、波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図２３】低密度ポリエチレン試料（LDPE）について、波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図２４】入力データ数が４個の場合におけるニューラルネットワークの模式図。
【図２５】学習後における同ニューラルネットワークの模式図。
【図２６】４個のデータを用いた主成分分析における第１主成分と第２主成分との関係を示すグラフ。
【図２７】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図２８】４個のデータを用いたＰＬＳ解析における第１主成分と第２主成分との関係を示すグラフ。
【図２９】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図３０】４個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図３１】バイアス入力がある場合のニューラルネットワークの模式図。
【図３２】学習後における同ニューラルネットワークの模式図。
【図３３】波長領域１．６８〜１．７８μmにおける２次微分スペクトルの分散を示すグラフ。
【図３４】波長領域１．６８〜１．７８μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトルのグラフ。
【発明の属する技術分野】
本発明は、近赤外線スペクトルのデータに基づいて、プラスチック、繊維、ゴム、塗料、接着剤等の高分子材料のグレードを識別する高分子材料のグレード識別方法に関するものである。
【０００２】
【従来の技術】
高分子材料はプラスチック、繊維、ゴム、塗料、接着剤等として国内では毎年１５００万トン以上生産されているが、近年では環境問題からそのリサイクルが必須の課題となっている。高分子材料のリサイクルにおいては、再生材料の特性を向上させるために、高分子材料を種類によって分別するだけでなく、同一種類の高分子材料をその特性、すなわちグレードによって分別することも要求されている。なぜならば、再生材料はそのグレードによって製品価格が大きく異なるからであり、たとえば高密度のポリエチレン（HDPE）は低密度のポリエチレン（LDPE）より2倍以上価格が高いからである。
【０００３】
従来、実験室的レベルにおいて高分子材料のグレードを識別する方法として、ゲルパーミエションクロマトグラフィー（GPC）、熱分解ガスクロマトグラフィー（Pyrosis-GC、PyGC）、光散乱、浸透圧、蒸気圧、超遠心分離、電子顕微鏡、Ｘ線及び中性線回折、NMRスペクトル（13C-NMR及び固体NMR）、赤外線スペクトル（IR）、元素分析、原子吸光度分析、Ｘ線光電子分光法、２次イオン質量分析、熱重量測定（TG）、示差熱分析（DTA）、示差走査熱量測定（DSC）等の破壊・非破壊測定を組み合わせた分析方法が使用される。しかしながら、これらの方法は、高分子材料のグレードの識別が可能ではあるものの、測定及びグレードの識別における迅速性が欠けるため、現時点で、実際のリサイクルの際に用いることができる実用化レベルに達しているものはなかった。
【０００４】
【発明が解決しようとする課題】
上記高分子材料のグレード識別方法の中で最も実用化レベルに近い有望な方法は、赤外線を利用する方法であると考えられる。赤外線の波長を変えながら高分子材料に照射すると、波長によって高分子材料に吸収されたり反射されたりする赤外線の割合が変化する。この赤外線の吸収率又は反射率を照射光の波長を変えながら測定すると、赤外線スペクトルが得られる。この赤外線スペクトルは高分子材料原料に用いられているモノマーの種類やグレードの違いによって変化するため、赤外線スペクトルの違いから高分子材料の種類やグレードを識別することができる。
【０００５】
赤外線スペクトルは、照射する赤外線の波長によって近赤外線スペクトル（波長範囲：１．０〜２．５μｍ）、中赤外線スペクトル（波長範囲：２．５〜２５μm）、遠赤外線スペクトル（波長範囲：２５〜１００μm）に大別することができる。これらの中で、中赤外線は高分子材料のグレードによって吸収率が異なるため、中赤外線スペクトルに基づき高分子材料のグレードを割と精度よく識別することができると考えられている。しかしながら、この中赤外線の波長範囲では、高分子材料による光の吸収率がかなり高いため、試料（測定対象物）の厚さを薄くする前処理を行った上で透過法測定を行う必要がある。したがって、中赤外線の波長範囲での赤外線スペクトルを測定する方法では、破壊検査となってしまい、しかも上記試料の前処理という煩雑な作業が必要となるため、簡便で迅速なグレード識別方法とはいえなかった。
【０００６】
高分子材料のグレードを簡便、且つ迅速な方法で識別するという課題は、プラスチック、繊維、ゴム、塗料、接着剤等のすべての高分子材料を効率的にリサイクルしようとする場合について、同様に発生し得るものである。
【０００７】
本発明は以上の問題点に鑑みなされたものであり、その目的は、従来の中赤外線スペクトルを測定するものに比して、より簡便、且つ迅速な高分子材料のグレード識別方法を提供することである。
【０００８】
【課題を解決するための手段】
上記目的を達成するために、請求項１の発明は、グレード識別対象の高分子材料について近赤外線の波長範囲における近赤外線スペクトルを測定し、該近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用し、該データ解析手法で取得された情報に基づいて該高分子材料のグレードを識別することを特徴とする高分子材料のグレード識別方法である。
ここで、上記「ケモメトリックス」とは、数学的手法や統計学的手法を適用し、最適手順や最適実験計画の立案・選択を行うとともに、化学データから得られる化学情報量の最大化を目的とする化学の一分野をいう（例えば、相島鐵郎著「ケモメトリックス−新しい分析化学−」丸善、ｐ．１」参照、）。
