自动识别和分类使用高光谱成像技术对可降解和生物降解塑料
Nutcha Taneepanichskul
海伦·c·冰雹
马克Miodownik- 1塑料垃圾创新中心,伦敦大学学院,伦敦,英国
- 2机械工程系,伦敦大学学院,伦敦,英国
- 3化学系,伦敦大学学院,伦敦,英国
在英国废物管理系统可降解和可降解的包装不会自动检测和分离。因此,他们的命运是一般垃圾填埋或焚烧,这是一个环境好的结果。因此,需要有效的排序可降解塑料技术有助于提高堆肥的这些材料,减少回收废水的污染。高光谱成像(HSI)应用在这项研究中开发的分类模型来自动识别和分类可降解塑料的分析集中在光谱区950 - 1730 nm。实验设计包括一个高光谱成像摄像机,允许不同的最优化技术应用包括主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)来开发一个分类模型的可降解的塑料材料。该实验分析中使用的材料包括可降解材料(sugarcane-derived和棕榈叶派生)、可降解塑料(解放军PBAT)和传统塑料(PP、PET、和低密度聚乙烯)。我们的战略是开发一个分类模型来确定和分类各种碎片的尺寸范围50 x 50 mm 5 x 5毫米。分类结果表明,PCA和PLS-DA取得分数的100%时材料的大小大于10毫米x 10毫米。然而,sugarcane-derived误分类率增加到20%和40%棕榈leaf-based材料10 x 10毫米以下的尺寸。此外,对于5 x 5毫米大小,LDPE和PBAT误分类率增加到20%,和基于甘蔗葵材料分别为60 - 80%,而误分类率解放军,PP, PET仍然是0%。 The system is capable of accurately sorting compostable plastics (compostable spoons, forks, coffee lids) and differentiating them from identical looking conventional plastic items with high accuracy.
1。介绍
有最近的增长的生产和使用可降解的塑料,以减少传统塑料对环境的影响(包,2022)。这些类型的塑料是为了生物降解在他们生命结束在受控系统,如工业堆肥(歌et al ., 2009)。全球生物塑料生产预计将从2022年的223万吨增加到630万年的2027吨(生物塑料,2022)。2019年,全球可降解塑料市场价值9.912亿美元,预计到2027年将达到3102美元。6百万(AMR 2022)。
通常,从生物质可降解塑料制造完全或部分,包括聚合物聚乳酸(PLA)、聚丁烯己二酸对苯二甲酸乙二醇酯(PBAT)和淀粉基聚合物。解放军通常用于生产杯盖,沙拉盒、茶包、涂料咖啡杯、食品容器和纸箱。PBAT和淀粉基塑料通常用于塑料薄膜如杂志包装和盒衬垫。除了可降解塑料、其他biomass-derived物质也用于生产包装,如甘蔗和棕榈叶。
可降解包装的优点是意识到这些类型的包装工业堆肥时,不要进入环境或其他废物流或土壤污染(至关重要et al ., 2022)。目前,大多数可降解塑料作为一种污染物在HDPE等传统塑料的回收和宠物,降低它们的价值。此外,当堆肥各种类型的有机残留物,成品总是包含一定数量的其他材料,如塑料薄膜片(意图,2021)。因此,必须消除污染物为了提高堆肥品质。目前,滚筒和密度排序应用于屏幕堆肥,减少其他材料的存在。然而,污染物的水平从目前的筛选过程是高得令人无法接受(国家环保总局,2019)。改善当前系统先进的排序技术的准确性需要开发(徐和高恩,2020)。
