全球再生塑料资讯站再生塑料 · 循环经济← 全部资讯

环境ESG

【中国】利用近红外光谱与机器学习检测环境中无色微塑料

责任编辑:Clara Zeng2 分钟阅读
利用近红外光谱与机器学习检测环境中无色微塑料

要点

  • 研究发表于《环境科学杂志》,由同济大学与上海污染控制与生态安全研究所团队完成
  • 采用近红外高光谱成像结合四种机器学习模型,包括PLS-DA、XGBOOST、SVM和RFC
  • 两阶段分类方法使无色微塑料检测准确率达到99%,解决厚度低于0.1毫米碎片的误判问题
  • 技术可识别15种宏塑料、微塑料及橡胶颗粒,无需繁琐样品前处理,支持原位检测
  • PLS-DA模型在测试中表现最佳,但所有模型对极薄无色碎片识别仍存在挑战

同济大学与上海污染控制与生态安全研究所的科研团队近期开展了一项研究,探索了一种检测环境中塑料污染的新方法。该研究发表于《环境科学杂志》(Journal of Environmental Sciences)(1),其核心在于利用近红外高光谱成像(NIR-HSI)结合先进的机器学习(ML)模型,专门针对其他检测手段往往忽略的无色微塑料碎片进行识别。

微塑料通常指尺寸在5毫米或更小的废弃塑料颗粒(2)。近年来,监测和减轻环境中塑料废弃物影响的关注度日益提升(3)。然而,无色塑料碎片长期处于被忽视的状态,现有的大多数检测方法难以捕捉到这些微小的塑料碎片。

在这项研究中,科研人员探索了一种高精度、非破坏性且支持原位检测的新技术。研究团队利用近红外光谱技术,在复杂的环境背景下对有色和无色塑料碎片进行分类与识别(1)。为评估不同模型在识别不同颜色、不同厚度及不同聚合物类型塑料颗粒方面的效率,团队测试了四种机器学习模型:偏最小二乘判别分析(PLS-DA)、极端梯度提升(XGBOOST)、支持向量机(SVM)以及随机森林分类器(RFC)(1)。

在测试的四种模型中,PLS-DA的表现最佳。不过,所有模型在正确分类无色塑料碎片时均面临挑战,尤其是当碎片厚度低于0.1毫米时,这些碎片常被误判为背景的一部分(1)。

研究证明,采用两阶段分类方法有助于解决这一难题。鉴于无色碎片常被当作背景材料而忽略,该方法首先区分塑料类型,随后进行重新审视。结果显示,在不同环境条件下,该方法对无色碎片的检测准确率达到99%(1)。

这项研究的一个显著亮点在于其高通量检测能力。张的团队将近红外(NIR)高光谱成像(HSI)与机器学习(ML)相结合,成功开发出一项快速、无创的技术。该技术能够在多种有机和无机环境背景下,识别15种宏塑料、微塑料及橡胶颗粒,且无需繁琐的样品前处理(1)。

能够高精度地检测有色及无色塑料,是塑料污染研究领域的一项重大突破。传统的微塑料鉴定方法通常依赖于耗时费力的提取和纯化步骤,这限制了其规模化应用(1)。通过消除这些瓶颈,这项新技术为大规模环境监测项目铺平了道路,使得对塑料污染的评估能够更快、更全面地进行(1)。

该研究的发现表明,无色塑料可以被高精度地检测到。所开发的方法防止了对塑料污染的低估,确保在环境调查中能够准确统计无色微塑料的数量(1)。

此外,该研究的方案可适配于工业应用,例如废物分选和回收流程。在这些场景中,快速、高效地区分不同类型的塑料至关重要(1)。

通过利用近红外高光谱成像和机器学习的优势,张及其同事开发的新方法有助于提高无色微塑料鉴定的准确性。随着塑料污染持续威胁着海洋和陆地生态系统,此类技术进步将在制定未来环境政策和可持续发展倡议中发挥关键作用(1)。这项研究标志着向更高效、更大规模的塑料废物监测迈出了关键一步,为应对全球最持久的环境挑战之一提供了有前景的解决方案(1)。

编辑观点

该研究为再生塑料行业提供了高精度、高通量的微塑料检测工具,有助于提升分选环节对无色塑料的识别能力,减少再生料污染。从业者应关注该技术在实际分选线中的适配性,推动监测数据与回收流程的联动,为制定更精准的EPR政策和再生含量标准提供数据支撑。

常见问题

近红外光谱怎么检测无色微塑料?

通过近红外高光谱成像结合机器学习模型,利用两阶段分类方法区分塑料类型并重新审视,实现对无色微塑料的高精度识别。研究证明该方法在多种环境背景下对无色碎片检测准确率达99%。

哪种机器学习模型检测效果最好?

偏最小二乘判别分析(PLS-DA)在测试的四种模型中表现最佳。尽管所有模型在识别厚度低于0.1毫米的无色碎片时存在挑战,但PLS-DA在整体分类效率上优于XGBOOST、SVM和随机森林分类器。

这项技术对塑料分选有什么帮助?

该技术可适配工业废物分选和回收流程,快速高效区分不同塑料类型。通过消除传统方法耗时费力的提取纯化步骤,支持大规模环境监测,有助于提高再生塑料分选精度和回收效率。