一種基于近紅外光譜的常用塑料分類方法

摘要：塑料制品以其質(zhì)輕、美觀實(shí)用等特點(diǎn)廣泛應(yīng)用在日常生活及各行各業(yè)中，其大量使用給環(huán)境造成了嚴(yán)重污染，消除污染最積極的辦法是對(duì)其進(jìn)行回收再利用，但常用塑料的種類繁多，不同塑料制品的成分及可塑性不同，進(jìn)行回收利用的價(jià)值也不同，只有對(duì)塑料進(jìn)行分類收集處理，才能提高回收利用率。本文基于近紅外光譜法提出了一種塑料分類的新方法。該方法選擇測(cè)定了60個(gè)樣本的近紅外光譜數(shù)據(jù)，引入支持向量機(jī)算法對(duì)其進(jìn)行訓(xùn)練預(yù)測(cè)：選用40個(gè)樣本作為訓(xùn)練集，建立模型；20個(gè)作為預(yù)測(cè)集，優(yōu)化模型；利用該模型對(duì)采集的未知樣本進(jìn)行分類預(yù)測(cè)，得到較高的準(zhǔn)確率。新方法對(duì)快速處理廢舊塑料具有積極的作用。

關(guān)鍵字：近紅外光譜；塑料；支持向量機(jī)；分類；

引言

近年來(lái)，隨著塑料工業(yè)的不斷發(fā)展，塑料制品已成為人們?nèi)粘Ｉ钪胁豢苫蛉钡慕M成部分，因具有質(zhì)輕、外觀美、加工方便、經(jīng)濟(jì)實(shí)用等特點(diǎn)推動(dòng)了工農(nóng)業(yè)的持續(xù)發(fā)展和當(dāng)代高科技的興起;塑料制品的大量使用也給環(huán)境造成了嚴(yán)重污染，影響生態(tài)健康及人體健康，同時(shí)也造成了一定的資源浪費(fèi)。從保護(hù)環(huán)境、資源的綜合利用角度考慮，對(duì)塑料制品的回收利用是我國(guó)當(dāng)前的首要途徑。由于塑料種類繁多，不同種類的塑料性質(zhì)和用途不相同，按材質(zhì)分類收集處理以提高利用率。對(duì)常用塑料的分類方法很多，較近代的有外觀鑒別法、燃燒法、靜電法，光學(xué)法、紫外光譜法、拉曼光譜法、中紅外（MIR）法及近紅外(NIR)法，其中NIR法是最吸引人的先進(jìn)技術(shù)之一[1，2]。

近紅外光譜分析技術(shù)是20世紀(jì)90年代以來(lái)發(fā)展最快、最引人注目的技術(shù)，以不破壞樣品、操作簡(jiǎn)單、穩(wěn)定性好等特點(diǎn)應(yīng)用于農(nóng)業(yè)、工業(yè)等領(lǐng)域。將近紅外光譜技術(shù)應(yīng)用于對(duì)塑料制品的分類，已經(jīng)成為研究熱點(diǎn)之一。本文對(duì)塑料樣本采集紅外光譜數(shù)據(jù)，引入支持向量機(jī)算法對(duì)塑料樣本進(jìn)行分類預(yù)測(cè)，得到較高的準(zhǔn)確率和處理速度，具有很好的應(yīng)用前景。對(duì)塑料制品能正確快速的分類，既促進(jìn)廢舊塑料分類投放及收集，又節(jié)約分選歸類所需的大量人力、物力及資金，對(duì)減輕生活垃圾的處理，消除“白色污染”、保護(hù)環(huán)境、節(jié)約能源、資源綜合利用具有深遠(yuǎn)意義。

1.方法研究的理論基礎(chǔ)

1.1.近紅外光譜分析技術(shù)

近紅外光譜是指物質(zhì)在近紅外區(qū)的吸收光譜。其波長(zhǎng)范圍介于可見光與中紅外光之間的電磁波，美國(guó)材料檢測(cè)協(xié)會(huì)定義其波長(zhǎng)范圍為780～2526nm，波數(shù)范圍為12820～3959cm-1。近紅外區(qū)的吸收是低能電子躍遷以及含有氫原子的原子團(tuán)如C-H、O-H、N-H等的倍頻和合頻所產(chǎn)生的。它對(duì)醇、酚、胺、不飽和碳?xì)浠衔铮承└叻肿右约捌渌珻-H、O-H、N-H原子團(tuán)的化合物的定量分析很適宜。近紅外光譜圖穩(wěn)定，獲取比較容易，因此被譽(yù)為分析的巨人。