在本研究中我们使用光谱成像(HSI)一步过程来识别各种不同的材料。我们应用短波红外(短波红外成像)在950 - 1730 nm范围确定不仅仅只不同类型的传统塑料(PP、PET、和LDPE)和可降解塑料(解放军,PBAT)包装,还可降解材料(棕榈叶和蔗糖材料)和各种大小从50 x 50 mm 5 x 5毫米。我们已经开发出的技术是明显不同的莫洛尼和梅(2020)。新奇的来自我们的机器学习方法的使用。我们使用意味着定心(MC)和标准正态变量(SNV)算法和应用这些减少的影响可能的外部来源的可变性和突出样本光谱差异,允许更精确的解释和分类模型的。我们也利用光谱信息成功开发无监督主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)区分包装材料类型和对未知的包装材料样品进行分类。我们的恒生指数方法的详细描述,包括硬件和软件组件。结果显示在一个实验室规模,我们用这种方法成功地识别不同类型的传统,可降解,生物可降解包装材料的范围大小,以高度的准确性。我们还讨论现实世界中这种技术在废物处理系统的适用性。
1.1。背景
Taneepanichskul et al。(2022)最近发现各种合适的排序技术等可降解塑料解排序、摩擦电排序,基于图像识别、光谱识别为基础,基于高光谱成像和示踪剂分类适合这项任务。分析表明,每种技术都有其优点和缺点的有效性、成本和环境影响。光谱成像技术被认定为一个最合适的非破坏性的技术来识别可降解的包装。它有可能是与现有的垃圾分类系统集成,成为经济上可行的和可持续的方式,可降解塑料(2022年生物舱,;Taneepanichskul et al ., 2022)。例如,识别过程的能耗很低。当可降解塑料混杂等其他材料可回收的塑料或食物浪费,恒生指数是一个最有效的技术来区分它们,因为它将成像技术和光谱的方法相结合。此外,它能够检测获得图像的每个像素的光谱特征在不同波长区域(可见光、近红外、短波红外等)根据选定的传感装置的特点。不过一个潜在的缺点是光谱信息的大量收集的HSI的样品表面必须为了使排序处理实时决策。
对于大型塑料碎片(50 - 500毫米),Balsi et al。(2018)使用短波红外(短波红外成像)光谱成像范围900 - 1700 nm的光谱表征聚合物包括PS、PVC、解放军、PET、PC和三种类型的聚乙烯(LDPE、HDPE、LLDPE)。不同类型的塑料的吸收峰是由连续去除方法(Balsi et al ., 2018)。Bonifazi et al。(2013)应用高光谱成像增强聚烯烃回收系统的效率(Bonifazi et al ., 2013)。最近莫洛尼和梅(2020)利用高光谱成像技术分离PS、宠物和解放军样品在不同的生命周期阶段塑料垃圾(处女)。为了分离这些他们用序贯法三种类型的塑料。第一光谱指数1170 - 1650 nm使用光谱成像和阻燃剂聚合物分离,允许分组相同聚合物类型和添加剂的塑料回收所必需的内容。一个决策树,其中包括部分最小二乘法和分层模型被用来确定类型的塑料。在所有情况下精度高于90%。
2。材料和方法
2.1。样品制备
在这个实验中使用的包装材料由维珍传统塑料包括PP、LDPE和宠物,可降解塑料即解放军,PBAT和可生物降解packaging-palm叶包装和sugarcane-derived包装。这些材料都是来自商业生产者和提供表1。材料的来源也提供表1。
表1。材料测试的细节。
样本切成各种大小的方块,分成两组,一个用于训练和测试数据集。训练数据集的数据集用于构建分类模型。这是一个输入到机器学习算法允许模型关联光谱成像数据与已知的材料分类。测试数据集的数据集,其中包含看不见的数据来测试模型精度决定材料分类。它是用来评估模型的性能。材料的大小在训练数据集和测试数据集的范围从广场从薄膜样品50 x 20 x 20毫米和50毫米−10 x 10毫米−5 x 5毫米,分别如图所示图1。这些是类似于那些在以前的研究(莫洛尼et al ., 2015)。