また、上記「ケモメトリックスにおけるデータ解析手法」としては、ニューラルネットワークのほか、主成分分析法、ＰＬＳ（Partial Least Squares Regression）法、ＰＣＲ（Principal Components Regression）法、階層的クラスター分析法、ＳＩＭＣＳ（Soft Independent Modeling of Class Analogy）法、ＫＮＮ（k nearest neibors）法、等を挙げることができる(例えば、宮下芳勝・佐々木愼一共著「ケモメトリックス 化学パターン認識と多変量解析」共立出版参照)。
【０００９】
高分子材料のグレードの違いにより光の吸収率や反射率が異なる波長を含む近赤外線（波長範囲：１．０〜２．５μｍ）を用いて測定することにより、高分子材料のグレードに関する情報を含む近赤外線スペクトルのデータを得ることができる。しかも、上記近赤外線は、中赤外線（波長範囲：２．５〜２５μm）とは異なり、高分子材料に対して過度に吸収されることがなく、また適度な強度の透過光や反射光となるので、測定対象の高分子材料について前処理を行う必要がなく、十分な強度の赤外線スペクトルのデータを得ることができる。そして、上記近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用することにより、近赤外線スペクトルのデータから高分子材料のグレードに関する情報を抽出する。このデータ解析手法で取得された情報に基づいて、高分子材料のグレードを識別する。このケモメトリックスにおけるデータ解析手法に対しては、コンピュータを用いたデータ処理を容易に適用できるので、簡便で且つ迅速なグレード識別が可能となる。
【００１０】
上記ケモメトリックスにおけるデータ解析手法として、上記近赤外線スペクトルのデータについてピークの先鋭化、ベースラインの傾き補正及び規格化を含む処理を行なう前処理と、該前処理を施した近赤外線スペクトルのデータについて、ニューラルネットワークによるデータ処理とを行うことを特徴とするものである。ここで、上記「ニューラルネットワーク」とは、脳の行なう情報処理をまねた数学的モデルであり、神経細胞の行なうデータ処理をユニットと呼ばれる処理要素に置き換え、相互に結合させて情報処理を行なうネットワークである。上記近赤外線スペクトルのデータ処理に対しては、特に、階層型パーセプロトロンモデルが採用された、入力層、中間層及び出力層からなる３層構造のニューラルネットワークであって、エラーバックプロパゲーション方式で学習したニューラルネットワークが好適である。
【００１１】
上記近赤外線スペクトルのデータについて２次微分処理及び規格化処理を含む前処理を行うことにより、近赤外線スペクトルにおけるピークの先鋭化を行うとともに、グレード識別対象の複数の高分子材料間でのデータのバラツキを抑え、最終的なグレード識別の精度を高める。そして、この前処理を施した近赤外線スペクトルのデータを、ニューラルネットワークに入力し、ニューラルネットワークから出力されたデータによりグレード識別を行う。このニューラルネットワークを用いた解析手法の場合は、ニューラルネットワークのパラメータの最適化を図ることにより、グレード識別の精度が高まり、高分子材料が細分化されたグレードに分類されるときでも各グレードの識別が可能となる。また、上記近赤外線スペクトルのデータの非線形性が強い場合でも、高分子材料のグレードを精度よく識別することができる。
【００１２】
上記ケモメトリックスにおけるデータ解析手法として、上記近赤外線スペクトルのデータについてピークの先鋭化、ベースラインの傾き補正及び規格化を含む処理を行なう前処理と、該前処理を施した近赤外線スペクトルのデータについて主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法の少なくとも一つによるデータ処理とを行う。
【００１３】
上記前処理を行うことにより、近赤外線スペクトルにおけるピークの先鋭化を行うとともに、グレード識別対象の複数の高分子材料間でのデータのバラツキを抑え、最終的なグレード識別の精度を高める。そして、この前処理を施した近赤外線スペクトルのデータについて、上記主成分分析法、ＰＬＳ法、階層的クラスター分析法及びＳＩＭＣＡ法の少なくとも一つによるデータ処理を行い、その出力結果に基づいてグレード識別を行う。特に、上記主成分分析法、ＰＬＳ法、階層的クラスター分析法及びＳＩＭＣＡ法の２つ以上を組み合わせ、各分析結果を比較することにより、高分子材料のグレード識別の精度を高めることができる。
【００１４】
上記近赤外線スペクトルのデータの波長範囲が１．６〜２．０μmであり、上記グレード識別対象の高分子材料がポリエチレンであってもよい。
【００１５】
ポリエチレンの密度の違いによって光学特性が大きく異なる部分が存在する波長範囲１．６〜２．０μmの近赤外線スペクトルのデータを用いることにより、ポリエチレンの密度の違いによるグレードを識別する。
【００１６】
上記近赤外線スペクトルの波長範囲が１．６９１２〜１．７７８３μｍであるとよい。
ポリエチレンからなるリサイクル材料の近赤外線スペクトルを測定し、波長１．６９５８〜１．６９９９μｍ，１．７０５０〜１．７０９１μｍ，１．７４１６〜１．７４５９μｍ，１．７４６２〜１．７５０３μｍの４つの領域の平均スペクトルを用いることでポリエチレンのグレードが容易に分別できる。
【００１８】
【発明の実施の形態】
以下、本発明をポリエチレンのグレードを識別するグレード識別方法に適用した実施形態について説明する。
ポリエチレンは、高分子材料である汎用プラスチックの１つとして大量生産されている。ポリエチレンは、軽く（比重：０．９１〜０．９７）、透明〜半透明であり、耐寒性（使用可能な温度範囲：−６０〜８０°Ｃ）が良く、電気絶縁性は特に優れており、耐電圧が大きく、高周波特性も良い。吸水・透水はしないが、空気は通すという特性を有している。また、ポリエチレンは、耐水、耐油、耐酸（濃硝酸は除く）、耐アルカリ性、耐有機溶剤（高温の場合を除く）に優れており、低コストである。ポリエチレンは、強度、合成、表面硬度、耐熱性においては劣るものの、これらを上回る特性を有しているため、大量に利用されている。これと同時に、大量消費・大量廃棄されているのも事実である。
【００１９】
