紅外光譜分選廢舊汽車塑料技術(shù)研究

劉寶瑩，楊晨光，李 廣，朱亦翔，賀永森，李清政，翟 華*

（1. 安徽省多光譜分選技術(shù)與智能裝備工程研究中心，合肥 231299；2. 安徽中科光電色選機械有限公司，合肥 231299；3. 航空結(jié)構(gòu)件成形制造與裝備安徽省重點實驗室，合肥工業(yè)大學，合肥 230009）

0 前言

隨著輕量化技術(shù)的應(yīng)用，汽車結(jié)構(gòu)件中大量使用塑料制品，我國汽車制造行業(yè)的塑料件年消耗量已達上百萬噸。未來十年內(nèi)，70 %~80 %將轉(zhuǎn)化為廢棄塑料。而現(xiàn)有國內(nèi)汽車廢舊塑料的回收利用率相對于發(fā)達國家較高的轉(zhuǎn)化率僅有25 %［1-2］。因此，如何回收處理汽車廢舊塑料，并對其進行再生利用，是塑料行業(yè)和汽車行業(yè)重點關(guān)注的問題，也是保護環(huán)境的關(guān)鍵因素所在。

汽車廢舊塑料的準確識別是提高回收率的基礎(chǔ)。在汽車制作過程中，含有的塑料種類繁多的零器件譬如汽車外殼、保險杠、格柵、儀表盤等。主要包含聚苯乙烯（PS）、聚酰胺（PA）、聚乙烯（PE）、丙烯腈-丁二烯-苯乙烯共聚物（ABS）、聚丙烯（PP）、聚氯乙烯（PVC）等［3-5］。而傳統(tǒng)的廢舊塑料分選方法在添加助劑后往往會改變塑料本身的物理化學特性，無法適應(yīng)現(xiàn)代化產(chǎn)業(yè)發(fā)展的需要［6］。近年來，近紅外光譜技術(shù)基于分子中C—H，N—H 和O—H 等基團內(nèi)部振動吸收近紅外光的不同波長范圍而受到廣泛關(guān)注［7-8］，穿過物料的光波經(jīng)過散射，吸收等過程發(fā)生衰減，衰減的部分在譜圖中以峰值的形式存在，將譜圖進行濾波、平滑等預處理提取差異信息，通過函數(shù)映射出物料類型合集，由不同實現(xiàn)物料類型合集特征值進行分選。

目前汽車廢棄塑料分選領(lǐng)域缺少對近紅外光譜智能分選技術(shù)相關(guān)研究的總結(jié)。因此本文選擇了具有代表性的技術(shù)應(yīng)用實例分析和比較各種塑料光譜，光譜的濾波平滑方式以及函數(shù)映射方式等，重點介紹運用成熟的紅外光譜分選設(shè)備。

1 近紅外光譜技術(shù)原理

近紅外光是一種波長范圍在780~2 526 nm之間的電磁波。根據(jù)波長分為近紅外長波（1 100~2 526 nm）和近紅外短波（780~1 100 nm）。圖1 展示了近紅外光譜的波長范圍示意圖［9］。

圖1 紅外光譜波長Fig. 1 Infrared spectrum wavelength

近紅外光譜是分子振動譜的一種，當近紅外光穿過物體時，在物體內(nèi)部產(chǎn)生了非諧振分子的振動，從而吸收近紅外光，使其由基態(tài)向高能級躍遷。根據(jù)量子力學理論，分子振動呈現(xiàn)出對不同波長的近紅外光的選擇性吸收，從而產(chǎn)生近紅外光譜［10］。由于不同有機物內(nèi)基團不同，對近紅外光的吸收也不同。在物理和化學環(huán)境不同的情況下，相同的基團也會有差異。不同物質(zhì)的近紅外光譜表現(xiàn)出的差異，即表示近紅外光譜所反映的有機物結(jié)構(gòu)組成的信息［11-12］。

在近紅外光譜分析技術(shù)中，光譜測量方式主要有漫反射、透射和透反射3種，如圖2所示。

圖2 光譜測量方式Fig.2 Spectral measurement mode

對透明的液體樣本一般采用透射檢測，當樣本被一束連續(xù)波長的近紅外光透過，會選擇性吸收不同波長近紅外光。當光透過樣本后，入射光強度大于透射光，而近紅外光強度的衰減程度在不同波長下也會不同。對一特定波長的近紅外光，用透射率（T）表示透射光強度（I）與入射光強度（I0）間的比值，則根據(jù)比爾-朗伯定理得以下公式：

