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

【日本】新型混合光谱技术提升塑料废弃物分拣精度

责任编辑:Irene Shen3 分钟阅读
新型混合光谱技术提升塑料废弃物分拣精度

要点

  • 研究发表于《Waste Management》期刊,由东北大学冈部和明领衔团队完成。
  • 实验样本为2022年3月在宫城县仙台市收集的264个塑料容器。
  • 系统采用贝叶斯优化自动调优XGBoost算法超参数,降低人工投入。
  • 0.140 THz太赫兹透射率用于识别透明PS,0.075 THz用于区分透明PET。
  • 该方法具备可扩展性,未来可评估在现有分拣设施中的经济可行性。

东北大学、芝浦工业大学与静冈大学的研究团队近日发布了一项先进的塑料分拣系统,该系统融合近红外(NIR)、太赫兹(THz)光谱技术与机器学习算法,旨在提升塑料回收效率。

该研究发表于《Waste Management》期刊,提出了一种将近红外光谱、太赫兹光谱与机器学习相结合的创新方法。研究团队利用上述技术成功区分了不同类型的塑料材料,为提升回收效果提供了新的技术路径。

分子光谱技术长期以来被用于识别塑料种类,拉曼光谱等技术能够读取塑料的谱图信号,从而实现材料鉴别。由东北大学研究员冈部和明(Kazuaki Okubo)领衔的研究团队,针对由聚对苯二甲酸乙二醇酯(PET)和聚苯乙烯(PS)制成的透明及黑色食品容器开展了实验。由于这些材料在外观上高度相似,且因形状、颜色及添加剂差异导致光谱特征存在波动,往往给自动化分拣系统带来识别难题。

在实验环节,研究人员于2022年3月在宫城县仙台市收集了264个塑料样本,来源为指定塑料垃圾袋中的透明、黑色及多色食品容器与包装。依据当地废弃物处理规范,所有容器均经过清洗,去除食物残渣及非塑料部件。对于带有标签的容器,直接依据标签信息确认塑料类型;对于无标签样本,则采用傅里叶变换红外光谱(FT-IR)技术核实其成分。

为突破传统技术的局限,研究团队构建了一套混合光谱系统,同时利用近红外与太赫兹波段进行数据采集。该系统搭载经贝叶斯调优优化的XGBoost机器学习算法,最终实现了超过90%的精确度,表明该方案在材料分类方面具备极高的准确性。

人工智能(AI)在该研究中发挥了关键作用。研究人员部署了可解释人工智能(XAI)来解读机器学习模型的决策过程,使团队得以洞察哪些光谱特征对塑料的精准识别贡献最大(1)。研究结果显示,0.140 THz处的太赫兹(THz)透射率对识别透明聚苯乙烯(PS)尤为有效,而0.075 THz频率则是区分透明聚对苯二甲酸乙二醇酯(PET)的关键(1)。相比之下,近红外(NIR)光谱在识别黑色PS方面表现最佳,而黑色PS通常对传统光学方法构成挑战(1)。

本研究的核心启示是什么?

本研究的一项核心启示在于,研究人员利用其技术证实,不同种类的塑料需要不同的频率才能实现最优识别。因此,该研究强调了超越传统仅依赖NIR系统的多模态方法的必要性(1)。

本研究的另一项核心启示是,团队利用贝叶斯优化(Bayesian optimization)实现了XGBoost算法超参数调优的自动化。这一方法显著降低了构建和训练模型所需的人工投入(1)。

本研究的影响是什么?

本研究的影响在于,它提出并验证了一种能够精准分拣塑料的新有效方法。作者还展示了在其方法中应用自动化技术所带来的影响,即产出可靠且快速的结果。

本研究的另一项影响在于,它为塑料分拣领域的未来研究奠定了基础。该方法在设计上具备可扩展性,旨在扩大其可分拣的塑料类型范围,包括多层包装和新兴的生物塑料。因此,据研究团队称,未来的研究可以且应当评估将该混合系统集成到现有分拣设施中的经济可行性、安装成本及环境影响(1)。

研究人员认为,他们在此展示的系统可用于早期分拣站,以降低下游处理成本并提升资源回收率(1)。随着塑料污染持续给全球环境和废物管理系统带来压力,这种新型混合光谱方法为提升回收作业效率提供了一条新路径,使其更具可持续性。

编辑观点

多模态光谱与AI的结合正在重塑前端分选标准,解决高价值再生料如rPET、rPS的纯度瓶颈。从业者应关注太赫兹设备在早期分拣站的部署成本,以及该技术对提升食品级再生料产出率的实际潜力。

常见问题

混合光谱技术分拣塑料精度多少?

精度超过90%。研究团队利用近红外与太赫兹光谱数据,结合经贝叶斯调优的XGBoost算法,在区分PET和PS等相似塑料时实现了高准确率。

太赫兹哪个频率识别透明PS最有效?

0.140 THz处的透射率最有效。可解释人工智能分析显示,该频率特征对识别透明聚苯乙烯贡献最大,而0.075 THz则是区分透明PET的关键参数。

黑色PS为何难用传统光学方法识别?

黑色PS对传统光学方法构成挑战。近红外光谱在识别黑色PS方面表现最佳,但传统单一NIR系统难以应对颜色及添加剂导致的光谱波动,需多模态技术辅助。