图1。样本大小的PP、LDPE、宠物,解放军,PBAT、甘蔗派生的包装和棕榈叶包装在一个校准数据集(50 x 50 mm, 40 x 40毫米,30 x 30毫米,和20 x 20毫米)和交叉验证数据集(10 x 10毫米和5 x 5毫米)。
这些实验是210的人口。我们使用krejcie-morgan表计算训练数据集的样本大小,确定为140 (Krejcie和摩根,1970年)。140个样本的训练数据集和70个样本测试数据集,所示的细节表2。我们采取了随机抽样策略选择样本训练数据集。
表2。列表的样本训练数据集和测试数据集。
2.2。高光谱成像设备和数据采集
HSI进行并购和分析实验室在机械工程系,伦敦大学学院。有四个主要组件的高光谱成像系统是一种高光谱相机、光源、传送带和镜头(熊et al ., 2014)(图2一个)。
图2。高光谱相机的图像系统。(一)恒生指数体系的组成部分。(B)维度的恒生指数体系。
在这项研究中,高光谱图像收集由HySpex巴尔德尔s - 640 - i N覆盖光谱范围950 - 1730 nm,光谱分辨率为3.36 nm,总共232波长乐队。使用高光谱相机1 m工作距离16°FOV (Hyspex 2021)。图像扫描获得的图像逐行:空间像素的大小是0.44毫米。每个样本扫描系统产生的图像信息的形式的x - y网格像素,每个像素光谱被记录,每个样本的高光谱数据立方体。高光谱相机在高度和角度可调。在这种情况下,镜头和对象之间的高度是100厘米。镜头和物体之间的角为90°。卤素灯产生强烈和连续谱从400纳米到2500纳米。收购平台还包括一个传送带(700 x 215 x 60毫米)与可调速度(图2 b)。收购由PC控制配备专门的采集和预处理软件:HyspexGround (Hyspex 2019)用于执行收购,采集光谱,并进行初步的光谱分析。
系统校准记录是由一个黑色和一个白色的参考图像。黑色的图像(B)收购消除摄像机传感器的暗电流的影响。白色的参考图像(W)收购采用一个标准的白色的瓷砖在相同条件下的原始图像。方程1描述了计算用于执行图像更正:
我修正后的高光谱图像在一个相对反射率(%),单位吗0是原始高光谱图像,B是黑色的参考图像(~ 0%)和W是白色的参考图像(~ 99.9%)。
2.3。光谱数据预处理
图像校正后的首次减少背景噪音被波长范围的调查。第一个和最后一个光谱波段被排除在外,以减少大小的数据(光谱变量)。一些光谱波段,给喧嚣的数据也被消除。随后,每张图片的背景是移除。高光谱数据预处理后使用意味着定心(MC)和标准正态变量的影响(SNV)算法来减少可能的外部来源的可变性和突出样本光谱差异,允许更精确的解释和分类模型的。意思是定心,第一阶段往往是减去平均每个变量。意思是定心的目的是确保所有的结果将可翻译的意思的变化。这一点尤其重要,如果变量在它们的相对大小差别很大,否则方差最大的值将在回归分析中处于优势地位。SNV分析这种技术消除了乘法干扰引起的散射从光谱数据和粒子大小的影响。由定心SNV消除散射影响,每个频谱扩展。 The method assumes that the absorbance of each wavelength point in the spectrum meets a certain distribution such as a Gaussian distribution. Each spectrum was calibrated based on this assumption. The average value of a spectrum was subtracted from the original spectrum, and then the result was divided by the standard deviation.
