方正，王仁彬，陳思媛

(廈門大學 航空航天學院，福建 廈門 361101)

目前對廢舊塑料的回收常常是很多種類混合在一起，而混合塑料難以滿足再生產(chǎn)需求[1]。因此，對廢舊塑料進行識別分類，有利于實現(xiàn)資源再利用，并解決廢舊塑料污染問題[2-3]。

傳統(tǒng)的塑料識別方法分為物理識別法和化學鑒別法。物理識別法準確度較差，化學鑒別法操作復雜，且易造成污染[4]。新興的塑料識別方法為光譜分析法，包括近紅外光譜、熒光光譜、激光誘導擊穿光譜等[5-10]。 X射線吸收光譜由于其譜線簡單、分析含量范圍廣、靈敏度及準確度高的特點，在環(huán)保、催化、醫(yī)學和藥學等領域均獲得發(fā)展[11-12]。

本文采集了多種常見塑料及工程塑料樣本的X射線吸收光譜，并結合主成分分析和基于遺傳算法優(yōu)化的誤差反向傳播(GA-BP)神經(jīng)網(wǎng)絡實現(xiàn)對塑料的自動分類識別。

1 實驗部分

1.1 材料與儀器

15種常見塑料和工程塑料，見表1。樣本為直徑30 mm、長度50 mm的圓柱體。

X射線光譜檢測系統(tǒng)[13]，自建，主要組成為X射線管、CdTe探測器、高壓電源等基本元件，其整體結構見圖1；KYW800型X射線管(陽極靶材料為鎢(74W))；X-123型CdTe探測器(能量分辨率為 850 eV(FWHM)@122 keV，57Co)；XRB 100 W高壓電源(工控主機IPC-610機型)。實驗相關的參數(shù)設置：X射線管電壓60 kV，管電流10 μA，燈絲電流 1 000 mA，探測器通道數(shù)設置為512，采集時間60 s。

表1 15種常見塑料和工程塑料的編號與名稱Table 1 The number and name of the 15 kinds ofcommon plastics and engineering plastics

圖1 X射線吸收光譜儀示意圖Fig.1 Schematic diagram of X-ray absorption spectrometer

1.2 實驗方法

X射線吸收光譜(XAS)的產(chǎn)生原理是X射線穿過一定厚度的物質時，會發(fā)生散射和吸收現(xiàn)象，從而使得光譜的強度減弱，具體減弱的程度是由所含原子的種類和數(shù)目即物質的性質所決定。其穿過樣本前后的強度變化情況滿足下式[14]：

I=I0e-μd

(1)

其中，I0表示X射線入射光譜的強度，I表示X射線出射光譜的強度，由X射線探測器直接采集得到，μ表示吸收系數(shù)，d為樣品厚度。

X射線吸收光譜即指在不同能量X射線下的吸收系數(shù)的變化趨勢，由式(1)可得X射線吸收光譜的計算公式：

(2)

因此在實驗過程中，首先在不放置樣本的情況下采集X射線管的發(fā)射光譜，即X射線入射光譜。然后將樣本放置在X射線管與探測器中間，采集得到X射線出射光譜。通過公式(2)的計算便得到對應X射線吸收光譜，對每種樣本采集100組數(shù)據(jù)。每次采集過程中樣本被X射線穿透的位置都不相同。

對計算得到的X射線吸收光譜進行0-1歸一化處理。0-1歸一化處理作為一種常見的數(shù)據(jù)處理方法，可以消除儀器誤差，并可以使神經(jīng)網(wǎng)絡算法更快的運行。

2 結果與討論

2.1 光譜展示

X射線探測器采集到的譜線經(jīng)過預處理之后的光譜見圖2，圖中橫坐標為X射線能量，縱坐標為X射線吸收系數(shù)。圖中8～12 keV內的三個波峰皆是由于X射線管陽極靶材料的特征X射線被樣本吸收引起，三個波峰的能量值分別為8.396，11.333，13.111 keV。

圖2 預處理后的各樣本X射線吸收光譜Fig.2 X-ray absorption spectra of samples after pretreatment

由圖2可知，塑料樣品的光譜之間的差異明顯，對于PPR、PVC、PTFE、PVDF、PSU、ABS這6種塑料樣品，可以比較明顯的和其它樣品區(qū)分。對于另外9種塑料，則無法直接準確的識別。

2.2 特征提取

主成分分析(PCA)是一種常見的降低信息維度的方法，可以將多個變量進行線性變換從而提取特征向量，也就是將具有一定相關性的多個向量重新組合，構成一組線性無關的特征向量，且這組特征向量可以盡可能地保留原始變量的信息，成為新的綜合指標作為后續(xù)神經(jīng)網(wǎng)絡模型的輸入[15-16]。因此采用PCA方法提取塑料樣品光譜的特征。

首先對圖2中的光譜進行PCA計算，得到的各主成分的貢獻率見表2，其中前三個主成分的貢獻率累計達到99.38%，可以代表原光譜絕大部分的信息。因此采用這三個主成分作為特征向量代替原有的光譜數(shù)據(jù)作為后續(xù)神經(jīng)網(wǎng)絡模型的輸入。

