红外光谱分选废旧汽车塑料技术研究

刘宝莹，杨晨光，李 广，朱亦翔，贺永森，李清政，翟 华*

（1. 安徽省多光谱分选技术与智能装备工程研究中心，合肥 231299；2. 安徽中科光电色选机械有限公司，合肥 231299；3. 航空结构件成形制造与装备安徽省重点实验室，合肥工业大学，合肥 230009）

0 前言

随着轻量化技术的应用，汽车结构件中大量使用塑料制品，我国汽车制造行业的塑料件年消耗量已达上百万吨。未来十年内，70 %~80 %将转化为废弃塑料。而现有国内汽车废旧塑料的回收利用率相对于发达国家较高的转化率仅有25 %［1-2］。因此，如何回收处理汽车废旧塑料，并对其进行再生利用，是塑料行业和汽车行业重点关注的问题，也是保护环境的关键因素所在。

汽车废旧塑料的准确识别是提高回收率的基础。在汽车制作过程中，含有的塑料种类繁多的零器件譬如汽车外壳、保险杠、格栅、仪表盘等。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］。而传统的废旧塑料分选方法在添加助剂后往往会改变塑料本身的物理化学特性，无法适应现代化产业发展的需要［6］。近年来，近红外光谱技术基于分子中C—H，N—H 和O—H 等基团内部振动吸收近红外光的不同波长范围而受到广泛关注［7-8］，穿过物料的光波经过散射，吸收等过程发生衰减，衰减的部分在谱图中以峰值的形式存在，将谱图进行滤波、平滑等预处理提取差异信息，通过函数映射出物料类型合集，由不同实现物料类型合集特征值进行分选。

目前汽车废弃塑料分选领域缺少对近红外光谱智能分选技术相关研究的总结。因此本文选择了具有代表性的技术应用实例分析和比较各种塑料光谱，光谱的滤波平滑方式以及函数映射方式等，重点介绍运用成熟的红外光谱分选设备。

1 近红外光谱技术原理

近红外光是一种波长范围在780~2 526 nm之间的电磁波。根据波长分为近红外长波（1 100~2 526 nm）和近红外短波（780~1 100 nm）。图1 展示了近红外光谱的波长范围示意图［9］。

图1 红外光谱波长Fig. 1 Infrared spectrum wavelength

近红外光谱是分子振动谱的一种，当近红外光穿过物体时，在物体内部产生了非谐振分子的振动，从而吸收近红外光，使其由基态向高能级跃迁。根据量子力学理论，分子振动呈现出对不同波长的近红外光的选择性吸收，从而产生近红外光谱［10］。由于不同有机物内基团不同，对近红外光的吸收也不同。在物理和化学环境不同的情况下，相同的基团也会有差异。不同物质的近红外光谱表现出的差异，即表示近红外光谱所反映的有机物结构组成的信息［11-12］。

在近红外光谱分析技术中，光谱测量方式主要有漫反射、透射和透反射3种，如图2所示。

图2 光谱测量方式Fig.2 Spectral measurement mode

对透明的液体样本一般采用透射检测，当样本被一束连续波长的近红外光透过，会选择性吸收不同波长近红外光。当光透过样本后，入射光强度大于透射光，而近红外光强度的衰减程度在不同波长下也会不同。对一特定波长的近红外光，用透射率（T）表示透射光强度（I）与入射光强度（I0）间的比值，则根据比尔-朗伯定理得以下公式：

式中ε——摩尔吸收系数

L——光透过样本时的光程

C——样本中待测组分浓度

某特定波长近红外光的吸光度（Aabs）取透射率T的负对数来表示，可得：

由上可知，每一波长的吸光度不受入射光强度的影响，只与透过液体厚度及待测液体的浓度相关。而在透射光谱测量中，光程恒定，故每一波长近红外光的吸光度只与待测组分的浓度成正比。这是近红外光谱对物质透射定量分析的理论基础［13-14］。