2.4。光谱数据分析
短波红外成像区域给化学信息调查材料(甘蔗和棕榈叶包装、解放军、PBAT, PET, PP, LDPE)由于大多数吸收乐队在这个范围内出现的色彩- h,碳氢键和地震动。光谱分析用微风软件版本2022.1.5 (Hyspex 2019)。光谱数据预处理步骤后,主成分分析(PCA)应用于探索数据,定义类和评估进一步分类模型发展的最佳算法,设置,和实现。分类的选择方法和验证是偏最小二乘判别分析(PLS-DA)。
2.4.1。主成分分析(PCA)
主成分分析将潜在的相关变量的观测数据集转换成线性不相关的变量,即主成分(PC)。第一个电脑占最高的可变性的数据集。因此,在PC1捕获的大部分信息。剩余数量的差异成为降序(随后的主成分Farrugia et al ., 2021)。在高光谱成像技术,该技术直接应用于高光谱图像的像素。在数据预处理步骤重新排列数据立方体。感兴趣的区域的像素视为一组相关变量的主成分分析。得分矩阵Z是由公式2:
输入矩阵的行吗X∈ℝK×l代表的光谱值K = M×N(像素)/ L光谱波段(λ)。W∈ℝl×P像素是加载矩阵,列代表的协方差矩阵的特征向量x W的列提供转换功能,将像素光谱向量映射到个人电脑。的列Z∈ℝK×P代表的PC分数X在PC的表征空间(图3)。每个电脑图像之间的产品是X和一个列的像素光谱向量w . PC改造获得的图像是每个电脑占Z,二维表示(Abdi和威廉姆斯,2010年)。在这个研究中,120个样本的不同类型和大小的塑料被用于训练数据集。随后,可视化和确认的PCA应用良好的聚类(Jolliffe 2005)。
图3。高光谱datacube和PCA方法的重塑。
总而言之,PCA方法可分为六大步骤所示图3。高光谱数据导入,然后重塑。
PCA技术有很多霍特林转换等转换数据,但他们都有相同的数学模型:以降序排序的特征值计算,并用于创建一个PCA情节类似的材料位于近(Serranti et al ., 2011,2015年,2019年)。
2.4.2。偏最小二乘和歧视分析(PLS-DA)
PLS-DA视为监督主成分分析的方法,该方法实现降维,但需要考虑的类标签。它结合了偏最小二乘法(PLS)和判别分析(DA)。请回归技术应用于找到潜在的变量(lv)与最大协方差与Y变量。请回归和PLS-DA之间的主要区别是,在PLS-DA因变量类别尺度而因变量有连续规模请回归。因此PLS-DA作为分类器可以应用。在PLS-DA,潜变量的线性方程建模。这允许图形可视化和LV分数和载荷的关系的理解(山地et al ., 2001)。
有六个数据处理步骤被用来形成一个PLS-DA分析。首先,潜在变量计算基于原始数据集。下一个计算潜在的变量是插入一个线性回归模型来计算预测价值,然后切断价值选择分类类型的材料。通常情况下,我们选择0.5作为一个分界点。如果预测评分< 0.5,归类为0。如果预测分数不止一个,它被列为1 (Serranti et al ., 2011,2015年,2019年)。每个类的材料是显示为不同的颜色。校准后,模型的性能评估使用测试数据集。在这项研究中,有80个样本测试数据集包含8个不同类型的塑料小尺寸(10 x 10毫米和5 x 5毫米)。
3所示。结果
实验进行了一系列不同的包装材料用高光谱成像(表2)。实验的目的是生成PCA和PLS-DA分类模型和评估模型的性能。图4显示了甘蔗的原始吸光度光谱派生包装、PP、解放军,宠物,LDPE, PBAT和棕榈叶包装获得的高光谱相机(HySpex巴尔德尔s - 640 N)。
图4。生吸光度光谱甘蔗派生包装、PP、解放军,宠物,低密度聚乙烯,PBAT和棕榈叶包装获得的高光谱相机(HySpex巴尔德尔s - 640 N)。
预处理的数据使用标准意味着定心(MC)和归一化变异(SNV)标准化所示图5。
图5。预处理光谱使用标准意味着定心(MC)和归一化变异(SNV)甘蔗正常化派生包装、PP、解放军,宠物,低密度聚乙烯,PBAT和棕榈叶包装。
3.1。主成分分析
为每个训练样本,在收集高光谱数据立方体和预处理步骤中,PCA应用重塑数据立方体和减少数据在尺寸上。对于每一个样本,PCA得分图生成允许识别的七个不同组的材料根据材料光谱特征(图6)。
图6。P1-PC2得分的棕榈叶派生包装、蔗糖包装、PBAT,解放军,PE, PET, PP SNV意味着中心预处理的应用。
在这个实验设置,大部分被前两个主成分方差(pc), PC1和PC2解释方差的56%和24.4%,分别。PCA模型结果显示不同类别的可分性的材料。PCA的阴谋,可降解材料(palm和甘蔗),可降解塑料(解放军,PBAT)和传统塑料(LDPE、PP、PET)显示了高水平的可分性。之间没有重叠的每种类型的材料在训练数据集虽然palm是集群。