一方、容器包装リサイクル法や家電リサイクル法の本格施行により、プラスチックをリサイクルする必要性に迫られている。このような状況下で、大量消費・大量廃棄されているポリエチレンについてもリサイクルの必要性が迫られている。ところが、このポリエチレンは用途により物理的性質や化学的性質が異なるもの、すなわちグレードが異なるものが使用されている。このようにグレードが異なるポリエチレンが存在するのは、ポリエチレンの製法によっては分岐が生じ、これに伴い結晶化度が低下する場合があるからである。この結晶化度の低下は、剛性の低下や透明性の向上につながる。このようにポリエチレンの剛性（柔軟性）や透明性のような外見的な特性は、結晶化度により大きく変動する。結晶化度の指針として密度を用いて、高密度ポリエチレン（ＨＤＰＥ：High Density PolyEthylene）と低密度ポリエチレン（ＬＤＰＥ：Low Density PolyEthylene）といったように分類されている。更に、最近では、新しいタイプのエンジニアプラスチックとしてのポリエチレンが開発され、単純に密度だけでは特定しきれない面もある。
このような密度が異なる複数グレードのポリエチレンはそれぞれ特性が異なるため、前述のように、リサイクルを行なう場合は、グレードごとにポリエチレンを分別する必要がある。
【００２０】
本実施形態では、上記ポリエチレンをグレードごとに分別するために、ポリエチレンの近赤外線スペクトルを測定し、近赤外線スペクトルのデータに対してケモメトリックスにおけるデータ解析手法を適用し、このデータ解析手法で取得された情報に基づいてポリエチレンのグレードを識別するグレード識別方法を用いている。
【００２１】
ここで、近赤外線領域の波長を用いるのは、ポリエチレンの光学的特性によるものである。ＣＨ伸縮振動の第１、第２、第３・・・等の倍音によるバンドはどれもダブレットのようになっているが、いずれも長波長側がメチレン基によるものであり、短波長側がメチル基によるものである。１、２、３と倍音の次数が上がるにつれ強度は弱くなるものの、バンドの分離能は良くなるので、化合物の同定には、次数の高い振動に対応する近赤外線領域は極めて有効である。この近赤外線領域を用いることのもう１つの長所としては、大きな非調和定数をもつ振動だけがこの領域に残り、小さな非調和定数を持つものは観測されないので、スペクトルが比較的に簡単になるという利点がある。
【００２２】
本実施形態におけるポリエチレンの近赤外線スペクトルの測定には、オプト技研社製の近赤外線スペクトル測定装置（商品名：PlaScan）を用いた。この近赤外線スペクトル測定装置は、音響光学変調フィルター（AOTF：Acoustro-Optical Tunable Filter）分光方式を使用しており、近赤外線領域（１．０〜２．５μm）における拡散反射スペクトルを迅速かつ高分解能（０．０００５μm）で測定できる分光測定装置である。この近赤外線スペクトル測定装置を用いて、まず標準試料であるセラミックについて波長領域１．１〜２．２μmの２４００点における拡散反射光の強度を積算回数２０回で測定した。次に、グレード識別対象の複数のポリエチレンについて、同じ波長領域１．１〜２．２μmの２４００点における拡散反射光の強度を積算回数２０回で測定した。そして、各測定波長ポイントについて、セラミックの反射光強度に対するポリエチレンの反射光強度の比である相対反射率の対数を、吸光度として算出することにより、波長領域１．１〜２．２μmにおける近赤外線スペクトルのデータを得た。
なお、上記近赤外線スペクトルの測定は、日常生活で使用されているプラスチックなどのポリエチレン(HDPE：６種，LDPE：８種）のフィルム及びシートの７０サンプルについて行なった。
【００２３】
次に、上記波長と吸光度との関係を示す近赤外線スペクトルの測定データについてニューラルネットワーク等のデータ処理を行なう前に、ノイズ除去のための平滑化、ピークの先鋭化、及び規格化のデータ処理として、次の（１）乃至（４）のようなデータの前処理を行なった。
（１） 波長領域１．１〜２．２μmの２４００点の実測スペクトルデータについて、最小値を０、最大値を１となるように規格化を行った。
（２） ２４００点の規格化スペクトルを１０点毎に平均を取り、２４０点のデータを作成した。
（３） ２４０点のデータを用いて、２次微分スペクトルの計算を行った。
（４） 波長領域１．６〜２．０μmの８９点のデータのみを取り出し、絶対値の最大値が１となるように、再度規格化を行った。
【００２４】
ここで、上記データの平均化処理を行なったのは、ノイズ除去のためである。また、２次微分処理を行ったのは、ピークの先鋭化とベースラインの傾き補正のためである。この種のデータの前処理としては、他にＭＳＣ（Multiplicative Scatter Correction）法等もあるが、本実施形態においては、計算の簡便な２次微分法を主に使用した。なお、上記データの前処理には、データ処理装置としてのコンピュータ（富士通社製のFMV-6233N/A、ＯＳ：Microsoft社製のWindows95）にインストールしたMicrosoft社製のソフト「Microsoft Excel98」を使用した。
【００２５】
図１及び図２はそれぞれ、波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトル及びその２次微分スペクトルのグラフである。また、図３及び図４はそれぞれ、図１及び図２のスペクトルを波長領域１．６〜２．０μmでプロットしたグラフである。
これらのグラフからわかるように、高密度ポリエチレン（HDPE）と低密度ポリエチレン（LDPE）との間での近赤外線スペクトルの顕著な差異が１．６〜２．０μmの領域で見られる。この波長領域における近赤外線スペクトルの相違を用いて、高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の識別を行った。
【００２６】
本実施形態では、上記近赤外線スペクトルのデータを解析するケモメトリックスにおけるデータ解析手法の一つとして、階層型パーセプトロンモデルが採択されたニューラルネットワークを用いた。このニューラルネットワークによるデータ処理は、上記コンピュータ（富士通社製のFMV-6233N/A、ＯＳ：Microsoft社製のWindows95）にインストールした富士通社製のソフトウェア（商品名：NEUROSIM/L）を用いた。
【００２７】