不透明液体或检测固体一般采用近红外漫反射光谱。在漫反射光谱采集过程中，检测器分别接收两个反射信号。一个是直接从物体表面镜面反射回来的光，由于镜面反射未吸收样本内部分子，故不包含样本结构信息。另一个是当射入的光穿过样本时，内部的分子吸收了一部分近红外光，使光的传播方向不断发生变化，最终被检测器接收到的即样本的近红外漫反射光谱。漫反射过程中光与分子相互作用，故漫反射光谱包含样本的结构组成信息［15］。漫反射率R常用于处理近红外漫反射光谱，表示漫反射前后光的强弱。漫反射率R的计算公式为：

式中ε——摩尔吸收系数

S——散射系数

e——与样本组分浓度或性质成正比关系

故当S固定时，近红外光的漫反射率R与样本浓度或性质成正比［16］。如式（4）所示，在近红外漫反射光谱中，对漫反射率R的倒数取对数得到物体对入射光的吸光度（Aref）：

由上可得，若散射系数S不变，则样本对漫反射光的吸光度Aref与样本的组分浓度或性质成比例关系，这是近红外光谱漫反射定量分析的理论基础［17］。

塑料制品被连续频率的近红外光照射时，其内部分子或原子由于吸收光子能量而发生振动或转动，进而引起能级跃迁。基频跃迁、倍频跃迁、合频跃迁是能量跃迁的3种形式。分子吸收一定能量后，由基态进入激发态。在近红外光谱区中，大部分有机物会产生倍频、合频吸收。当不同的化学基团振动发生能级跃迁时，在不同环境下对近红外光的吸收波长和强度会有明显差异，在某段波长范围内会有减弱现象［18］。因此，对经过塑料制品漫反射和透射后形成的近红外光谱进行分析可得到塑料制品的特征信息。

不同种类的塑料高分子材料在近红外光谱区域都具有独特的特征光谱信息，并且可以对添加了不同助剂的相同种类塑料进行精确识别。这为进一步研究废旧汽车塑料的回收利用提供了有价值的参考，包括对老化塑料和掺杂废料的鉴别。通过近红外光谱技术，可以实现对废旧汽车塑料中不同成分和杂质的准确检测和分类，为塑料回收行业的发展和废旧汽车塑料资源化利用提供了有力支持［19-20］。

2 近红外光谱技术的应用

2.1 汽车废旧塑料分选光谱差异

汽车废旧塑料分选的核心过程是塑料图谱的差异分析，研究发现各种塑料特征峰的面积比值能够有效的区分塑料。陈仓等［21］以9种废旧塑料为实验对象，进行红外光谱初步比较后，将样本分为3类，如图3所示。

图3 3类废弃塑料的光谱Fig.3 Spectra of three kinds of waste plastics

9 种废弃塑料中利用光谱峰的位置可以判断出样本1 和8 分别为氯化聚乙烯和聚丙烯，而其他为聚氯乙烯。进一步通过958、1 724、872 cm-1的峰值相对面积及面积比可以区分。结果表明利用光谱差异可以成功区分废旧塑料。在此基础上宋小娇［22］测定了53 个不同汽车的保险杠塑料，结果如图4所示。

图4 53个塑料样本的分类结果Fig.4 Classification results of 53 plastic samples

图4中，别克和雪佛兰（均为上汽通用旗下品牌）样品中滑石粉含量接近，与其他品牌中保险杠的滑石粉含量有差别。上汽大众与东风悦达·起亚、长安铃木等合资厂商生产的汽车，同一厂商不同车型中添加的助剂（滑石粉、碳酸钙）的含量接近；我国自主厂商如北京、吉利等汽车，同厂商不同型号的助剂的含量接近程度低于前者。此结果对不同汽车的保险杠利用特征峰面积比值的差异进行区分。后续，张砾匀［23］对两种塑料材质进行鉴别。利用对比标准塑料图谱的方法，判断出两种塑料是ABS和 PP，如图5所示。