3.2。偏最小二乘判别分析(PLS-DA)
PLS-DA模型不同大小的7类材料建立在训练数据集显示捕获与两个潜变量方差的80%。
随后的价值准确性,误分类率,R2(R平方)和RMSE(均方根偏差),每一种材料的敏感性和特异性计算测量分类模型的性能和鲁棒性。敏感性和特异性的值介于0到1。这些值提供信息模型的性能。值越高,模型越好。从表3,这说明性能模型训练数据集是非常高的,因为敏感性和特异性所有材料1的值。此外,模型的准确性为100%,对所有类型的材料误分类率为0%。R2和RMSE值也证明了分类模型的鲁棒性。R2> 96%和RMSE低于0.07的所有类型的材料的训练数据集。
表3。准确性,误分类率、特异性和灵敏度值。
在我们保证的分类模型的性能和鲁棒性是足够的,我们应用测试数据集(10 x 10毫米和5 x 5毫米)分类类型的材料。的准确性,误分类率,敏感性和特异性值确定所示表4。
表4。准确性,误分类率,特异性和灵敏度值七类PLS-DA模型获得的测试数据集的七类PLS-DA模型训练数据集。
PBAT对可降解塑料(PLA)和传统塑料(PP、PET和LDPE),这些值非常高(> 90%)。然而,可降解材料的灵敏度值(palm和甘蔗派生)为40%。
图7说明PLS-DA七类模型应用于交叉验证设置为预测材料的类型,显示相应的高光谱图像分类。似乎在7-classes模型中,甘蔗、棕榈树、解放军,PBAT,低密度聚乙烯,宠物是公认的准确率达到了100%。即使一些像素,因为他们中的大多数属于正确的类在每个对象。在预测这些零星的错误可能是由于样品的表面粗糙度,强调光的散射效应,或样品表面的污秽的存在。在这项研究中,PLS-DA是用于执行良好的材料和定义类间的歧视预测新的高光谱图像,采用预处理算法中定义的主成分分析的步骤。每个类别是模仿别人,独立样本只能分配给一个类或甚至更多的类或可以被所有类。PLS-DA模型得到,相反,只分配一个可用的类别,根据其光谱特征,高光谱图像中的每个未知的样本,使解释结果更容易。PLS-DA的结果,应用到超立方体,预测地图,每一个类被定义为一种颜色。
图7。PLS-DA七类模型应用于交叉验证组预测类型的材料。(一)RGB光学图像获得的高光谱相机,(B)高光谱图像显示与分类的颜色(黄色:PE、蓝色:解放军,粉红色:PP、深红色红色:PBAT格林:棕榈叶,紫色:甘蔗、布朗:PET)。
样品的大小也有一个巨大的影响模型的准确性。在训练数据集,样本的大小大于测试数据集。因此,整个模型的精度高于测试集。例如,棕榈叶派生包装的准确性在训练数据集是100%,而测试数据的准确性大大降低到40%。然而,精度水平的传统塑料(PP、LDPE和宠物)和可降解塑料(解放军PBAT)测试数据集仍然是非常高的。它可以识别和区分类型的塑料当大小5 x 5毫米。
3.3。现实世界的应用程序
PLS-DA分类模型也适用于分类和检测的可降解材料market-black塑料餐具和白色PP塑料餐具,蔗糖包装和一个白色的解放军盖子。所有这些材料我们装上一个随机的传送带乱七八糟的安排。图8显示了PLS-DA模型应用于检测可降解材料在市场上(塑胶板、塑料盖和餐具)。结果表明,该模型正确地确定白色PP塑料餐具和解放军盖子和蔗糖包装所示图8 b。黑色塑料餐具不能被检测到,因为他们含有的色素吸收太多光(图8 b),没有探测信号可以被评估材料标识。
图8。PLS-DA模型应用于检测可降解材料在市场上(塑胶板、塑料盖和餐具是否)。(一)RGB光学图像获得的高光谱相机(HySpex巴尔德尔s - 640 N),(B)分类的高光谱图像显示颜色(紫色:甘蔗、蓝色:解放军和粉红色:PP)。
模型也被应用于分类重叠的小尺寸材料(10毫米),它提供了完美的分类结果证明图9和表5。大多数材料的像素预测正确但一些像素分类错误(红色)是由于表面粗糙度和散射的光。因此,收购条件如卤素灯的角度、积分时间、帧率和传送带的速度影响的高光谱图像质量和系统的准确性。
图9。PLS-DA模型应用于检测体积小(10毫米)的材料。(一)RGB光学图像获得的高光谱相机,(B)分类的高光谱图像显示的颜色。
表5。准确性和重叠的小材料的误分类率。
其他问题影响该技术的实际应用所需的时间对每个样本进行分类和系统的成本。系统提供实时分析使高吞吐量,分类率计算能力决定的。然而,光谱成像技术的成本高于当前的排序技术。高光谱相机目前的估计价格范围从45000美元至49800美元(Optosky 2022)。
4所示。讨论和结论