式中ε——摩爾吸收系數(shù)

L——光透過樣本時的光程

C——樣本中待測組分濃度

某特定波長近紅外光的吸光度（Aabs）取透射率T的負對數(shù)來表示，可得：

由上可知，每一波長的吸光度不受入射光強度的影響，只與透過液體厚度及待測液體的濃度相關(guān)。而在透射光譜測量中，光程恒定，故每一波長近紅外光的吸光度只與待測組分的濃度成正比。這是近紅外光譜對物質(zhì)透射定量分析的理論基礎(chǔ)［13-14］。

不透明液體或檢測固體一般采用近紅外漫反射光譜。在漫反射光譜采集過程中，檢測器分別接收兩個反射信號。一個是直接從物體表面鏡面反射回來的光，由于鏡面反射未吸收樣本內(nèi)部分子，故不包含樣本結(jié)構(gòu)信息。另一個是當射入的光穿過樣本時，內(nèi)部的分子吸收了一部分近紅外光，使光的傳播方向不斷發(fā)生變化，最終被檢測器接收到的即樣本的近紅外漫反射光譜。漫反射過程中光與分子相互作用，故漫反射光譜包含樣本的結(jié)構(gòu)組成信息［15］。漫反射率R常用于處理近紅外漫反射光譜，表示漫反射前后光的強弱。漫反射率R的計算公式為：

式中ε——摩爾吸收系數(shù)

S——散射系數(shù)

e——與樣本組分濃度或性質(zhì)成正比關(guān)系

故當S固定時，近紅外光的漫反射率R與樣本濃度或性質(zhì)成正比［16］。如式（4）所示，在近紅外漫反射光譜中，對漫反射率R的倒數(shù)取對數(shù)得到物體對入射光的吸光度（Aref）：

由上可得，若散射系數(shù)S不變，則樣本對漫反射光的吸光度Aref與樣本的組分濃度或性質(zhì)成比例關(guān)系，這是近紅外光譜漫反射定量分析的理論基礎(chǔ)［17］。

塑料制品被連續(xù)頻率的近紅外光照射時，其內(nèi)部分子或原子由于吸收光子能量而發(fā)生振動或轉(zhuǎn)動，進而引起能級躍遷。基頻躍遷、倍頻躍遷、合頻躍遷是能量躍遷的3種形式。分子吸收一定能量后，由基態(tài)進入激發(fā)態(tài)。在近紅外光譜區(qū)中，大部分有機物會產(chǎn)生倍頻、合頻吸收。當不同的化學基團振動發(fā)生能級躍遷時，在不同環(huán)境下對近紅外光的吸收波長和強度會有明顯差異，在某段波長范圍內(nèi)會有減弱現(xiàn)象［18］。因此，對經(jīng)過塑料制品漫反射和透射后形成的近紅外光譜進行分析可得到塑料制品的特征信息。

不同種類的塑料高分子材料在近紅外光譜區(qū)域都具有獨特的特征光譜信息，并且可以對添加了不同助劑的相同種類塑料進行精確識別。這為進一步研究廢舊汽車塑料的回收利用提供了有價值的參考，包括對老化塑料和摻雜廢料的鑒別。通過近紅外光譜技術(shù)，可以實現(xiàn)對廢舊汽車塑料中不同成分和雜質(zhì)的準確檢測和分類，為塑料回收行業(yè)的發(fā)展和廢舊汽車塑料資源化利用提供了有力支持［19-20］。

2 近紅外光譜技術(shù)的應(yīng)用

2.1 汽車廢舊塑料分選光譜差異

汽車廢舊塑料分選的核心過程是塑料圖譜的差異分析，研究發(fā)現(xiàn)各種塑料特征峰的面積比值能夠有效的區(qū)分塑料。陳倉等［21］以9種廢舊塑料為實驗對象，進行紅外光譜初步比較后，將樣本分為3類，如圖3所示。