图5 对比标准塑料的谱图Fig.5 Comparison of standard plastic atlas

由结果可知PP 的特征峰出现在 972、1 165、1 376、 2 868 cm-1等波数附近。ABS 的特征峰出现在1 454、1 577、3 000、3 061 cm-1等波数附近。试验利用图谱本质差异成功判断出两种塑料。结果表明，傅里叶红外光谱（ATR）法具有良好的特征性。其样品需求量小，对样品几乎不会造成损害，分析时间短，实验结果可靠、准确等诸多优点。

利用不同塑料的光谱差异进行识别塑料，其核心是扩大差异，再利用计算机算法将差异信息转换为数据差异，建立模型进行输出。其光谱的本质差异可以直观观察到，但是达不到智能识别的水平，因此智能算法对图谱的读取和输出不可或缺。

2.2 塑料材料光谱差异的数学模型分析

塑料材料光谱差异是基于光谱进行直观的计算分析，但是难以挖掘光谱中的微差异，数学模型分析使用计算机作为工具，相对精度较高，计算过程较复杂，常见的数学模型有主成分分析法（PCA），K近邻分析法，神经网络等［24-26］。

主成分分析法是报废车用塑料近红外光谱数据分析所采用方法，旨在将信息损失降到最低，同时将高维的近红外光谱变量空间数据降维。因报废车用塑料近红外吸光度矩阵中存在大量线性相关的数据，故变换原吸光度数据使用等秩变换的方法，替换原吸光度变量为几个新变量（综合变量）。每个综合变量都是原始变量的线性组合，且两两线性无关，称为其主成分。这些主成分尽可能多地保留报废车用塑料近红外光谱原始变量的信息。主成分优越性显著，原线性相关的冗余信息被大量消除，参与运算的数据也大大减少，研究问题变得简单而清晰，有利于揭示物质内部规律，提高分析效率。

其原理是假设有n样本，每个样本有p个波长点的吸光度xij（i表示样本数，j表示波长点数），这些吸光度数据经过归一化、中心化、S-G 平滑和Norris 求导预处理后，构成一个n×p阶的矩阵［27］。

为了简化运算，首先对近红外光谱吸光度矩阵进行线性变化，用新的综合变量代替原始光谱吸光度变量。设向量x1，x2，x3…xp为报废车用塑料近红外漫反射吸收光谱p个波长点的吸光度变量， 向量z1，z2，z3…zm(m≤p) 为新变量， 设：

其中zi与zj(i≠j；i，j=1，2，…，m) 线性无关，z1是x1，x2，x3…xp的任何线性组合中方差最大值，…；zm是与z1，z2，z3…zm-1都不相关 的x1，x2，x3…xp的任何线性组合中方差最大值。 则新变量z1，z2，z3…zm分别称为原变量x1，x2，x3…xp的第1，第2，…，第m主成分。

神经网络是一种由输入层、隐含层、输出层组成的多层前馈神经网络，其网络拓扑图如图6所示。神经网络的特点是信号向前传递，误差向后传播，输入信号进行逐层处理，依次进入输入层、隐含层、输出层；输出层的预测误差超过允许值，便会进行反向传播，根据预测误差调整网络权值和阈值，从而不断缩小误差，直至输出信号满足期望要求，从而得到一组较优的权值和阈值［28］。

图6 神经网络结构Fig.6 Neural network structure

图6 中，x1，x2，…，xn是神经网络的输入信号，y1，y2，…，yn是神经网络的输出信号，wjk为隐含层和输出层的权值，wij为输入层和隐含层之间的权值，ai为隐含层阈值，隐含层每个神经元都有一个阈值，bk为输出层阈值。因此，神经网络可以看成是一个非线性函数，输入层可以看成函数的自变量，输出层看成函数的因变量，神经网络通过训练大量的数据形成输入与输出间的映射关系。对于塑料红外光谱识别可以结合主成分分析法，即输入层节点数为最优主成分数。

K-最近邻算法（K-Nearest Neighbor，KNN）在区分样本的类别时主要通过计量待分类样本与已知类别样本间的距离或相似度的大小来实现［29］，原理如图7所示。