恒生指数的组合在短波红外成像范围(950 - 1730 nm)和多元数据分析(MDA)是用于区分类型的材料。数据集包括各种大小的可降解材料(甘蔗和棕榈叶派生)、可降解塑料(解放军PBAT)和传统塑料(PP、LDPE和宠物)。
这项工作的方法是区分7种材料(甘蔗、棕榈、PP、LDPE、宠物,PBAT,和PLA)与各种大小(50 x 50 mm, 40 x 40毫米,30 x 30毫米,20 x 20毫米,10 x 10毫米,和5 x 5毫米)和预测类型的材料以及确定模型的性能。训练数据集,材料的大小大于方法部分中提到的测试数据集。PCA分数情节发展的训练数据集。结果清楚地说明,该模型可以完全区分类型的材料建造。也没有类之间的重叠。它可以得出的结论是,类型的样本之间的差异可以归因于材料的化学结构。之后,PLS-DA模型预处理MSC和SNV开发分类类型的材料。准确性,误分类率,敏感性和特异性值计算来衡量分类模型的性能。这给一个满意的结果,模型的准确性和错误分类为100 0%,所有类型的材料。此外,敏感性和特异性都是1。
因为模型训练数据集的性能非常好,该模型应用于类型的材料测试数据集进行分类。模型的性能也是衡量。这给了一个很好的分类结果。偏最小二乘判别分析(PLS-DA)模型与MSC预处理和SNV是成功的,取得了100%的准确率为PP、PET,解放军。低密度聚乙烯和PBAT分类的准确性为90%,而棕榈和蔗糖包装分类的精度水平分别为40 - 60%。一些错误发生误分类由于表面粗糙度和散射的光。
模型也被应用于重叠和真实的可降解的包装样品。模型也给了好的结果。重叠的小样本,棕榈叶派生包装的误分类率是20%,而其他类型的材料是0%。然而,高光谱成像系统有一个共同的限制与其他红外探测系统,在黑暗不能可靠地检测材料,因为光的吸光度的影响。
分类技术,我们开发了报道的方法是不同的莫洛尼和梅(2020)。两个系统能够识别可降解塑料(PLA)具有很高的准确性。在他们的模型的准确性超过95%,我们的分类模型是100%。马罗尼和梅研究的结果也证明了光谱指数对性能有巨大影响的分离系统,系统的精度从100下降到96%时,光谱指数(λ1/λ2)更改为1120/1370。虽然我们的研究集中在大小分辨率,精度下降与样本容量确定的材料(例如,檐派生的包装)。
我们的系统能够准确地分类可降解塑料的典型产品规模(可降解的勺子,叉子,咖啡盖子),区分他们从相同的传统塑料产品精度高。系统采用工业混合机,分类速度需要增加匹配使用的输送速度,和实时机器人移除塑料需要证明。
世界范围内可降解塑料市场预计到2027年达到3102美元。6百万。完整的环保可降解塑料的优点才会意识到如果这些塑料不污染其他废物流,不进入开放的非托管环境。铸铁是一种很有前途的技术由于实时排序:精度高(99%),低功耗,不需要额外的化学物质或水。一些回收植物溪很感兴趣,因为它能够提高分类塑料回收纯度集合和工业堆肥。然而,这个排序技术是重要的运营成本,只能合理的高收入回收和提高性能的工业堆肥设施(Taneepanichskul et al ., 2022)。
数据可用性声明
原始数据支持了本文的结论将由作者提供,没有过度的预订。
作者的贡献
NT进行实验。NT、HH和MM分析数据。所有作者的文章和批准提交的版本。
资金
这项工作是由伦敦大学学院的塑料垃圾创新中心,是由泰国政府和NERC格兰特NE / V010735/1博士奖学金。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
底,H。,和Williams, L. J. (2010). Principal component analysis.威利Interdiscip。启第一版。统计。2,433 - 459。doi: 10.1002 / wics.101
AMR (2022)。可降解塑料市场。网上:https://www.alliedmarketresearch.com/compostable-plastic-market-A06578(2月28日访问,2022)。
Balsi, M。,Esposito, S., and Moroni, M. (2018). Hyperspectral characterization of marine plastic litters. (2018). Bari: IEEE International Workshop on Metrology for the Sea; Learning to Measure Sea Health Parameters (MetroSea).IEEE。28-32。doi: 10.1109 / MetroSea.2018.8657875
