基于GA-BP神经网络的塑料X射线吸收光谱的辨识

方正，王仁彬，陈思媛

(厦门大学 航空航天学院，福建 厦门 361101)

目前对废旧塑料的回收常常是很多种类混合在一起，而混合塑料难以满足再生产需求[1]。因此，对废旧塑料进行识别分类，有利于实现资源再利用，并解决废旧塑料污染问题[2-3]。

传统的塑料识别方法分为物理识别法和化学鉴别法。物理识别法准确度较差，化学鉴别法操作复杂，且易造成污染[4]。新兴的塑料识别方法为光谱分析法，包括近红外光谱、荧光光谱、激光诱导击穿光谱等[5-10]。 X射线吸收光谱由于其谱线简单、分析含量范围广、灵敏度及准确度高的特点，在环保、催化、医学和药学等领域均获得发展[11-12]。

本文采集了多种常见塑料及工程塑料样本的X射线吸收光谱，并结合主成分分析和基于遗传算法优化的误差反向传播(GA-BP)神经网络实现对塑料的自动分类识别。

1 实验部分

1.1 材料与仪器

15种常见塑料和工程塑料，见表1。样本为直径30 mm、长度50 mm的圆柱体。

X射线光谱检测系统[13]，自建，主要组成为X射线管、CdTe探测器、高压电源等基本元件，其整体结构见图1；KYW800型X射线管(阳极靶材料为钨(74W))；X-123型CdTe探测器(能量分辨率为 850 eV(FWHM)@122 keV，57Co)；XRB 100 W高压电源(工控主机IPC-610机型)。实验相关的参数设置：X射线管电压60 kV，管电流10 μA，灯丝电流 1 000 mA，探测器通道数设置为512，采集时间60 s。

表1 15种常见塑料和工程塑料的编号与名称Table 1 The number and name of the 15 kinds ofcommon plastics and engineering plastics

图1 X射线吸收光谱仪示意图Fig.1 Schematic diagram of X-ray absorption spectrometer

1.2 实验方法

X射线吸收光谱(XAS)的产生原理是X射线穿过一定厚度的物质时，会发生散射和吸收现象，从而使得光谱的强度减弱，具体减弱的程度是由所含原子的种类和数目即物质的性质所决定。其穿过样本前后的强度变化情况满足下式[14]：

I=I0e-μd

(1)

其中，I0表示X射线入射光谱的强度，I表示X射线出射光谱的强度，由X射线探测器直接采集得到，μ表示吸收系数，d为样品厚度。

X射线吸收光谱即指在不同能量X射线下的吸收系数的变化趋势，由式(1)可得X射线吸收光谱的计算公式：

(2)

因此在实验过程中，首先在不放置样本的情况下采集X射线管的发射光谱，即X射线入射光谱。然后将样本放置在X射线管与探测器中间，采集得到X射线出射光谱。通过公式(2)的计算便得到对应X射线吸收光谱，对每种样本采集100组数据。每次采集过程中样本被X射线穿透的位置都不相同。

对计算得到的X射线吸收光谱进行0-1归一化处理。0-1归一化处理作为一种常见的数据处理方法，可以消除仪器误差，并可以使神经网络算法更快的运行。

2 结果与讨论

2.1 光谱展示

X射线探测器采集到的谱线经过预处理之后的光谱见图2，图中横坐标为X射线能量，纵坐标为X射线吸收系数。图中8～12 keV内的三个波峰皆是由于X射线管阳极靶材料的特征X射线被样本吸收引起，三个波峰的能量值分别为8.396，11.333，13.111 keV。

图2 预处理后的各样本X射线吸收光谱Fig.2 X-ray absorption spectra of samples after pretreatment

由图2可知，塑料样品的光谱之间的差异明显，对于PPR、PVC、PTFE、PVDF、PSU、ABS这6种塑料样品，可以比较明显的和其它样品区分。对于另外9种塑料，则无法直接准确的识别。

2.2 特征提取

主成分分析(PCA)是一种常见的降低信息维度的方法，可以将多个变量进行线性变换从而提取特征向量，也就是将具有一定相关性的多个向量重新组合，构成一组线性无关的特征向量，且这组特征向量可以尽可能地保留原始变量的信息，成为新的综合指标作为后续神经网络模型的输入[15-16]。因此采用PCA方法提取塑料样品光谱的特征。