图7 K-近邻算法原理Fig.7 Principle of K-nearest neighbor algorithm

其算法运行的主要过程如图7所示，蓝色方块和红色圆球表示标签数据集A，此时数据A中的所有样本数据都有其独立的分类标签。将未进行标定分类的未知数据集B加入数据集A中进行匹配，KNN算法会根据其规则匹配最接近的标签数据，通过比对新数据样本点与其附近的标签数据的分类情况来判别新数据的分类情况。

基于对上述数学模型的应用，李文环等［30］建立了一个3层的BP 神经网络模型。首先提取了7种常用塑料的光谱特征信息，主成分分析结果如图8所示。主成分前2 个累计贡献率已达88. 375 %，其他累计贡献率达到了94. 367 %，涵盖了其原始光谱的主要信息。

图8 主成分分析结果Fig.8 Results of principal component analysis

由结果可知，PET 和ABS 区分明显，其他塑料区分效果一般。因此，建立神经网络模型，并将前 8 个主成分的特征为BP 神经网络的输入。经实验证明该模型的预测准确率达98.5 %。马枭等［31］在选定对照谱图即共有模式目标后，通过计算各样本谱图与其夹角余弦值和相对相似值，其计算公式为：

其中，A、B是相互独立的测量向量，Ai是向量A的分量，Bi是向量B的分量。利用图谱本的余弦相似度对35 个塑料进行了初步区分，并且利用主成分分析法和Fisher分析法对其结果进行验证，结果如图9所示。

图9 3种模型区分结果Fig.9 Distinguishing results of the three models

由结果可知余弦相似度将塑料分为3类，主成分分析法和Fisher 分析法则分为了4 类。结果表明相似度分析仅仅叠加求和各维度相似度结果，对于图谱波形复杂的塑料并不能起到较好的区分效果，而主成分分析法则适用于塑料图谱区分，且效果较好。

张文杰等［32］比较了一维卷积神经网络（1D CNN）和多元散射处理后支持向量机算法（MSC-SVM）建模的效果和对4 种塑料分选的准确率。结果表明1D CNN 模型准确率为91. 5 %，MSC-SVM 模型准确率为90.8 %。以上研究均表明红外光谱结合数学模型的可行性及准确性。表1 为近年来使用数学模型分析光谱方法的准确率。

表1 数学模型分析光谱方法的准确率Tab.1 Accuracy of spectral analysis by mathematical model

由表可知，主成分分析法的精度达到98 %以上，显著高于其他模型，神经网络结合PCA 的模型准确率在98 %~91 %之间，低于PCA 结合其他算法的模型，其他模型准确率更低。

3 红外光谱塑料分选系统

红外光谱塑料分选系统在国内的应用主要为G系，其包括GI 系、GU 系和GV 系面向不同尺寸塑料的分选，主要结构图如图10所示。

图10 G系红外光谱塑料分选系统结构简图Fig.10 A schematic diagram of the structure of infrared spectrum plastic sorting system

废旧塑料从分选机顶部振动给料斗进入，沿滑槽表面下落进入识别区并穿过观测传感器。CCD 传感器接收塑料透射、反射的光后将其传递至图像识别模块，给予判决信号，控制系统处理后发出信号驱动高速气动喷嘴，将待分选塑料吹到废料槽。其余塑料继续下落至成品槽，从而完成废旧塑料件的分选。对ABS、PET 和PP 材料的分选实物图如图11 所示。

图11 分选实物Fig.11 Sorting of physical objects

4 废旧汽车塑料红外光谱分选关键技术

结合汽车废旧塑料高精度快速分选高精度要求，分选塑料类别、塑料料片上料、光源照射、近红外光谱照相机接收光谱图像、气嘴高速分选等各关键环节对分选精度的影响，汽车废旧塑料高精度快速分选设备开发的技术难点主和取得的解决方案如表2 所示。针对表2中的技术难点和方案进一步分析。