このニューラルネットワークは、図５に示すように、入力層、中間層及び出力層がそれぞれ１層である３層構造から構成され、ニューラルネットワークの学習には、エラーバックプロパゲーション方式を用いた。このニューラルネットワークの入力層に、上記前処理を施した各ポリエチレンの近赤外線スペクトル（２次微分スペクトル）のデータを入力し、出力層にそのポリエチレンの識別コード（HDPE：１，LDPE：０）を教師データとして入力して学習を行った。また、本実施形態においては、HDPE又はLDPEのいずれかを識別するためにデータ解析を行なったので、出力層を１ユニットに設定した。また、他の条件としては、入力層を８９ユニット、中間層と３ユニットに設定し、学習定数としてｅ＝５．０，ａ＝０．１を用い、初期乱数シードを１とし、収束判定条件を０．１とした。
図６は、上記条件で学習を行なった後のニューラルネットワークの模式図である。
【００２８】
上記ニューラルネットワークのHDPEとLDPEに対する識別能力判定は、Leave-one-out法により行なった。具体的には、７０個の全試料から５つの試料を抜き取り、６５個の試料を学習後に５つの試料について識別能力を判定した。これを全部で１４回繰り返し、その正誤能力により上記ニューラルネットワークのHDPEとLDPEの識別能力とした。その結果、上記ニューラルネットワークの識別能力は１００％であり、HDPEとLDPEとを完全に識別できることがわかった。
【００２９】
また、本実施形態では、上記近赤外線スペクトルのデータを解析するケモメトリックスにおける他のデータ解析手法として、主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法を用いた。これらのデータ解析手法によるデータ処理は、上記コンピュータにインストールしたInfoMetrix社製のソフトウェア（商品名：Pirouette Ver.2.6）を用いた。このソフトウェアを用いて、上記ニューラルネットワークの場合と同様に、７０個のポリエチレン試料についてデータ解析を行なった。
【００３０】
図７は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフであり、図８は、同様な主成分分析における第２主成分と第３主成分との関係を示すグラフである。
この図７及び図８の結果により、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３１】
また、図９は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフであり、図１０は、同様なＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフである。
この図９及び図１０の結果により、上記主成分分析の結果と同様に、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３２】
また、図１１は、上記７０個のポリエチレン試料について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラムである。
また、図１２は、高密度ポリエチレン試料（HDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフであり、図１３は、低密度ポリエチレン試料（LDPE）について、同様なＳＩＭＣＡ法で解析した結果を示すグラフである。
これらの図１１並びに図１２及び図１３の結果からも、上記主成分分析の結果と同様に、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかる。
【００３３】
次に、本実施形態では、上記波長領域１．６〜２．０μmの８９点のデータを更に絞り込んで、ポリエチレンのグレードを識別する能力をより向上させることを目的として上記ニューラルネットワークに入力するデータの波長範囲を更に絞り込むために、上記波長領域１．６〜２．０μmの２次微分スペクトルの分散統計処理を行った。その結果、図１４のグラフに示すように、波長１．６９１２〜１．７７８３μmの範囲に分散の主要なピークが存在しているので、ポリエチレンのグレード識別には、この波長範囲１．６９１２〜１．７７８３μmの近赤外線スペクトルのデータを用いるだけで十分であることがわかる。
【００３４】
そこで、波長領域１．６９１２〜１．７７８３μmの２０点のデータのみを取り出し、絶対値の最大値が１となるように再度規格化を行った。そして、図１５に示すように、この２０点のデータを上記ニューラルネットワークの入力層に入力し、前述の入力データ数が８９個の場合と同様な条件で学習を行ない、HDPEとLDPEの識別能力判定を行なった。その結果、この２０個のデータを用いた場合も、ニューラルネットワークの識別能力は１００％を示し、HDPEとLDPEとを完全に識別することができた。
なお、図１６は、入力データ数が２０個の場合における学習後のニューラルネットワークの模式図である。
【００３５】
更に、上記波長領域１．６９１２〜１．７７８３μmの２０点のデータについて、前述と同様に主成分分析法、ＰＬＳ分析法、階層的クラスター分析法及びＳＩＭＣＡ法を用いてデータ解析を行なったところ、図１７、図１８、図１９、図２０、図２１、図２２及び図２３に示すように、LDPEの解析データとHDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかった。また、これらの場合について、上記データの前処理を一部変更し、ＭＳＣ（Multiplicative Scatter Correction）法を含めて同様のデータ解析を行っても、HDPEとLDPEとを識別可能なことがわかった。
【００３６】
更に、本実施形態では、上記波長領域１．６９１２〜１．７７８３μmにおいて、データ解析に用いる入力データ数を１３個、１０個、６個、５個、４個と順次減らしていきながら、学習後のニューラルネットワークを用いてパラメータースキャンを行なうともに、上記ニューラルネットワークや主成分分析等のデータ解析を行なった。その結果、上記入力データが８９個の場合と同様に学習を行なったニューラルネットワークを用いることにより、図２４及び図２５に示すように最終的に入力データ数（入力層のユニット数）を４個（１．６９７８５μｍ、１．７０７０２μｍ、１．７４３６８μｍ、１．７４８２７μｍ）に減らした場合でも、上記入力データ数が８９個及び２０個の場合と同様にLeave-one-out法により識別能力の性能を調べた結果、１００％の的中率が得られた。