圖3 3類廢棄塑料的光譜Fig.3 Spectra of three kinds of waste plastics

9 種廢棄塑料中利用光譜峰的位置可以判斷出樣本1 和8 分別為氯化聚乙烯和聚丙烯，而其他為聚氯乙烯。進一步通過958、1 724、872 cm-1的峰值相對面積及面積比可以區(qū)分。結(jié)果表明利用光譜差異可以成功區(qū)分廢舊塑料。在此基礎(chǔ)上宋小嬌［22］測定了53 個不同汽車的保險杠塑料，結(jié)果如圖4所示。

圖4 53個塑料樣本的分類結(jié)果Fig.4 Classification results of 53 plastic samples

圖4中，別克和雪佛蘭（均為上汽通用旗下品牌）樣品中滑石粉含量接近，與其他品牌中保險杠的滑石粉含量有差別。上汽大眾與東風悅達·起亞、長安鈴木等合資廠商生產(chǎn)的汽車，同一廠商不同車型中添加的助劑（滑石粉、碳酸鈣）的含量接近；我國自主廠商如北京、吉利等汽車，同廠商不同型號的助劑的含量接近程度低于前者。此結(jié)果對不同汽車的保險杠利用特征峰面積比值的差異進行區(qū)分。后續(xù)，張礫勻［23］對兩種塑料材質(zhì)進行鑒別。利用對比標準塑料圖譜的方法，判斷出兩種塑料是ABS和 PP，如圖5所示。

圖5 對比標準塑料的譜圖Fig.5 Comparison of standard plastic atlas

由結(jié)果可知PP 的特征峰出現(xiàn)在 972、1 165、1 376、 2 868 cm-1等波數(shù)附近。ABS 的特征峰出現(xiàn)在1 454、1 577、3 000、3 061 cm-1等波數(shù)附近。試驗利用圖譜本質(zhì)差異成功判斷出兩種塑料。結(jié)果表明，傅里葉紅外光譜（ATR）法具有良好的特征性。其樣品需求量小，對樣品幾乎不會造成損害，分析時間短，實驗結(jié)果可靠、準確等諸多優(yōu)點。

利用不同塑料的光譜差異進行識別塑料，其核心是擴大差異，再利用計算機算法將差異信息轉(zhuǎn)換為數(shù)據(jù)差異，建立模型進行輸出。其光譜的本質(zhì)差異可以直觀觀察到，但是達不到智能識別的水平，因此智能算法對圖譜的讀取和輸出不可或缺。

2.2 塑料材料光譜差異的數(shù)學模型分析

塑料材料光譜差異是基于光譜進行直觀的計算分析，但是難以挖掘光譜中的微差異，數(shù)學模型分析使用計算機作為工具，相對精度較高，計算過程較復雜，常見的數(shù)學模型有主成分分析法（PCA），K近鄰分析法，神經(jīng)網(wǎng)絡(luò)等［24-26］。

主成分分析法是報廢車用塑料近紅外光譜數(shù)據(jù)分析所采用方法，旨在將信息損失降到最低，同時將高維的近紅外光譜變量空間數(shù)據(jù)降維。因報廢車用塑料近紅外吸光度矩陣中存在大量線性相關(guān)的數(shù)據(jù)，故變換原吸光度數(shù)據(jù)使用等秩變換的方法，替換原吸光度變量為幾個新變量（綜合變量）。每個綜合變量都是原始變量的線性組合，且兩兩線性無關(guān)，稱為其主成分。這些主成分盡可能多地保留報廢車用塑料近紅外光譜原始變量的信息。主成分優(yōu)越性顯著，原線性相關(guān)的冗余信息被大量消除，參與運算的數(shù)據(jù)也大大減少，研究問題變得簡單而清晰，有利于揭示物質(zhì)內(nèi)部規(guī)律，提高分析效率。

其原理是假設(shè)有n樣本，每個樣本有p個波長點的吸光度xij（i表示樣本數(shù)，j表示波長點數(shù)），這些吸光度數(shù)據(jù)經(jīng)過歸一化、中心化、S-G 平滑和Norris 求導預處理后，構(gòu)成一個n×p階的矩陣［27］。

為了簡化運算，首先對近紅外光譜吸光度矩陣進行線性變化，用新的綜合變量代替原始光譜吸光度變量。設(shè)向量x1，x2，x3…xp為報廢車用塑料近紅外漫反射吸收光譜p個波長點的吸光度變量， 向量z1，z2，z3…zm(m≤p) 為新變量， 設(shè)：