近紅外光譜技術(shù)是一項(xiàng)綜合了光譜學(xué)和化學(xué)計(jì)量等方面知識(shí)的樣品的現(xiàn)代分析技術(shù)，與傳統(tǒng)的技術(shù)相比，現(xiàn)代近紅外光譜技術(shù)具有測(cè)定速度快、效率高、設(shè)備簡(jiǎn)單易于維護(hù)、無(wú)需對(duì)樣本進(jìn)行前處理、檢測(cè)成本低、環(huán)境污染小等特點(diǎn)，已廣泛應(yīng)用于各個(gè)領(lǐng)域。光纖的介入更使得近紅外光譜技術(shù)可以在惡劣的環(huán)境和危險(xiǎn)環(huán)境下進(jìn)行在線過(guò)程分析及控制。目前近紅外光譜技術(shù)已經(jīng)應(yīng)用在農(nóng)業(yè)、食品工業(yè)分析、石油化工等領(lǐng)域[3，4，5]。

1.2.支持向量機(jī)算法[6，7]

支持向量機(jī)(SVM)是一種模式識(shí)別方法，是建立在結(jié)構(gòu)風(fēng)險(xiǎn)小和統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論基礎(chǔ)上的，主要研究如何從一些觀測(cè)數(shù)據(jù)中挖掘出目前尚不能通過(guò)原理分析得到的規(guī)律，并利用這些規(guī)律去分析客觀對(duì)象，對(duì)未知數(shù)據(jù)或無(wú)法觀測(cè)的新數(shù)據(jù)進(jìn)行預(yù)測(cè)和判斷的一種算法。與傳統(tǒng)的統(tǒng)計(jì)學(xué)相比，支持向量機(jī)是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，避免了人工神經(jīng)網(wǎng)絡(luò)等方法的網(wǎng)絡(luò)結(jié)構(gòu)選擇、過(guò)學(xué)習(xí)和欠學(xué)習(xí)以及局部極小等問題，已在模式識(shí)別、信號(hào)處理、函數(shù)逼近等領(lǐng)域得到了應(yīng)用。此外，支持向量機(jī)是一個(gè)凸二次優(yōu)化問題，能夠保證找到的極值解是全局最優(yōu)解，它是一種優(yōu)秀的基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法，目前處于不斷發(fā)展階段。

SVM是從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)的，基本思想是建立一個(gè)超平面作為決策曲面，使得正反比例的隔離邊緣被最大化，保證最小分類錯(cuò)誤率。

對(duì)于線性可分情況，兩類n維樣本向量（，），（，）…（，）｛+1，—1｝，線性判別函數(shù)為：

（1-1）

將判別函數(shù)進(jìn)行歸一化，使兩類所有樣本都滿足，此時(shí)離分類面最近的樣本的，要求分類面對(duì)所以樣本都能正確分類，即滿足：

i=1，…，n（1-2）

此時(shí)分類間隔等于，間隔最大等價(jià)于最小。滿足式（2-2）且使最小的分類面就是最優(yōu)分類面。定義如下的Lagrange函數(shù)：

（1-3）

式中，為L(zhǎng)agrange乘子。為求式（1.2-3）的最小值，分別對(duì)求偏微分并令它們等于0，在利用結(jié)構(gòu)風(fēng)險(xiǎn)最小原則時(shí)，優(yōu)化目標(biāo)選擇松弛因子允許錯(cuò)分樣本存在，此時(shí)的分類面滿足：

—松弛因子。當(dāng)0<樣本點(diǎn)正確分類；當(dāng)1，樣本點(diǎn)被錯(cuò)分。為此在最小化目標(biāo)中加入懲罰項(xiàng)C，引入以下目標(biāo)函數(shù)：

C為懲罰因子，為某個(gè)指定的常數(shù)，起到控制對(duì)錯(cuò)分樣本懲罰程度的作用，實(shí)現(xiàn)在錯(cuò)分樣本的比例和算法復(fù)雜程度之間的折衷。

根據(jù)約束條件，可以將上述最優(yōu)分類面的求解問題轉(zhuǎn)化為如下的凸二次規(guī)劃尋優(yōu)的對(duì)偶問題：

對(duì)于非線性分類問題，若在原始空間中的簡(jiǎn)單最優(yōu)分類面不能得到滿意的分類結(jié)果，SVM的解決思路是利用核函數(shù)，這一特點(diǎn)解決了算法中維數(shù)災(zāi)難問題。判別函數(shù)中只包含未知向量與支持向量機(jī)內(nèi)積的線性組合，通過(guò)非線性變換將輸入空間換到一個(gè)高維空間，然后在這個(gè)空間中求廣義的最優(yōu)分類超平面，然后進(jìn)行分類，而計(jì)算復(fù)雜度卻沒有增加，此時(shí)的目標(biāo)函數(shù)為：