首先对图2中的光谱进行PCA计算，得到的各主成分的贡献率见表2，其中前三个主成分的贡献率累计达到99.38%，可以代表原光谱绝大部分的信息。因此采用这三个主成分作为特征向量代替原有的光谱数据作为后续神经网络模型的输入。

表2 利用PCA提取特征后各主成分的贡献率Table 2 Contribution of principal components obtained byusing PCA to extract features

2.3 基于BP神经网络的特征识别

误差反向传播(BP)神经网络是由一层输入层、一层或多层隐含层、一层输出层构成的一种典型的多层前向型神经网络。BP神经网络模拟人脑神经组织，具有生物神经系统的基本特征，具有非线性映射能力、自学习、学习速度快、分类精度高等优点[17]。因此首先采用BP神经网络塑料样品光谱的特征进行识别。

BP神经网络结构设置为3-8-15-12-1三隐含层的结构，输入层神经元个数为3，输出层神经元个数为1，三个隐含层的神经元个数分别为8、15、12。神经网络中的每个神经元都有N个权值参数(N为上一层神经元的个数)和1个阈值参数，权值和阈值皆采用随机初始化。实验共采集 15种塑料的1 500组数据，其中1 200组为训练集，作为网络的训练，另外300组作为测试集，用于对模型准确率进行校验。在1 200组训练集中，有20组作为验证集用于模型训练过程中的模型评估。因为神经网络的初始权值和初始阈值是随机产生的，为避免该随机因素导致的误差，本实验进行10次分类测试，并对网络的初始权值、初始阈值和分类正确率进行记录，分类正确率见图3。

图3 利用BP神经网络进行塑料分类的正确率Fig.3 Accuracy of plastic classification using BP neural network

由图3可知，由于BP神经网络的随机性，导致训练可能收敛于局部极小值，从而分类正确率的波动较大，最高达到98.29%，最低达到84.98%，稳定性较差。

2.4 基于GA-BP神经网络的光谱识别

为了解决BP神经网络存在的识别稳定性较差的问题，本实验将利用遗传算法(GA)对BP神经网络的权值和阈值进行选择、交叉和变异并代入原网络中，建立基于遗传算法优化的误差反向传播(GA-BP)神经网络模型，提高分类准确性。遗传算法的基本步骤见图4，过程主要包括编码、适应度函数的计算、选择、交叉和变异[18]。

图4 遗传算法优化BP神经网络的步骤Fig.4 The step of using genetic algorithm to optimize BP neural network

在上述设置的BP神经网络结构中，权值和阈值的个数总数为372个，因此使用遗传算法对这372个参数的初始值进行优化。遗传算法的参数设置见表3。

在保持同上述10次分类时网络结构与初始权值和初始阈值相同的情况下，再利用GA-BP神经网络进行10次分类识别计算，计算结果见图5。

表3 优化过程中遗传算法的参数设置Table 3 Parameters setting of geneticalgorithm in optimization process

由图5可知，优化后的GA-BP神经网络分类正确率基本保持在95%以上，且无明显波动，可更好地实现样本分类。结果表明GA-BP神经网络收敛性较好，具有更加稳定的性能，可更好地应用于塑料样本的分类识别中。

目前实验的缺陷在于所选用的样本均为标准的均匀材质的塑料，没有对混合型塑料进行实验。因此在后续的实验中，计划针对混合塑料样本使用计算机断层扫描(CT)的方法[19]对光谱进行重建，以达到更加全面的塑料分类效果。

3 结论

针对包括ABS、PA6、PE、PVDF等共15种塑料的X射线吸收光谱建立自动识别方法。利用X射线吸收光谱无损检测装置对15种塑料样本的X射线吸收光谱进行采集。然后对光谱数据进行预处理、主成分分析计算，提取原始光谱数据的3个特征，并分别利用BP神经网络和GA-BP神经网络进行分类。实验结果表明，利用遗传算法可以缓和BP神经网络在训练过程中出现的局部极小值问题，使分类性能更加稳定。这对进一步的提升塑料分类效果具有重要的指导意义。