其中zi與zj(i≠j；i，j=1，2，…，m) 線性無關(guān)，z1是x1，x2，x3…xp的任何線性組合中方差最大值，…；zm是與z1，z2，z3…zm-1都不相關(guān) 的x1，x2，x3…xp的任何線性組合中方差最大值。 則新變量z1，z2，z3…zm分別稱為原變量x1，x2，x3…xp的第1，第2，…，第m主成分。

神經(jīng)網(wǎng)絡(luò)是一種由輸入層、隱含層、輸出層組成的多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)拓撲圖如圖6所示。神經(jīng)網(wǎng)絡(luò)的特點是信號向前傳遞，誤差向后傳播，輸入信號進行逐層處理，依次進入輸入層、隱含層、輸出層；輸出層的預測誤差超過允許值，便會進行反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而不斷縮小誤差，直至輸出信號滿足期望要求，從而得到一組較優(yōu)的權(quán)值和閾值［28］。

圖6 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Neural network structure

圖6 中，x1，x2，…，xn是神經(jīng)網(wǎng)絡(luò)的輸入信號，y1，y2，…，yn是神經(jīng)網(wǎng)絡(luò)的輸出信號，wjk為隱含層和輸出層的權(quán)值，wij為輸入層和隱含層之間的權(quán)值，ai為隱含層閾值，隱含層每個神經(jīng)元都有一個閾值，bk為輸出層閾值。因此，神經(jīng)網(wǎng)絡(luò)可以看成是一個非線性函數(shù)，輸入層可以看成函數(shù)的自變量，輸出層看成函數(shù)的因變量，神經(jīng)網(wǎng)絡(luò)通過訓練大量的數(shù)據(jù)形成輸入與輸出間的映射關(guān)系。對于塑料紅外光譜識別可以結(jié)合主成分分析法，即輸入層節(jié)點數(shù)為最優(yōu)主成分數(shù)。

K-最近鄰算法（K-Nearest Neighbor，KNN）在區(qū)分樣本的類別時主要通過計量待分類樣本與已知類別樣本間的距離或相似度的大小來實現(xiàn)［29］，原理如圖7所示。

圖7 K-近鄰算法原理Fig.7 Principle of K-nearest neighbor algorithm

其算法運行的主要過程如圖7所示，藍色方塊和紅色圓球表示標簽數(shù)據(jù)集A，此時數(shù)據(jù)A中的所有樣本數(shù)據(jù)都有其獨立的分類標簽。將未進行標定分類的未知數(shù)據(jù)集B加入數(shù)據(jù)集A中進行匹配，KNN算法會根據(jù)其規(guī)則匹配最接近的標簽數(shù)據(jù)，通過比對新數(shù)據(jù)樣本點與其附近的標簽數(shù)據(jù)的分類情況來判別新數(shù)據(jù)的分類情況。

基于對上述數(shù)學模型的應(yīng)用，李文環(huán)等［30］建立了一個3層的BP 神經(jīng)網(wǎng)絡(luò)模型。首先提取了7種常用塑料的光譜特征信息，主成分分析結(jié)果如圖8所示。主成分前2 個累計貢獻率已達88. 375 %，其他累計貢獻率達到了94. 367 %，涵蓋了其原始光譜的主要信息。

圖8 主成分分析結(jié)果Fig.8 Results of principal component analysis

由結(jié)果可知，PET 和ABS 區(qū)分明顯，其他塑料區(qū)分效果一般。因此，建立神經(jīng)網(wǎng)絡(luò)模型，并將前 8 個主成分的特征為BP 神經(jīng)網(wǎng)絡(luò)的輸入。經(jīng)實驗證明該模型的預測準確率達98.5 %。馬梟等［31］在選定對照譜圖即共有模式目標后，通過計算各樣本譜圖與其夾角余弦值和相對相似值，其計算公式為：

其中，A、B是相互獨立的測量向量，Ai是向量A的分量，Bi是向量B的分量。利用圖譜本的余弦相似度對35 個塑料進行了初步區(qū)分，并且利用主成分分析法和Fisher分析法對其結(jié)果進行驗證，結(jié)果如圖9所示。

圖9 3種模型區(qū)分結(jié)果Fig.9 Distinguishing results of the three models

由結(jié)果可知余弦相似度將塑料分為3類，主成分分析法和Fisher 分析法則分為了4 類。結(jié)果表明相似度分析僅僅疊加求和各維度相似度結(jié)果，對于圖譜波形復雜的塑料并不能起到較好的區(qū)分效果，而主成分分析法則適用于塑料圖譜區(qū)分，且效果較好。