また、上記主成分分析、ＰＬＳ解析及び階層的クラスター分析についても、図２６、図２７、図２８、図２９及び図３０に示すように、最終的に入力データ数を４個に減らした場合でも、HDPEの解析データとLDPEの解析データは互いに独立のクラスターに分類することができ、HDPEとLDPEを十分に識別可能であることがわかった。
【００３７】
ここで、上記入力層が４ユニットのニューラルネットワークにおいてパラメータースキャンを行なったところ、HDPEとLDPEの識別には、１点（１．７１１６μｍ）が関与していないと考えられる。各入力値が０の場合の挙動から、定数項の値で全体に上にシフトしているものと考えることもできる。もしくは感度の閾値が上昇しているものと考えることもできる。そこで、バイアスを導入して、閾値を下げる働きを負わせ、ニューラルネットワークを再学習させる必要があるものと考えられる。
【００３８】
そこで、図３１に示すように、入力層にバイアスの分のユニットを追加し、全部で５ユニットのニューラルネットワークを構成した。このニューラルネットワークで学習し、前述のLeave-one-out法によりニューラルネットワークの識別性能を調べた結果、１００％の的中率が得られた。
なお、図３２は、上記バイアス分のユニットを追加した場合における学習後のニューラルネットワークの模式図である。
【００３９】
また、図３３及び図３４はそれぞれ、上記バイアスを含んで入力層を５つのユニットにした場合のニューラルネットワークが識別している波長領域における、実際の２次微分スペクトルの分散を示すグラフ、及び実際のHDPE及びLDPEの平均スペクトルを示すグラフである。なお、図３３及び図３４において、符号Ｐ１〜Ｐ４で示している波長が、入力データに対応している。この結果より、ニューラルネットワークは、分散の最も大きな部分と２番目に大きな部分を認識している。残りの２つについては、必ずしも分散の広がり具合が大きいとはいえない領域である。しかし、実際のHDPE及びLDPEの平均スペクトルで見直してみると、最大ピークから右下がりの部分ではっきりと差異が認められる。この部分をニューラルネットワークが認識したものと考えることができる。
【００４０】
以上、本実施形態によれば、近赤外反射スペクトル測定とケモメトリックスにおける各種データ解析手法とを組み合わせることにより、ポリエチレンの２つのグレード（HDPE，LDPE）の識別が可能かどうか検討した結果、ケモメトリックスにおける主成分分析等の線形解析でも十分識別可能であることがわかった。
また、非線形解析であるニューラルネットワークを用いたデータ解析でも十分に識別でき、その的中率が１００％であることがわかった。特に、ニューラルネットワークを用いたデータ解析では、人間が近赤外線スペクトルを見てポリエチレンの２つのグレード（HDPE，LDPE）を識別するように、実際のスペクトル領域（１．６９５８〜１．６９９９μｍ、１．７０５０〜１．７０９１μｍ、１．７４１６〜１．７４５７μｍ、１．７４６２〜１．７５０３μｍ）の平均スペクトルを見て識別していることがわかった。これは、ポリエチレンの使用されている炭化水素ユニットの末端の伸縮運動の状態を見ているものと考えることができる。このように近赤外線スペクトルの上記特定の４箇所の波長におけるデータを利用して、十分にポリエチレンのグレードを識別することは可能である。したがって、より簡便、且つ迅速なポリエチレンのグレード識別が可能となる。また、上記近赤外線スペクトル測定装置やコンピュータを組み合わせて、グレードの異なるポリエチレンの識別するシステムを構成する場合は、識別システムの小型化が可能となる。
【００４１】
なお、上記実施形態においては、ポリエチレンのグレードを識別する場合について説明したが、本発明は、ポリスチレン（ＧＰ：General Purpose，ＨＩ：High Impact）やポリプロピレン等の他の高分子材料のグレードを識別する場合にも適用できるものである。
【００４２】
本発明によれば、近赤外線スペクトル測定前に高分子材料を前処理する必要がないとともに、コンピュータを用いたデータ処理を容易に適用できるので、従来の中赤外線の波長領域で測定する場合に比してより簡便、且つ迅速に高分子材料のグレード識別が可能となるという優れた効果がある。
【００４３】
また、線形モデルを採用するデータ解析手法に比して、近赤外線スペクトルのデータの非線形性が強い場合でも、高分子材料のグレードをより精度よく識別することができるという優れた効果がある。
【００４４】
本発明によれば、ポリエチレンの結晶化度（密度）の違いによるグレードを精度よく識別することができるという優れた効果がある。
【００４５】
本発明によれば、ポリエチレンのグレードの結晶化度（密度）の違いによる光学特性の変化が大きな波長範囲である１．６９１２〜１．７７８３μｍに限定して、近赤外線スペクトルの測定及びデータ処理を行うことができるので、より簡便、且つ迅速なポリエチレンのグレード識別が可能となるという優れた効果がある。
【図面の簡単な説明】
【図１】波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトルのグラフ。
【図２】波長領域１．１〜２．２μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の２次微分スペクトルのグラフ。
【図３】図１の近赤外線スペクトルの波長領域１．６〜２．０μmについて拡大したグラフ。
【図４】図２の近赤外線スペクトルの波長領域１．６〜２．０μmについて拡大したグラフ。
【図５】入力層に８９ユニットを持つニューラルネットワークの模式図。
【図６】学習後における同ニューラルネットワークの模式図。
【図７】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフ。