概括的說(shuō)，支持向量機(jī)就是首先通過(guò)用核函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)空間求廣義的最優(yōu)分類面。

2.實(shí)驗(yàn)部分

2.1儀器部分

采用的儀器是NicoletMagnaIR-750型傅立葉變換紅外光譜儀。該型號(hào)儀器具有不破壞樣品情況下對(duì)樣品直接測(cè)量的特點(diǎn)，可以快速準(zhǔn)確地對(duì)復(fù)雜樣品單組分進(jìn)行定量分析，在測(cè)量開始之前需要提前搭設(shè)透射器件。該儀器適用于中紅外和近紅外光譜測(cè)量，在開機(jī)后經(jīng)過(guò)一段時(shí)間的穩(wěn)定和校正后，調(diào)整到可進(jìn)行近紅外光譜測(cè)量的狀態(tài)后就可以對(duì)樣本進(jìn)行測(cè)量。采集系統(tǒng)如圖1所示。

2.2樣本采集及實(shí)驗(yàn)方法

利用光譜儀對(duì)收集的樣本進(jìn)行近紅外光譜采集，通過(guò)儀器中相應(yīng)的處理軟件獲取紅外光譜圖，采集到的數(shù)據(jù)輸送到計(jì)算機(jī)中，通過(guò)軟件編寫算法對(duì)光譜數(shù)據(jù)的處理，數(shù)據(jù)處理部分采用matlab軟件進(jìn)行編寫。在算法處理部分中，引入支持向量機(jī)算法，在60組樣本數(shù)據(jù)中，選出40組作為訓(xùn)練集，事先知道訓(xùn)練樣本所屬的類別，然后設(shè)計(jì)分類器，再用該分類器對(duì)測(cè)試樣本進(jìn)行識(shí)別，進(jìn)而也對(duì)模型進(jìn)行優(yōu)化，得到分類結(jié)果，支持向量機(jī)處理的示意圖如圖2圖2.SVM訓(xùn)練和分類過(guò)程

本文中對(duì)生活中常見的4種塑料進(jìn)行分類，樣本來(lái)自生活中收集的各種塑料樣本和購(gòu)買的不含其他添加劑的標(biāo)準(zhǔn)樣本，采集的光譜圖如圖3所示：

2.3光譜數(shù)據(jù)預(yù)處理和特征提取

在光譜獲取的過(guò)程中，各種隨機(jī)噪聲、儀器漂移等對(duì)樣本造成一定的影響，為了消除這些影響，需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)數(shù)據(jù)進(jìn)行歸一化和濾波，濾波的方法有均值濾波、中值濾波、高斯濾波等方法，本系統(tǒng)主要的噪聲是高斯噪聲，通過(guò)高斯噪聲濾除噪聲，提高了數(shù)據(jù)質(zhì)量，將經(jīng)過(guò)預(yù)處理的近紅外光譜數(shù)據(jù)進(jìn)行特征提取，因?yàn)槲镔|(zhì)內(nèi)部的分子結(jié)構(gòu)存在差異，不同分子的塑料樣本會(huì)在近紅外譜段的不同位置產(chǎn)生吸收峰，因此在樣本多個(gè)吸收峰位置共同表征了該種樣本的屬性和特征，特征提取對(duì)于判定塑料屬性十分重要，采用差分處理，根據(jù)差值正負(fù)符號(hào)的變化尋找光譜吸收峰位置[8]。

未知樣本的采集光譜圖及數(shù)據(jù)處理后的光譜圖如圖4所示：

圖4未知樣本及處理譜圖

在圖a中，曲線在1210.5nm，1419.4nm，1720.8nm附近有明顯的吸收峰存在，但是譜線仍存在大量細(xì)小的峰值，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，消除這些細(xì)小的毛刺，得到效果圖b，然后再用支持向量機(jī)識(shí)別方法對(duì)其判別屬于哪一種塑料成分。

2.4核函數(shù)的選擇

在支持向量機(jī)分類方法中主要是用核函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)空間求廣義的最優(yōu)分類面。Mercer定理將核函數(shù)解釋為特征空間的內(nèi)積，在本文中選擇用高斯徑向基核函數(shù)，原因主要有：