張文杰等［32］比較了一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN）和多元散射處理后支持向量機算法（MSC-SVM）建模的效果和對4 種塑料分選的準確率。結(jié)果表明1D CNN 模型準確率為91. 5 %，MSC-SVM 模型準確率為90.8 %。以上研究均表明紅外光譜結(jié)合數(shù)學模型的可行性及準確性。表1 為近年來使用數(shù)學模型分析光譜方法的準確率。

表1 數(shù)學模型分析光譜方法的準確率Tab.1 Accuracy of spectral analysis by mathematical model

由表可知，主成分分析法的精度達到98 %以上，顯著高于其他模型，神經(jīng)網(wǎng)絡(luò)結(jié)合PCA 的模型準確率在98 %~91 %之間，低于PCA 結(jié)合其他算法的模型，其他模型準確率更低。

3 紅外光譜塑料分選系統(tǒng)

紅外光譜塑料分選系統(tǒng)在國內(nèi)的應(yīng)用主要為G系，其包括GI 系、GU 系和GV 系面向不同尺寸塑料的分選，主要結(jié)構(gòu)圖如圖10所示。

圖10 G系紅外光譜塑料分選系統(tǒng)結(jié)構(gòu)簡圖Fig.10 A schematic diagram of the structure of infrared spectrum plastic sorting system

廢舊塑料從分選機頂部振動給料斗進入，沿滑槽表面下落進入識別區(qū)并穿過觀測傳感器。CCD 傳感器接收塑料透射、反射的光后將其傳遞至圖像識別模塊，給予判決信號，控制系統(tǒng)處理后發(fā)出信號驅(qū)動高速氣動噴嘴，將待分選塑料吹到廢料槽。其余塑料繼續(xù)下落至成品槽，從而完成廢舊塑料件的分選。對ABS、PET 和PP 材料的分選實物圖如圖11 所示。

圖11 分選實物Fig.11 Sorting of physical objects

4 廢舊汽車塑料紅外光譜分選關(guān)鍵技術(shù)

結(jié)合汽車廢舊塑料高精度快速分選高精度要求，分選塑料類別、塑料料片上料、光源照射、近紅外光譜照相機接收光譜圖像、氣嘴高速分選等各關(guān)鍵環(huán)節(jié)對分選精度的影響，汽車廢舊塑料高精度快速分選設(shè)備開發(fā)的技術(shù)難點主和取得的解決方案如表2 所示。針對表2中的技術(shù)難點和方案進一步分析。

表2 技術(shù)難點主和取得的解決方案Tab.2 Main technical difficulties and solutions achieved

4.1 技術(shù)難點

（1）構(gòu)建不同塑料料片高速運動下近紅外光譜圖庫。常見汽車塑料主要有ABS 、PP 、 PE 、 PET 、PS、 PVC 、PC等，不同汽車結(jié)構(gòu)件上采用塑料不同，近紅外光譜特征完全不同，限制了廢舊汽車塑料件的回收再利用。因此需要建立由近紅外光譜儀、衰減全反射附件等構(gòu)成的高速運動塑料料片檢測平臺，針對不同廢舊汽車塑料件構(gòu)建近紅外譜圖庫，為后續(xù)開發(fā)高效、實用的廢舊汽車塑料智能分選設(shè)備提供識別基準。

（2）近紅外光譜微弱信號探測與信號校正方法研究。紅外光譜傳感器信噪比通常較低，采用窄帶濾波片濾波后信號質(zhì)量會進一步變差，直接用于圖像分析會造成很大的差，需要設(shè)計專門電路，綜合采用斬波穩(wěn)零技術(shù)將信號的漂移及失調(diào)電壓、電源電壓變化、低頻噪聲等影響減少到最小值，并對微弱進行有效的放大、濾波，實現(xiàn)微弱信號的有效檢測。

（3）FPGA 硬件架構(gòu)下多視角圖像校正與識別方法。線陣傳感器通常視場角比較大，鏡頭邊緣像差比較難以校正，為了得到較好的像差校正效果，需要犧牲邊緣的光照度，相對照度較差，在圖像識別之前需要對圖像或信號進行校正，單點校正法未考慮背景值和傳感器非線性因素，導致不同亮度的物體，中間和邊緣亮度仍然有差異。需要采集不同亮度下的均勻物體信號， 采用最小二乘法進行校正，并將校正系數(shù)導入FPGA 進行逐個像素校正，可最大程度地降低非線性的影響。