生物舱(2022)。生物塑料与塑料:更好的环境是什么?网上:https://www.biopak.com/sg/resources/bioplastic-vs-regular-plastic(1月12日访问,2023)。
生物塑料,大肠(2022)。生物塑料市场数据。网上:https://www.european-bioplastics.org/market/(1月12日访问,2023)。
Bonifazi G。,D'agostini, M., Dall'ava, A., Serranti, S., and Turioni, F. (2013). “A new hyperspectral imaging based device for quality control in plastic recycling. Optical Sensors,” in2013年国际社会对光学和光子学。8774年。doi: 10.1117/12.2014909
Farrugia, J。,Griffin, S., Valdramidis, V. P., Camilleri, K., and Falzon, O. (2021). Principal component analysis of hyperspectral data for early detection of mould in cheeselets.咕咕叫。减轻>,食品科学。4,18-27。doi: 10.1016 / j.crfs.2020.12.003
Hyspex (2021)。Hyspex巴尔德尔s - 640 N。网上:https://www.hyspex.com/hyspex - products/hyspex baldur/hyspex -巴尔德尔- 640 i - n/(4月3日访问,2022)。
Krejcie, r . V。,和Morgan, D. W. (1970). Determining sample size for research activities.建造。Psychol。量。607 - 610年。doi: 10.1177 / 001316447003000308
莫罗尼M。,和Mei, A. (2020). Characterization and separation of traditional and bio-plastics by hyperspectral devices.达成。科学。10日,2800年。doi: 10.3390 / app10082800
莫罗尼M。美,。,leonardi, A., Lupo, E., and Marca, F. L. (2015). PET and PVC separation with hyperspectral imagery.传感器。15日,2205 - 2227。doi: 10.3390 / s150102205
Optosky (2022)。高光谱相机。网上:https://optosky.com/hyper-spectral-imager.html(1月12日访问,2022)。
至关重要,D。,Allison, A. L., Lorencatto, F., Michie, S., and Miodownik, M. (2022). The big compost experiment: using citizen science to assess the impact and effectiveness of biodegradable and compostable plastics in UK home composting.前面。可持续。3,942724。doi: 10.3389 / frsus.2022.942724
REA (2021)。衬垫和再利用政策包适合目标食物垃圾的分类收集流从家庭,企业和非国内Eng的前提。网上:https://www.r-e-a.net/wp-content/uploads/2021/08/REA_policy_on_liners_and_re-purposed_bags_for_collecting_targeted_food_waste_streams_FINAL_v1-1_18082021.pdf(12月1日访问,2021)。
国家环保总局(2019)。塑料在食品垃圾堆肥的网站。网上:https://www.sepa.org.uk/media/536296/191125-final-compost-input-quality-report-v6.pdf(12月1日访问,2021)。