高斯徑向基核函數(shù)具有良好的通用性，其有效性也已經(jīng)在眾多應(yīng)用中得到證明。

2)對(duì)于分類，最終的判決式都是在多變量高斯分布下推導(dǎo)出來(lái)的，當(dāng)數(shù)據(jù)服從多變量高斯正態(tài)分布時(shí)，將具有很好的處理效果，而高斯徑向基核函數(shù)映射的數(shù)據(jù)在高維空間能夠呈現(xiàn)較好的正態(tài)特征；

2.51-v-1SVMs

SVM最初是用于解決二分類問題，不能直接用于多類分類，但是對(duì)于塑料的分類是屬于多類分類，本文章中采用了一對(duì)一分類方法來(lái)解決，該方法在每?jī)深愰g訓(xùn)練一個(gè)分類器，對(duì)于一個(gè)k類問題，就有k（k-1）/2個(gè)分類器，每個(gè)分類器都對(duì)其類別進(jìn)行分類，并為相應(yīng)的類別投票，最后得到票數(shù)最多的類別即為該樣本的類別[9]。

3.結(jié)果及討論

本文中選用四種常見塑料進(jìn)行分類，pp，pet，pe，pvc，根據(jù)一對(duì)一原則組成6個(gè)訓(xùn)練分類器，然后采取投票形式進(jìn)行最終的結(jié)果判決，得票最多的一項(xiàng)就是與未知塑料成分相同，6個(gè)分類器如下:

X1=[pe;pvc]X2=[pe;pp]X3=[pe;pet]X4=[pvc;pp]X5=[pvc;pet]X6=[pp;pet]

用svc函數(shù)尋找訓(xùn)練樣本的最優(yōu)面，函數(shù)如下：[nsvalphalbias]=svc(X，Y，ker，C)

預(yù)測(cè)函數(shù)：predictedY=svcoutput(X，Y，testX，ker，alpha，bias)

對(duì)上述采集的未SVM分類器1分類器2分類器3分類器4分類器5分類器6

訓(xùn)練集PPPETPPPVCPPPEPEPETPEPVCPVCPET

訓(xùn)練集標(biāo)簽1-11-11-11-11-11-1

分類結(jié)果111

投票111由上表可知PET得票最多為3票，未知成分塑料判定為是PP。

支持向量機(jī)求解的是一個(gè)凸二次規(guī)劃，所得解是唯一的最優(yōu)解，對(duì)解決小樣本、非線性等實(shí)際問題，具有很強(qiáng)的泛化能力，在本文中用大量已知樣本建立數(shù)據(jù)庫(kù)，并對(duì)訓(xùn)練模型進(jìn)行優(yōu)化，然后用支持向量機(jī)算法對(duì)未知樣本進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)到85%以上，效果比較顯著，時(shí)間也相對(duì)較短，符合快速檢測(cè)塑料種類的要求，具有很大的應(yīng)用潛力。

4.結(jié)語(yǔ)

支持向量機(jī)是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，是一種優(yōu)秀的基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法，目前處于不斷發(fā)展階段，本文基于近紅外光譜技術(shù)法結(jié)合支持向量機(jī)算法對(duì)常用塑料進(jìn)行分類，并得到了很好的效果，說(shuō)明支持向量機(jī)在小樣本、多分類問題上具有很強(qiáng)的泛化能力，為分類提供了一種解決方法，有很好的應(yīng)用前景。對(duì)快速處理廢舊塑料，提高資源綜合利用方面起到了積極的作用。

參考文獻(xiàn)

[1]童曉梅.廢舊塑料種類鑒別方法討論.塑料科技，2007，35(3)

[2]劉榮忠，劉俊松.用紅外光譜鑒定塑料成分.塑料科技，2008，36(6)

[3]陸婉珍，袁洪福，徐廣通．現(xiàn)代近紅外光譜分析技術(shù)．北京：中國(guó)石化出版社，2000．

[4]張曉曼，戴連奎.光譜學(xué)與光譜分析.2008，28(12):2847

[5]王多加，周向陽(yáng)，金同銘等.近紅外光譜檢測(cè)技術(shù)在農(nóng)業(yè)和食品分析上的應(yīng)用.光譜學(xué)與光譜分析.2004，24(4):447

[6]楊淑瑩.模式識(shí)別與智能計(jì)算.北京：電子工業(yè)出版社，2009，133-137

[7]白鵬，張喜斌等.支持向量機(jī)理論及工程應(yīng)用實(shí)例.西安：西安電子科技大學(xué)出版社，2008

[8]李慶波，黃彥文，張廣軍等.光譜學(xué)與光譜分析.2009，29(12)：3275

[9]劉志剛，李德仁等.支持向量機(jī)在多分類問題中的推廣.計(jì)算機(jī)工程與應(yīng)用，2004

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文