表2 利用PCA提取特征后各主成分的貢獻率Table 2 Contribution of principal components obtained byusing PCA to extract features

2.3 基于BP神經(jīng)網(wǎng)絡的特征識別

誤差反向傳播(BP)神經(jīng)網(wǎng)絡是由一層輸入層、一層或多層隱含層、一層輸出層構成的一種典型的多層前向型神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡模擬人腦神經(jīng)組織，具有生物神經(jīng)系統(tǒng)的基本特征，具有非線性映射能力、自學習、學習速度快、分類精度高等優(yōu)點[17]。因此首先采用BP神經(jīng)網(wǎng)絡塑料樣品光譜的特征進行識別。

BP神經(jīng)網(wǎng)絡結構設置為3-8-15-12-1三隱含層的結構，輸入層神經(jīng)元個數(shù)為3，輸出層神經(jīng)元個數(shù)為1，三個隱含層的神經(jīng)元個數(shù)分別為8、15、12。神經(jīng)網(wǎng)絡中的每個神經(jīng)元都有N個權值參數(shù)(N為上一層神經(jīng)元的個數(shù))和1個閾值參數(shù)，權值和閾值皆采用隨機初始化。實驗共采集 15種塑料的1 500組數(shù)據(jù)，其中1 200組為訓練集，作為網(wǎng)絡的訓練，另外300組作為測試集，用于對模型準確率進行校驗。在1 200組訓練集中，有20組作為驗證集用于模型訓練過程中的模型評估。因為神經(jīng)網(wǎng)絡的初始權值和初始閾值是隨機產(chǎn)生的，為避免該隨機因素導致的誤差，本實驗進行10次分類測試，并對網(wǎng)絡的初始權值、初始閾值和分類正確率進行記錄，分類正確率見圖3。

圖3 利用BP神經(jīng)網(wǎng)絡進行塑料分類的正確率Fig.3 Accuracy of plastic classification using BP neural network

由圖3可知，由于BP神經(jīng)網(wǎng)絡的隨機性，導致訓練可能收斂于局部極小值，從而分類正確率的波動較大，最高達到98.29%，最低達到84.98%，穩(wěn)定性較差。

2.4 基于GA-BP神經(jīng)網(wǎng)絡的光譜識別

為了解決BP神經(jīng)網(wǎng)絡存在的識別穩(wěn)定性較差的問題，本實驗將利用遺傳算法(GA)對BP神經(jīng)網(wǎng)絡的權值和閾值進行選擇、交叉和變異并代入原網(wǎng)絡中，建立基于遺傳算法優(yōu)化的誤差反向傳播(GA-BP)神經(jīng)網(wǎng)絡模型，提高分類準確性。遺傳算法的基本步驟見圖4，過程主要包括編碼、適應度函數(shù)的計算、選擇、交叉和變異[18]。

圖4 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的步驟Fig.4 The step of using genetic algorithm to optimize BP neural network

在上述設置的BP神經(jīng)網(wǎng)絡結構中，權值和閾值的個數(shù)總數(shù)為372個，因此使用遺傳算法對這372個參數(shù)的初始值進行優(yōu)化。遺傳算法的參數(shù)設置見表3。

在保持同上述10次分類時網(wǎng)絡結構與初始權值和初始閾值相同的情況下，再利用GA-BP神經(jīng)網(wǎng)絡進行10次分類識別計算，計算結果見圖5。

表3 優(yōu)化過程中遺傳算法的參數(shù)設置Table 3 Parameters setting of geneticalgorithm in optimization process

由圖5可知，優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡分類正確率基本保持在95%以上，且無明顯波動，可更好地實現(xiàn)樣本分類。結果表明GA-BP神經(jīng)網(wǎng)絡收斂性較好，具有更加穩(wěn)定的性能，可更好地應用于塑料樣本的分類識別中。

目前實驗的缺陷在于所選用的樣本均為標準的均勻材質的塑料，沒有對混合型塑料進行實驗。因此在后續(xù)的實驗中，計劃針對混合塑料樣本使用計算機斷層掃描(CT)的方法[19]對光譜進行重建，以達到更加全面的塑料分類效果。

3 結論

針對包括ABS、PA6、PE、PVDF等共15種塑料的X射線吸收光譜建立自動識別方法。利用X射線吸收光譜無損檢測裝置對15種塑料樣本的X射線吸收光譜進行采集。然后對光譜數(shù)據(jù)進行預處理、主成分分析計算，提取原始光譜數(shù)據(jù)的3個特征，并分別利用BP神經(jīng)網(wǎng)絡和GA-BP神經(jīng)網(wǎng)絡進行分類。實驗結果表明，利用遺傳算法可以緩和BP神經(jīng)網(wǎng)絡在訓練過程中出現(xiàn)的局部極小值問題，使分類性能更加穩(wěn)定。這對進一步的提升塑料分類效果具有重要的指導意義。