Serranti, S。百花大教堂,L。,Bonifazi G。,Takeshima, A., Takeuchi, H., and Kashiwada, S. (2019). Microplastics characterization by hyperspectral imaging in the SWIR range. SPIE future sensing technologies, 2019.Int。j .选择,光子学11日,19710年。doi: 10.1117/12.2542793
Serranti, S。,Gargiulo, A., and Bonifazi, G. (2011). Characterization of post-consumer polyolefin wastes by hyperspectral imaging for quality control in recycling processes.浪费等。31日,2217 - 2227。doi: 10.1016 / j.wasman.2011.06.007
Serranti, S。,luciani, V., Bonifazi, G., Hu, B., and Rem, P. C. (2015). An innovative recycling process to obtain pure polyethylene and polypropylene from household waste.浪费等。35岁,12-20。doi: 10.1016 / j.wasman.2014.10.017
歌,J。,Murphy, R., Narayan, R., and Davies, G. (2009). Biodegradable and compostable alternatives to conventional plastics.费罗斯。反式。r . Soc。364年,2127 - 2139。doi: 10.1098 / rstb.2008.0289
Taneepanichskul, N。至关重要,D。,和Miodownik, M. (2022). A review of sorting and separating technologies suitable for compostable and biodegradable plastic packaging.前面。维持。3,901885。doi: 10.3389 / frsus.2022.901885
荒原,S。,Sjöström, M., and Eriksson, L. (2001). PLS-regression: a basic tool of chemometrics.Chemom。智能。实验室系统。今年58岁,109 - 130。doi: 10.1016 / s0169 - 7439 (01) 00155 - 1
包装(2022)。塑料包装。网上:https://wrap.org.uk/taking-action/plastic-packaging(5月10日访问,2022)。
熊,Z。,Sun, D.-W., Zeng, X.-A., and Xie, A. (2014). Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a review.j .食品中。132年,1-13。doi: 10.1016 / j.jfoodeng.2014.02.004
关键词:高光谱成像,深度学习、主成分分析、自动分类、工业堆肥
引用:Taneepanichskul N,冰雹HC和Miodownik M(2023)的自动识别和分类使用高光谱成像技术对可降解和生物降解塑料。前面。维持。4:1125954。doi: 10.3389 / frsus.2023.1125954
收到:2022年12月16日;接受:2023年2月13日;
发表:2023年3月14日。
编辑:
Tomaso Fortibuoni,史Superiore / la Protezione e la Ricerca Ambientale(这里),意大利版权©2023 Taneepanichskul,冰雹和Miodownik。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:马克Miodownikm.miodownik@ucl.ac.uk