基于近红外光谱的塑料分类方法研究
摘要
随着塑料制品的消耗量日益增大，废塑料也随之增加。大部分废塑料并未得
到有效处理，给人们的身心健康以及生态平衡带来了严重影响。废塑料回收不仅
有助于减少塑料垃圾对环境的污染，还是一种可持续的资源利用方式。废塑料的
识别分类是塑料循环利用的关键环节。近红外光谱法是一种高效、无损的废塑料
识别方法。本文针对基于近红外光谱技术识别废塑料类型的问题开展研究。
（1）为了使改进的废塑料识别方法能够充分训练并准确识别废塑料类型，
采集了聚丙烯，丙烯腈-丁二烯-苯乙烯共聚物，聚丙乙烯，聚苯醚和聚酰胺树脂
的近红外光谱，建立了光谱图库。分析了上述废塑料光谱的相关性，吸收峰的位
置和形状，并且采用蒙特卡洛交叉验证的方法来检验异常光谱数据。随后，将原
始光谱数据进行一阶导数和Savitzky-Golay卷积平滑处理并结合光谱形状进行分
析，截取了合适的光谱区间，减少了波长区域范围内的干扰信息。
（2）为了提高废塑料识别的准确性，提出了一种多算法协同选优的废塑料
识别方法。使用Savitzky–Golay卷积平滑、移动平均平滑和小波变换进行光谱数
据的降噪；使用一阶导数、二阶导数以及去趋势算法进行光谱数据的基线校正；
使用标准正态变量变换和多元散射校正进行光谱数据的散射校正。将上述算法组
合成五种策略进行光谱数据预处理，并根据废塑料识别的准确性选择最优的光谱
数据预处理策略。采用主成分分析法和竞争性自适应重加权算法提取光谱特征信
息，并根据废塑料识别的准确性选择最优的光谱特征提取算法。实验结果表明，
与未进行优化的方法相比，该方法的识别准确率平均提高了3.2%。
（3）针对BP神经网络在识别小比例塑料类型时，倾向于学习比例大的样
本特征，忽略了能够识别小比例样本的关键信息，致使小比例塑料的识别准确率
较低，提出了基于贝叶斯正则化优化的BP神经网络识别模型。对丙烯腈-丁二烯
-苯乙烯、聚酰胺、聚丙烯和聚碳酸酯/丙烯腈-丁二烯-苯乙烯共混物的近红外光
谱数据划分了三种比例方式进行了实验。采用宏平均和微平均下的召回率和精确
率以及准确率来评价模型的识别能力以说明所提出模型的性能。实验结果表明，
所提出的模型在识别不同比例的塑料样本时具有更高的准确性和更好的稳定性。
在一种小比例塑料占比为0.03的样本识别中，与未改进模型相比，所提出模型
的准确率平均提高了6%。
关键词：废塑料回收；近红外光谱技术；光谱数据处理；贝叶斯正则化；识别模
型
RESEARCHONPLASTICCLASSIFICATION
METHODSBASEDONNEAR-INFRARED
SPECTROSCOPY
ABSTRACT
Astheconsumptionofplasticproductsincreases,theproductionofwasteplastics
hasalsoincreasedatthesametime.However,mostofthewasteplasticshavenotbeen
processedeffectively,whichhasaseriousimpactonphysicalandmentalhealthfor
peopleandecologicalbalance.Wasteplasticrecyclingnotonlyhelpsreduce
environmentalpollutioncausedbyplasticwaste,butisalsoasustainablewayof
utilizingresources.Theidentificationandclassificationofwasteplasticsisakeystep
inplasticrecycling.Near-infraredspectroscopyisanefficientand