4.2 解決方案及現(xiàn)有技術(shù)方案

針對上述技術(shù)難點主要的解決方案分為以下3點，每一點解決方案包括了現(xiàn)有技術(shù)方案：

4.2.1 組合式低功耗非球面聚光鹵素燈光源設(shè)計

（1）改進鹵素燈光源設(shè)計。通常近紅外光源為鹵素燈光源，其優(yōu)點是光譜范圍寬，可覆蓋可見到近紅外的全部波段，為可見光和近紅外成像復合提供最有利的光源，且價格低廉，為批量化使用提供了條件。但鹵素燈光源為發(fā)散光源，直接作為照明光源時，能量利用率極低，為提高信噪比，需要增加光源功率，帶來的問題是箱體內(nèi)部溫度明顯增加，導致電子元器件壽命減少。

已有技術(shù)采用長度易擴展的小功率非球面聚光鹵素燈光源，發(fā)出的熱量相對分散，照明均勻性好，亮度高，能夠提供足夠的照明條件。采用高靈敏度高速線陣傳感器組合，避免了運動部件的使用，系統(tǒng)更加穩(wěn)定。采用TracePro 照明仿真軟件，可以仿真各種反射、透射信號，獲得為不加聚光裝置和增加非球面聚光裝置的仿真結(jié)果：增加聚光裝置后，光源照射到特定的面上為一定寬度的光束，不再是呈發(fā)散狀態(tài)，照明強度提高了5 倍以上。將仿真出的非球面聚光裝置結(jié)構(gòu)設(shè)計成模具，加工出型材，并對非球面進行鍍膜或貼膜的方式制成反光面，最后裝上鹵素燈進行驗證。

（2）組合式多視角光路設(shè)計。按照以下原則進行光路設(shè)計：光源經(jīng)過前后玻璃反光或直射無法進入視鏡；背景光源無法進入視鏡；被光源照亮的區(qū)域無法形成雜散光進入視鏡；避免可見光和紅外光之間的光譜干擾。具體如圖12所示。

圖12 組合式多視角光路Fig.12 Combined multi-view optical path

4.2.2 非線性最小二乘法多光譜圖像校正與識別

（1）收集廢舊汽車不同塑料料片樣品。測試的廢舊汽車不同塑料料片樣品包括轉(zhuǎn)向盤、保險杠、暖風管道、轉(zhuǎn)向拄護套、車輪罩、儀表板、裝飾件、百葉窗類、擋泥板、燈殼、支架、鏡框等，需要直接收集自然形成的樣品，不能采用成分添加的方式獲取樣品， 收集的樣品應(yīng)具有典型代表性，有效樣品的數(shù)量依據(jù) ASTM E1655規(guī)定，應(yīng)不少于6（k+1）個樣品，其中k為特征波長的個數(shù)。

（2）不同樣品測試。搭建由紅外光譜儀、衰減全反射附件等構(gòu)成的高速運動塑料料片近紅外光譜檢測平臺，采用Bruke的傅里葉變換近紅外光譜分析儀采集樣品光譜，對樣品進行編號，同一樣品多點采集光譜， 避免樣品局部成分分布不均勻?qū)е鹿庾V測試不全，對采集到的光譜進行預處理，如平滑、均值中心化等。

（3）采用化學計量學方法初選波長。采用方差分析法對樣品光譜在各個波長下的方差進行分析，得到波長-標準偏差圖，波長的標準偏差越大，攜帶的信息量越多，結(jié)合分子振動轉(zhuǎn)動能級的先驗知識，得到優(yōu)選出的幾個波長，最終構(gòu)建不同廢舊汽車塑料料片高速運動下近紅外光譜圖庫。

