一種通過近紅外高光譜圖像技術建立塑料識別模型的方法
【技術領域】
[0001] 本發(fā)明涉及塑料識別領域，尤其涉及一種通過近紅外高光譜圖像技術建立塑料識 別模型的方法。
【背景技術】
[0002] 在國內，近紅外高光譜技術已經廣泛應用于食品和農產品領域，吳靜珠等人運用 傅里葉近紅外光譜儀和近紅外增強型高光譜成像系統(tǒng)建立了預測小麥籽粒蛋白含量的模 型；吳龍國等人利用近紅外高光譜成像技術對靈武長棗含水量的無損檢測進行了研究，建 立了 R-PLSR (光譜反射率-偏最小二乘回歸模型）、A-PLSR (光譜吸收率-偏最小二乘回歸 模型）和KM-PLSR (KubelkaMunk函數-偏最小二乘回歸模型）的靈武長棗含水量預測模型； 陳姍姍等人利用近紅外高光譜圖像技術對損傷蘋果圖像進行處理，提出運用不均勻二次差 分方法檢測輕微損傷蘋果。
[0003] G. Bonifazi等研究了基于近紅外高光譜圖像技術的聚烯烴回收設備、相關的軟件 架構和處理算法，可用于聚烯烴回收過程的在線質量和流程控制。
[0004] 在實際的研究過程中發(fā)現，要實現廢混合塑料的在線識別分離，單純使用近紅外 光譜儀難以達到工業(yè)化的要求。

【發(fā)明內容】

[0005] 本發(fā)明提供了一種通過近紅外高光譜圖像建立塑料識別模型的方法，本發(fā)明通 過黑白校正對光譜數據進行預處理，消除背景、光源和噪聲等對測試數據的影響，省掉了 S-G (最小二乘擬合法）平滑和小波去噪等光譜處理方法，減少了數據量，節(jié)約了處理時間， 大大提高了判別的效率，詳見下文描述：
[0006] 一種通過近紅外高光譜圖像技術建立塑料識別模型的方法，所述方法包括以下步 驟：
[0007] 用近紅外高光譜儀采集PE、PP和PET三種廢混合塑料樣本的原始光譜圖像，對原 始光譜圖像進行黑白校正；
[0008] 使用光譜分析軟件提取校正后圖像的反射率光譜數據；
[0009] 對反射率光譜數據進行PCA分析，得到載荷系數；以載荷系數為縱坐標，以波長為 橫坐標作圖，選擇圖中波峰或波谷位置對應的波長作為特征波長；
[0010] 將特征波長對應的反射率光譜數據導入數據統(tǒng)計分析軟件中進行判別分析；
[0011] 根據判別分析的結果，獲取非標準化的典型判別函數、質心以及馬氏距離，通過馬 氏距離獲取識別半徑；
[0012] 建立非標準化的典型判別模型和Fisher判別模型。
[0013] 所述根據判別分析的結果，獲取非標準化的典型判別函數、質心以及馬氏距離，通 過馬氏距離獲取識別半徑的步驟具體為：
[0014] 根據判別分析的結果，得到非標準化的典型判別函數，PE、PP和PET三類樣本的質 心以及每種樣本的馬氏距離，每一類樣本中選取最遠馬氏距離，分別根據最遠馬氏距離獲 取三類樣本的識別半徑。
[0015] 所述建立非標準化的典型判別模型和Fisher判別模型的步驟具體為：
[0016] 非標準化的典型判別模型包括：非標準化的典型判別函數，三類樣本的質心以及 識別半徑；
[0017] Fisher判別模型包括：Fisher的線性判別式函數。
[0018] 其中，所述方法還包括：通過預測樣本數據，驗證判別模型的可靠性和識別準確 率。
[0019] 本發(fā)明提供的技術方案的有益效果是：本發(fā)明運用近紅外高光譜儀采集PE (聚乙 烯）、PP (聚丙烯）和PET (聚對苯二甲酸乙二酯）三種塑料樣本的原始光譜，進行黑白校正 以消除背景、光源和噪聲等對光譜測量的影響，運用高光譜分析軟件ENVI提取反射率光譜 數據，然后進行主成分分析并提取特征波長，再以特征波長對應的光譜數據進行判別分析， 利用分析結果建立非標準化的典型判別模型和Fisher判別模型，并逐步優(yōu)化特征波長的 個數和判別函數，減少數據計算時間的同時，提高樣本的識別準確率。經過實驗驗證，提取 8個能代表樣本大部分信息的特征波長時，可以降低數據處理量，有利于實際工業(yè)應用中進 行推廣。
【附圖說明】
[0020] 圖1為一種通過近紅外高光譜圖像建立塑料識別模型的方法的流程圖。
【具體實施方式】
[0021] 為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面對本發(fā)明實施方式作進一步 地詳細描述。
