全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

回收技术

【美国】深度学习结合光谱技术提升塑料回收识别精度

责任编辑:Irene Shen3 分钟阅读
深度学习结合光谱技术提升塑料回收识别精度

要点

  • 2020年全球塑料产量约435公吨,预计2040年达736公吨。
  • 2025-2032年全球塑料市场CAGR预计为5.1%。
  • 基于拉曼光谱的CNN模型分类准确率为100%。
  • 基于ATR-FTIR的CNN模型准确率为95%。
  • ATR-FTIR在海上塑料碎片识别中成功率为99%。

华盛顿州立大学三城分校的研究人员证实,将拉曼光谱与红外光谱技术同卷积神经网络相结合,可实现高精度、低成本且适用于现场环境的塑料自动识别。

近期发表于《资源、保护与回收》(Resources, Conservation and Recycling)期刊的一项研究探讨了光谱技术与先进机器学习(ML)的融合如何显著提升塑料回收系统的效率与准确性(1)。该研究由华盛顿州立大学三城分校的研究人员主导,旨在推动可持续材料管理,降低塑料的环境足迹。

全球塑料产量逐年攀升。2020年,全球塑料产量约为435公吨(2)。按当前趋势推算,到2040年全球塑料产量预计将达到736公吨(2)。受此驱动,全球塑料市场正呈现稳健增长态势,年均增速约为中个位数,预计2025年至2032年间的复合年增长率(CAGR)为5.1%(3)。

目前,绝大多数消费级塑料——包括聚对苯二甲酸乙二醇酯(PET)、高密度聚乙烯(HDPE)、聚氯乙烯(PVC)、低密度聚乙烯(LDPE)、聚丙烯(PP)及聚苯乙烯(PS)——最终进入城市废弃物流并进入填埋场,造成长期的环境挑战。

本研究聚焦于解决“降级循环”(downcycling)问题,即通过再利用材料制造价值较低的产品(4)。尽管降级循环优于将塑料视为纯粹废弃物,但它并未实现真正的材料回收。现有分拣方法在处理受污染、染色或风化的塑料时往往力不从心,研究人员因此开发了一种新方法以应对上述难题。

该方法的核心是构建基于卷积神经网络(CNN)的机器学习框架,充分利用其在分析光谱信号等高维数据方面的优势。研究重点聚焦于振动光谱,特别是拉曼散射与衰减全反射-傅里叶变换红外(ATR-FTIR)光谱(1)。研究人员利用真实回收样本采集的拉曼光谱数据,训练出一个六类CNN模型,使其能够区分最常见的消费级塑料种类。

借助拉曼光谱数据,该卷积神经网络(CNN)实现了100%的分类准确率,证明深度学习能够从复杂光谱中提取具有化学意义的特征,且无需人工预处理或特征选择(1)。

为提升实际应用价值,研究人员将这一方法拓展至衰减全反射傅里叶变换红外光谱(ATR-FTIR)技术,该技术在现场及工业场景中应用广泛。基于相似CNN架构的ATR-FTIR模型达到了95%的准确率,证实了该方法在不同互补光谱技术间的稳健性(1)。此外,模型保持了较低的计算成本,这是其在自动化、高通量回收环境中部署的关键因素。

研究还考察了四种分析技术——ATR-FTIR、近红外反射光谱(NIR)、激光诱导击穿光谱(LIBS)和X射线荧光光谱(XRF)——在塑料识别与分类中的表现。结果显示,针对消费类塑料,ATR-FTIR、NIR和LIBS均表现出有效性,成功率分别为99%、91%和97%(1)。当应用于通常更为降解和受污染的海上塑料碎片时,ATR-FTIR再次以99%的成功率领先,而NIR、LIBS和XRF的成功率分别为81%、76%和66%(1)(1)。

本研究的核心结论在于,研究人员利用CNN进行塑料识别。尽管CNN在图像识别等领域已相当成熟,但将其应用于塑料分类的光谱数据集仍属较新领域(1)。该CNN能够自主学习相关光谱特征,从而消除了对专家主导的光谱解释和人工特征工程的依赖。这不仅提升了效率,也增强了模型在不同仪器和操作条件下的可扩展性。

同样重要的是模型对现实世界变异的韧性。研究发现,CNN能够成功处理含有染料、添加剂以及存在环境降解迹象的塑料,这些因素通常会使传统分选技术陷入困境(1)。研究人员指出,这种稳健性标志着向现场就绪系统迈出了重要一步,此类系统有望在回收设施、材料回收设施乃至海上碎片监测工作中可靠运行(1)。

该研究(1)的作者指出,该模型能够有效处理染色塑料、含添加剂塑料以及经历真实环境条件并发生劣化的塑料,这标志着在现实应用场景中取得了一项重要的实用进展。

编辑观点

光谱与深度学习融合为突破机械回收瓶颈提供新路径,尤其适用于高价值再生料的分选。从业者应关注该技术在现有分选线上的集成成本及现场部署的稳定性,以应对日益复杂的混合废塑料流。

常见问题

CNN结合拉曼光谱识别塑料准确率多少?

该模型实现了100%的分类准确率。研究利用真实回收样本训练的六类CNN模型,能从复杂光谱中提取化学特征,无需人工预处理即可区分常见消费级塑料。

ATR-FTIR在海上塑料碎片识别中表现如何?

ATR-FTIR在海上塑料碎片识别中成功率为99%,显著优于NIR(81%)、LIBS(76%)和XRF(66%)。这表明该技术在处理降解和受污染样本时具有更强的稳健性和适用性。

该方法能否处理染色或含添加剂的塑料?

模型能有效处理染色、含添加剂及经历环境劣化的塑料。CNN具备对现实世界变异的韧性,可克服传统分选技术在此类复杂场景下的局限,为现场就绪系统部署奠定基础。