表2 技术难点主和取得的解决方案Tab.2 Main technical difficulties and solutions achieved

4.1 技术难点

（1）构建不同塑料料片高速运动下近红外光谱图库。常见汽车塑料主要有ABS 、PP 、 PE 、 PET 、PS、 PVC 、PC等，不同汽车结构件上采用塑料不同，近红外光谱特征完全不同，限制了废旧汽车塑料件的回收再利用。因此需要建立由近红外光谱仪、衰减全反射附件等构成的高速运动塑料料片检测平台，针对不同废旧汽车塑料件构建近红外谱图库，为后续开发高效、实用的废旧汽车塑料智能分选设备提供识别基准。

（2）近红外光谱微弱信号探测与信号校正方法研究。红外光谱传感器信噪比通常较低，采用窄带滤波片滤波后信号质量会进一步变差，直接用于图像分析会造成很大的差，需要设计专门电路，综合采用斩波稳零技术将信号的漂移及失调电压、电源电压变化、低频噪声等影响减少到最小值，并对微弱进行有效的放大、滤波，实现微弱信号的有效检测。

（3）FPGA 硬件架构下多视角图像校正与识别方法。线阵传感器通常视场角比较大，镜头边缘像差比较难以校正，为了得到较好的像差校正效果，需要牺牲边缘的光照度，相对照度较差，在图像识别之前需要对图像或信号进行校正，单点校正法未考虑背景值和传感器非线性因素，导致不同亮度的物体，中间和边缘亮度仍然有差异。需要采集不同亮度下的均匀物体信号， 采用最小二乘法进行校正，并将校正系数导入FPGA 进行逐个像素校正，可最大程度地降低非线性的影响。

4.2 解决方案及现有技术方案

针对上述技术难点主要的解决方案分为以下3点，每一点解决方案包括了现有技术方案：

4.2.1 组合式低功耗非球面聚光卤素灯光源设计

（1）改进卤素灯光源设计。通常近红外光源为卤素灯光源，其优点是光谱范围宽，可覆盖可见到近红外的全部波段，为可见光和近红外成像复合提供最有利的光源，且价格低廉，为批量化使用提供了条件。但卤素灯光源为发散光源，直接作为照明光源时，能量利用率极低，为提高信噪比，需要增加光源功率，带来的问题是箱体内部温度明显增加，导致电子元器件寿命减少。

已有技术采用长度易扩展的小功率非球面聚光卤素灯光源，发出的热量相对分散，照明均匀性好，亮度高，能够提供足够的照明条件。采用高灵敏度高速线阵传感器组合，避免了运动部件的使用，系统更加稳定。采用TracePro 照明仿真软件，可以仿真各种反射、透射信号，获得为不加聚光装置和增加非球面聚光装置的仿真结果：增加聚光装置后，光源照射到特定的面上为一定宽度的光束，不再是呈发散状态，照明强度提高了5 倍以上。将仿真出的非球面聚光装置结构设计成模具，加工出型材，并对非球面进行镀膜或贴膜的方式制成反光面，最后装上卤素灯进行验证。

（2）组合式多视角光路设计。按照以下原则进行光路设计：光源经过前后玻璃反光或直射无法进入视镜；背景光源无法进入视镜；被光源照亮的区域无法形成杂散光进入视镜；避免可见光和红外光之间的光谱干扰。具体如图12所示。

图12 组合式多视角光路Fig.12 Combined multi-view optical path

4.2.2 非线性最小二乘法多光谱图像校正与识别

（1）收集废旧汽车不同塑料料片样品。测试的废旧汽车不同塑料料片样品包括转向盘、保险杠、暖风管道、转向拄护套、车轮罩、仪表板、装饰件、百叶窗类、挡泥板、灯壳、支架、镜框等，需要直接收集自然形成的样品，不能采用成分添加的方式获取样品， 收集的样品应具有典型代表性，有效样品的数量依据 ASTM E1655规定，应不少于6（k+1）个样品，其中k为特征波长的个数。

（2）不同样品测试。搭建由红外光谱仪、衰减全反射附件等构成的高速运动塑料料片近红外光谱检测平台，采用Bruke的傅里叶变换近红外光谱分析仪采集样品光谱，对样品进行编号，同一样品多点采集光谱， 避免样品局部成分分布不均匀导致光谱测试不全，对采集到的光谱进行预处理，如平滑、均值中心化等。