[0022] 本發(fā)明在現有技術的基礎上，引進高光譜成像技術，利用一次測試能得到材質光 譜信息和位置信息的特征，完成塑料精準識別，為其在線識別分離奠定了基礎。本發(fā)明將近 紅外高光譜成像技術在食品與農產品領域的研究和PE、PP和PET三種塑料的特性結合起 來，建立這三種塑料的識別模型，為進一步的工業(yè)化帶來了更大的可行性。
[0023] 實施例1
[0024] -種運用近紅外高光譜技術精準識別PE、PP和PET三種塑料的方法，參見圖1，識 別方法包括以下步驟：
[0025] 101 :用近紅外高光譜儀采集PE、PP和PET三種廢混合塑料樣本的原始光譜圖像， 對原始光譜圖像進行黑白校正；
[0026] 其中，黑白校正的步驟為本領域技術人員所公知，本發(fā)明實施例對此不做贅述。
[0027] 102 :使用光譜分析軟件提取校正后圖像的反射率光譜數據；
[0028] 其中，光譜分析軟件可以為ENVI軟件（該軟件為本領域技術人員所公知）。反射 率光譜數據的波長范圍為1000-1700nm。
[0029] 103 :對反射率光譜數據進行PCA (主成分分析）分析，得到載荷系數；以載荷系數 為縱坐標，以波長為橫坐標作圖，選擇圖中波峰或波谷位置對應的波長作為特征波長代替 原始光譜；
[0030] 其中，特征波長的選取個數根據實際應用中的需要進行設定，本方法以8個為例 進行說明，具體實現時，本發(fā)明實施例對此不做限制。
[0031] 104:將特征波長對應的反射率光譜數據導入數據統(tǒng)計分析軟件中進行判別分 析；
[0032] 其中，數據統(tǒng)計分析軟件可以為SPSS，將特征波長對應的反射率光譜數據直接導 入SPSS數據統(tǒng)計分析軟件中，直接可以輸出判別分析的結果。
[0033] 105:根據判別分析的結果，獲取非標準化的典型判別函數、質心以及馬氏距離，通 過馬氏距離獲取識別半徑；
[0034] 其中，步驟105具體為：根據判別分析的結果，得到非標準化的典型判別函數71與 y2, PE、PP和PET三類樣本的質心以及每種樣本的馬氏距離（即，每一類樣本到相應質心的 距離），每一類樣本中選取最遠馬氏距離（即離質心最遠的那個樣本的馬氏距離），分別根 據最遠馬氏距離獲取三類樣本的識別半徑R pe、RPP、Rpet。
[0035] 106 :建立非標準化的典型判別模型（包括非標準化的典型判別函數71與y 2，三類 樣本的質心以及識別半徑）和Fisher判別模型（包括Fisher的線性判別式函數yp又 2和 Y3)；
[0036] 其中，對于Fisher判別模型來說，Fisher的線性判別式函數ypyjP y 3直接由數 據統(tǒng)計分析軟件SPSS可得。
[0037] 107 :通過預測樣本數據，驗證判別模型的可靠性和識別準確率。
[0038] 綜上所述，通過上述步驟101-步驟107實現了對樣本的識別，提高了識別的準確 率。
[0039] 實施例2
[0040] 本發(fā)明所述的塑料樣本原料主要來源于生活中常見的各種廢舊塑料制品以及廢 舊電器電子產品拆解后得到的各種塑料，包括PE、PP和PET。采集到PE樣本45個（其中 包括樣本集30個，預測集15個）；PP樣本48個（其中包括樣本集30個，預測集18個）； PET樣本45個（其中包括樣本集30個，預測集15個）。
[0041] 對塑料樣本的表面進行清洗并用砂紙打磨處理，擦除表面的污垢后，然后裁剪成 30mm*30mm大小的均勻塊狀，最后分別編號并在室溫20-25°C下進行測試。
[0042] 本發(fā)明運用近紅外高光譜儀對塑料樣本進行近紅外高光譜圖像的采集，光源運用 鹵鎢燈，功率為200W，鏡頭距樣品的高度為34cm，曝光時間為30ms，測試平臺移動速度為 lcm-3cm/s，光譜波段為900-1700nm，光譜儀的幀數為100幀。
[0043] 在進行采集時，設置白板，并進行黑白校正。
[0044] 使用ENVI4. 7提取黑白校正后的高光譜數據，對提取的90個樣本集的近紅外高 光譜反射率數據進行主成分分析（PCA)，獲取主成分分析排列前三的主成分；以前三的主 成分對應