4.2.3 FPGA硬件架構(gòu)下高效智能分揀軟件開發(fā)

（1）汽車廢舊塑料分選裝備控制系統(tǒng)架構(gòu)。如圖5所示，上位機通過RS422 串口及百兆網(wǎng)連接到接口板，其中串口用于指令收發(fā)，網(wǎng)口用于圖像傳輸。接口板作為通信橋梁，實現(xiàn)相機板、光源驅(qū)動板、振動器驅(qū)動板、噴閥驅(qū)動板及指示燈驅(qū)動板的通信與控制。接口板通過LVDS 接口將參數(shù)分發(fā)給前后相機板，設(shè)置相機板的增益、最小二乘法校正等，并依據(jù)相機板上被識別物料所處的像元位置將前后視對應(yīng)的指示燈點亮，前后相機板將波形信息和圖像信息由LVDS 接口傳遞給接口板，再由接口板通過百兆網(wǎng)傳遞給人機交互的上位機，方便自學習樣本提取，并在上位機上實現(xiàn)模型訓練，訓練好的參數(shù)由RS422 串口傳遞給接口板，經(jīng)LVDS 接口分發(fā)到各個相機板，實現(xiàn)快速分選。如果模型不合適，則重新取樣本訓練得到參數(shù)，再次將模型參數(shù)傳遞給相機板，直到分選效果滿足要求為止，保存訓練參數(shù)供以后使用，不用每次訓練。圖13 為具體控制系統(tǒng)開發(fā)過程。

圖13 近紅外光譜視覺賦能的汽車廢舊塑料分選裝備控制系統(tǒng)Fig.13 Control system of automotive waste plastic sorting equipment enabled by near-infrared spectrum vision

（2）分選算法軟件編程?；赪indows 開發(fā)平臺開發(fā)上位機控制軟件控制系統(tǒng)整體運行，實際分選時采集物料近紅外數(shù)據(jù)，采用自學習方法進一步提取有用信息，建立分選模型，得到模型參數(shù)，進行在線分選，分選后的塑料物料采用氣嘴分選方法進行分類，直到效果滿足要求。

（3）基于支持向量機方法分揀模式判別方法研究。通過提取物料的顏色、光譜等特征作為特征向量輸入支持向量機分類器中，通過工控機運算訓練，得到SVM 二分類模型及參數(shù)，工控機通過RS422 接口將訓練好的SVM 模型參數(shù)下發(fā)FPGA，再利用FPGA 平臺對物料進行識別。

修改學習模型依據(jù)以上判定的結(jié)果，結(jié)合實際分選的需求不同，判斷由自學習訓練得到的分選參數(shù)是否合理，如果能滿足要求，則作為批量分選的參數(shù)保存，否則需要重新訓練模型參數(shù)。

5 結(jié)語

如何回收處理汽車廢舊塑料并進行再生利用，是塑料行業(yè)和汽車行業(yè)重點關(guān)注環(huán)境問題。本文闡述了紅外光譜分析技術(shù)在廢舊汽車塑料分選領(lǐng)域的工作原理和主要應(yīng)用進展并得出以下結(jié)論：（1）廢棄塑料光譜差異是實現(xiàn)分選的重要特征，因此擴大差異是提高識別率的關(guān)鍵。經(jīng)研究發(fā)現(xiàn)各種塑料材料特征峰的面積比值能夠有效的區(qū)分塑料。但是該方法僅僅為識別塑料提供了可行性，無法實現(xiàn)完全智能識別。在此基礎(chǔ)上需要結(jié)合智能算法實現(xiàn)差異特征轉(zhuǎn)化，從而實現(xiàn)智能識別。（2）在常見的識別模型中，主成分分析法的精度達到98 %以上，顯著高于其他模型，神經(jīng)網(wǎng)絡(luò)結(jié)合PCA的模型準確率在98 %~91 %之間，低于PCA結(jié)合其他算法的模型，其他模型準確率更低。（3）結(jié)合汽車廢舊塑料高精度快速分選高精度要求，分選塑料類別、塑料料片上料、光源照射、近紅外光譜照相機接收光譜圖像、氣嘴高速分選等各關(guān)鍵環(huán)節(jié)對分選精度的影響。

提出以下幾點未來的研究方向：（1）在光源方面首先結(jié)合鹵素燈光，增加識別特征，其次聚焦光照作用面，提高特征精度，建立多光源協(xié)同聚焦光照系統(tǒng)。（2）在識別軟件方面擴大廢棄塑料光譜數(shù)據(jù)庫，結(jié)合圖像識別領(lǐng)域技術(shù)前沿，優(yōu)化識別和定位算法。（3）在分離方面，深入流體動力學，研究空氣噴吹作用機制，采用CFD模擬和實驗的方法優(yōu)化已有的噴吹系統(tǒng)。