【図８】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図９】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフ。
【図１０】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図１１】波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図１２】高密度ポリエチレン試料（HDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図１３】低密度ポリエチレン試料（LDPE）について、波長領域１．６〜２．０μmの２次微分スペクトルにおける８９個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図１４】波長領域１．６〜２．０μmにおける２次微分スペクトルの分散を示すグラフ。
【図１５】入力データ数が２０個の場合におけるニューラルネットワークの模式図。
【図１６】学習後における同ニューラルネットワークの模式図。
【図１７】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いて主成分分析したときの第１主成分と第２主成分との関係を示すグラフ。
【図１８】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図１９】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＰＬＳ解析したときの第１主成分と第２主成分との関係を示すグラフ。
【図２０】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図２１】波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図２２】高密度ポリエチレン試料（HDPE）について、波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図２３】低密度ポリエチレン試料（LDPE）について、波長領域１．６９１２〜１．７７８３μmの２次微分スペクトルにおける２０個のデータを用いてＳＩＭＣＡ法で解析した結果を示すグラフ。
【図２４】入力データ数が４個の場合におけるニューラルネットワークの模式図。
【図２５】学習後における同ニューラルネットワークの模式図。
【図２６】４個のデータを用いた主成分分析における第１主成分と第２主成分との関係を示すグラフ。
【図２７】同主成分分析における第２主成分と第３主成分との関係を示すグラフ。
【図２８】４個のデータを用いたＰＬＳ解析における第１主成分と第２主成分との関係を示すグラフ。
【図２９】同ＰＬＳ解析における第２主成分と第３主成分との関係を示すグラフ。
【図３０】４個のデータを用いて階層的クラスター分析法で解析した結果を示すデンドログラム。
【図３１】バイアス入力がある場合のニューラルネットワークの模式図。
【図３２】学習後における同ニューラルネットワークの模式図。
【図３３】波長領域１．６８〜１．７８μmにおける２次微分スペクトルの分散を示すグラフ。
【図３４】波長領域１．６８〜１．７８μmにおける高密度ポリエチレン（HDPE）及び低密度ポリエチレン（LDPE）の平均の近赤外線スペクトルのグラフ。
Claims (1)
- ポリエチレンからなるリサイクル材料の近赤外線スペクトルを測定し、
波長１．６９５８〜１．６９９９μｍ，１．７０５０〜１．７０９１μｍ，１．７４１６〜１．７４５９μｍ，１．７４６２〜１．７５０３μｍの４つの領域の平均スペクトルを用い、ニューラルネットワークを用いたデータ解析により、ＨＤＰＥとＬＤＰＥの２つのグレートを識別し、分別することを特徴とするポリエチレングレードの分別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000275693A JP4581039B2 (ja) | 2000-09-11 | 2000-09-11 | 高分子材料のグレード識別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000275693A JP4581039B2 (ja) | 2000-09-11 | 2000-09-11 | 高分子材料のグレード識別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002090299A JP2002090299A (ja) | 2002-03-27 |
| JP4581039B2 true JP4581039B2 (ja) | 2010-11-17 |
Family
ID=18761279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000275693A Expired - Fee Related JP4581039B2 (ja) | 2000-09-11 | 2000-09-11 | 高分子材料のグレード識別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4581039B2 (ja) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101805239B1 (ko) | 2010-10-18 | 2017-12-05 | 미쯔비시 케미컬 주식회사 | 리소그라피용 공중합체 및 그 제조 방법, 레지스트 조성물, 패턴이 형성된 기판의 제조 방법, 공중합체의 평가 방법, 공중합체 조성 해석 방법 |
| JP5772420B2 (ja) * | 2011-09-09 | 2015-09-02 | 住友電気工業株式会社 | 特徴量抽出装置、対象物検出システム、コンピュータプログラム及び特徴量抽出方法 |
| CN102374976B (zh) * | 2011-10-21 | 2013-09-04 | 中国兵器工业集团第五三研究所 | 检测复合橡胶中丁苯橡胶含量的方法 |
| CN103344602B (zh) * | 2013-07-04 | 2016-07-27 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱的水稻种质真伪无损检测方法 |