（3）采用化学计量学方法初选波长。采用方差分析法对样品光谱在各个波长下的方差进行分析，得到波长-标准偏差图，波长的标准偏差越大，携带的信息量越多，结合分子振动转动能级的先验知识，得到优选出的几个波长，最终构建不同废旧汽车塑料料片高速运动下近红外光谱图库。

4.2.3 FPGA硬件架构下高效智能分拣软件开发

（1）汽车废旧塑料分选装备控制系统架构。如图5所示，上位机通过RS422 串口及百兆网连接到接口板，其中串口用于指令收发，网口用于图像传输。接口板作为通信桥梁，实现相机板、光源驱动板、振动器驱动板、喷阀驱动板及指示灯驱动板的通信与控制。接口板通过LVDS 接口将参数分发给前后相机板，设置相机板的增益、最小二乘法校正等，并依据相机板上被识别物料所处的像元位置将前后视对应的指示灯点亮，前后相机板将波形信息和图像信息由LVDS 接口传递给接口板，再由接口板通过百兆网传递给人机交互的上位机，方便自学习样本提取，并在上位机上实现模型训练，训练好的参数由RS422 串口传递给接口板，经LVDS 接口分发到各个相机板，实现快速分选。如果模型不合适，则重新取样本训练得到参数，再次将模型参数传递给相机板，直到分选效果满足要求为止，保存训练参数供以后使用，不用每次训练。图13 为具体控制系统开发过程。

图13 近红外光谱视觉赋能的汽车废旧塑料分选装备控制系统Fig.13 Control system of automotive waste plastic sorting equipment enabled by near-infrared spectrum vision

（2）分选算法软件编程。基于Windows 开发平台开发上位机控制软件控制系统整体运行，实际分选时采集物料近红外数据，采用自学习方法进一步提取有用信息，建立分选模型，得到模型参数，进行在线分选，分选后的塑料物料采用气嘴分选方法进行分类，直到效果满足要求。

（3）基于支持向量机方法分拣模式判别方法研究。通过提取物料的颜色、光谱等特征作为特征向量输入支持向量机分类器中，通过工控机运算训练，得到SVM 二分类模型及参数，工控机通过RS422 接口将训练好的SVM 模型参数下发FPGA，再利用FPGA 平台对物料进行识别。

修改学习模型依据以上判定的结果，结合实际分选的需求不同，判断由自学习训练得到的分选参数是否合理，如果能满足要求，则作为批量分选的参数保存，否则需要重新训练模型参数。

5 结语

如何回收处理汽车废旧塑料并进行再生利用，是塑料行业和汽车行业重点关注环境问题。本文阐述了红外光谱分析技术在废旧汽车塑料分选领域的工作原理和主要应用进展并得出以下结论：（1）废弃塑料光谱差异是实现分选的重要特征，因此扩大差异是提高识别率的关键。经研究发现各种塑料材料特征峰的面积比值能够有效的区分塑料。但是该方法仅仅为识别塑料提供了可行性，无法实现完全智能识别。在此基础上需要结合智能算法实现差异特征转化，从而实现智能识别。（2）在常见的识别模型中，主成分分析法的精度达到98 %以上，显著高于其他模型，神经网络结合PCA的模型准确率在98 %~91 %之间，低于PCA结合其他算法的模型，其他模型准确率更低。（3）结合汽车废旧塑料高精度快速分选高精度要求，分选塑料类别、塑料料片上料、光源照射、近红外光谱照相机接收光谱图像、气嘴高速分选等各关键环节对分选精度的影响。

提出以下几点未来的研究方向：（1）在光源方面首先结合卤素灯光，增加识别特征，其次聚焦光照作用面，提高特征精度，建立多光源协同聚焦光照系统。（2）在识别软件方面扩大废弃塑料光谱数据库，结合图像识别领域技术前沿，优化识别和定位算法。（3）在分离方面，深入流体动力学，研究空气喷吹作用机制，采用CFD模拟和实验的方法优化已有的喷吹系统。