| CN104730024A (zh) * | 2013-12-20 | 2015-06-24 | 北京橡胶工业研究设计院 | 一种对氯丁胶粘剂中镁螯合酚醛树脂的分析方法 |
| CN103743705A (zh) * | 2014-01-28 | 2014-04-23 | 盐城工学院 | 一种假高粱及其近似物种的快速检测方法 |
| WO2016027792A1 (ja) * | 2014-08-22 | 2016-02-25 | 一般財団法人ニッセンケン品質評価センター | 繊維鑑別方法 |
| CN104502305B (zh) * | 2014-12-09 | 2017-02-22 | 西北师范大学 | 基于小波变换的近红外光谱有用信息分辨方法 |
| 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 |
| JP6428513B2 (ja) * | 2015-07-07 | 2018-11-28 | 日本ポリエチレン株式会社 | ポリエチレン樹脂の密度の測定方法 |
| CN105891147A (zh) * | 2016-03-30 | 2016-08-24 | 浙江中烟工业有限责任公司 | 一种基于典型相关系数的近红外光谱信息提取方法 |
| JP6798337B2 (ja) * | 2017-02-09 | 2020-12-09 | 富士通株式会社 | 植物判別装置、植物判別方法及び植物判別用コンピュータプログラム |
| JP7137772B2 (ja) * | 2017-11-07 | 2022-09-15 | 大日本印刷株式会社 | 検査システム、検査方法及び検査システムの製造方法 |
| JP7174599B2 (ja) * | 2018-11-09 | 2022-11-17 | 旭化成株式会社 | 装置、方法、プログラム、感光性樹脂組成物の製造方法および感光性樹脂積層体の製造方法 |
| CN111638191A (zh) * | 2019-03-01 | 2020-09-08 | 西派特（北京）科技有限公司 | 基于近红外光谱的汽车车身油漆对比方法 |
| JP7443815B2 (ja) | 2020-02-25 | 2024-03-06 | 東ソー株式会社 | 統計的手法によるクロマトグラムの分類方法 |
| 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000159897A (ja) * | 1998-11-27 | 2000-06-13 | Mitsui Chemicals Inc | 高分子化合物の不良品分離方法 |
| JP2000214084A (ja) * | 1999-01-25 | 2000-08-04 | Asahi Chem Ind Co Ltd | 検査対象物質判定方法及びその装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3758790B2 (ja) * | 1997-02-20 | 2006-03-22 | 三菱重工業株式会社 | 紙パックの識別方法および選別方法 |
| JP4385433B2 (ja) * | 1998-09-04 | 2009-12-16 | 三井化学株式会社 | 近赤外分析による製造運転制御方法 |
-
2000
- 2000-09-11 JP JP2000275693A patent/JP4581039B2/ja not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000159897A (ja) * | 1998-11-27 | 2000-06-13 | Mitsui Chemicals Inc | 高分子化合物の不良品分離方法 |
| JP2000214084A (ja) * | 1999-01-25 | 2000-08-04 | Asahi Chem Ind Co Ltd | 検査対象物質判定方法及びその装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002090299A (ja) | 2002-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4581039B2 (ja) | 高分子材料のグレード識別方法 | |
| Paul et al. | High-throughput NIR spectroscopic (NIRS) detection of microplastics in soil | |
| Zheng et al. | A discrimination model in waste plastics sorting using NIR hyperspectral imaging system | |
| JP5954920B2 (ja) | 赤外分光法を用いた炭素繊維強化プラスチック材料の樹脂タイプの分類方法 | |
| Ruiz et al. | Comparative study of multivariate methods to identify paper finishes using infrared spectroscopy | |
| JPH07111397B2 (ja) | プラスチックの種類判定方法 | |
| Lavine et al. | Criteria for comparing infrared spectra–A review of the forensic and analytical chemistry literature | |
| CN103499552A (zh) | 一种快速、智能的废旧塑料分类方法 | |
| Enlow et al. | Discrimination of nylon polymers using attenuated total reflection mid-infrared spectra and multivariate statistical techniques | |
| Duarte et al. | Discrimination of white automotive paint samples using ATR-FTIR and PLS-DA for forensic purposes | |
| Via et al. | Assessment of pine biomass density through mid-infrared spectroscopy and multivariate modeling | |
| Wei et al. | A rapid and nondestructive approach for forensic identification of car bumper splinters using attenuated total reflectance Fourier transform infrared spectroscopy and chemometrics | |
| Carrera et al. | Environmental sustainability: a machine learning approach for cost analysis in plastic recycling classification | |
| JP2002340792A (ja) | 高分子材料の密度測定方法 | |
| Mancini et al. | Classification of waste wood categories according to the best reuse using FT-NIR spectroscopy and chemometrics | |
| JP2000159897A (ja) | 高分子化合物の不良品分離方法 | |
| Abbas et al. | Prediction of source rock origin by chemometric analysis of Fourier transform infrared–attenuated total reflectance spectra of oil petroleum: evaluation of aliphatic and aromatic fractions by self-modeling mixture analysis | |
| Lee et al. | Classification Analysis of Copy Papers Using Infrared Spectroscopy and Machine Learning Modeling. | |
| Xia et al. | Non-destructive analysis the dating of paper based on convolutional neural network | |
| Zitting | Optical sorting technology for textile waste: Development of an identification method with NIR spectroscopy | |
| Bonifazi et al. | Black plastic waste classification by laser-induced fluorescence technique combined with machine learning approaches | |
| CN115616204A (zh) | 一种聚对苯二甲酸乙二醇酯再生料的鉴别方法及系统 | |
| 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 | |
| KR101075517B1 (ko) | 분광법을 이용한 볼펜 서명 감식 방법 | |
| Jesus et al. | Making wood inspection easier: FTIR spectroscopy and machine learning for Brazilian native commercial wood species identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20070707 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070723 |
|
| RD05 | Notification of revocation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7425 Effective date: 20070629 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20070723 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090820 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090901 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091030 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091030 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091214 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100312 |
|
| A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20100317 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100419 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100517 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130910 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |