海滩塑料制品检测算法研究

应用深度学习技术提出卷积神经网络(CNN)和Ghost海滩塑料制品检测模型。对于CNN海滩塑料制品检测模型,经仿真设计神经网络层数量为6,测试准确率为0.86;对于Ghost海滩塑料制品检测模型,经仿真设定合理的参数,测试准确率为0.92。在多场景海滩塑料垃圾检测任务中,Ghost凭借线性变换充分利用冗余塑料特征信息,具备较高检测准确率;与传统HOG检测模型相比,CNN和Ghost模型检测准确率分别高于HOG模型11%和17%。     

基于并行子网的塑料光纤通信故障识别模型

应用长短期记忆递归神经网络(LSTM)和卷积神经网络(CNN)设计3个并行子网塑料光纤通信故障识别模型。仿真结果表明:模型3具备更高的故障识别准确率,对塑料光纤控制板故障、电源系统故障、光端机模块故障、尾部纤维故障和单盘故障的识别准确率分别为0.85、0.74、0.82、0.77和0.80,高于模型1和模型2约2%～7%;模型3在500代达到收敛状态,损失值为0.02。研究结果可为当前塑料光纤通信故障的检测识别工作提供一定的参考。     

海关进口塑料废物智能分类识别技术的研究

为减小海关进口塑料识别分类压力,提出了针对智能分类的海关进口塑料废物识别模型。基于深度学习的并行子卷积神经网络设计3个海关进口塑料废物识别模型。经实验仿真可知,在500代训练阶段内,模型1和模型2均达到收敛状态,损失值分别为0.37和0.06;数据集中时间,模型1、模型2和模型3的识别时间分别为30、50和60 min;测试阶段,模型1、模型2和模型3的进口塑料废物识别分类准确率分别为0.70、0.82和0.89。     

基于近红外的Fisher判别法鉴别废塑料

通过对化学计量学方法的分析研究,提出了一种基于近红外光谱的丙烯腈–丁二烯–苯乙烯塑料、聚对苯二甲酸乙二酯、聚氯乙烯、聚丙烯、聚苯乙烯和聚乙烯6种塑料的一次性鉴别模型,为近红外塑料识别软件的二次开发提供有效程序。结果表明,光谱经3次多项式、13窗口S–G最小二乘拟合平滑+sym17函数、分解2层小波分析+主成分分析+特征波长选择+Fisher判别处理,可得5个判别函数式。由这些函数式建立的判别模型可以实现6种塑料的一次性识别,其校正集样本自身验证和交叉验证的识别率分别为100%和84.9%,表明该模型稳定;预测集样本进行模型外部检验的准确率为100%,表明该模型可行。     

基于近红外光谱建立PE、PP和PET的识别分类模型

利用近红外高光谱成像仪在900~1 700 nm的范围采集PE、PP和PET样本的高光谱图像,并进行黑白校正,提取感兴趣区域的反射率光谱数据;利用主成分分析法对提取的数据去噪降维。结果表明,前3个主成分的累计贡献率达98.89%。把前3个主成分的载荷系数对波长作图,得到了6个特征波长;利用特征波长对应的反射率光谱数据进行判别分析,并建立了3种塑料的识别分类模型;用预测样本对模型进行检验,结果显示,预测样本的识别准确率为95.24%,表明该模型可准确有效地对PE、PP和PET进行识别分类。     

基于深度卷积神经网络的塑料垃圾分类研究

针对塑料垃圾识别分类问题,设计标准卷积层、残差卷积层1和残差卷积层2。通过实验仿真验证各卷积层的优势,将其应用于塑料垃圾分类模型的不同部位中。实验表明,塑料垃圾分类模型的分类准确率高于传统的HOG、LBP分类模型约2%～3%,可为塑料垃圾分类工作提供一定的参考。     

决策树算法在塑料分类中的应用

针对塑料分类提出了基于决策树算法的塑料自动分类方法。利用激光照射法快速准确地识别塑料的谱线,得到塑料中元素的成分及其含量;以塑料元素的成分和强度作为特征值,基于决策树算法提出了塑料分类算法,通过熵增最大原理选取特征。通过对塑料样品数据分析,分类算法的准确率达90%以上,最大准确率为95.46%。     

基于深度Inception网络的包装袋检测模型

基于深度Inception网络的包装袋检测模型,设计3个Inception模块,称为Inception1、Inception2和Inception3;设计多个方案开展检测性能研究工作。经仿真分析,方案七包装袋检测模型拥有8个网络层,在第1～3个、第7个网络层应用卷积核尺寸为3×3的标准卷积,在第4～6个网络层依次应用Inception1、Inception2和Inception3模块,获得最佳的检测准确率0.768 4。说明较前网络层的Inception1模块可捕获细致的塑料包装袋纹理特征;Inception2模块应用多尺寸卷积核和平均池化可捕获多样化纹理特征;较末端网络层的Inception3模块可对高度抽象特征进行特征变换和提取。方案七模型检测准确率高于传统HOG模型约12%。     

废杂塑料识别与分选技术的研究进展

塑料制品循环利用对于建设资源节约型社会至关重要,废杂塑料分选是塑料制品高品质循环利用的关键环节。本文介绍了密度分选、浮选、电磁分选、光电分选等废杂塑料识别与分选技术的研究进展,分析了废杂塑料识别与分选目前存在的问题,并对今后的研究方向和产业化应用进行展望。     

加快转型,走科学发展的广东塑料产业之路

<正> 金融危机中的广东塑料产业尽管受金融危机冲击,塑料行业特别是广东塑料产业仍逆市图强,根据中国塑协提供的数据,2009年,全国塑料制品总产量4475万吨,增长10.64%,总产值超万亿元,在10大类塑料制品中,增长超1 0%的有塑料薄膜等7类。广东省塑料制品总产量1052万吨,占全国23.5%,产值达2624亿元,出口交货值787亿元,广东省成为全国塑料制品产量首个超1000万吨省份。除总产量、出口仍据全国省份首位外,10大类塑料制品中;塑料板、片材,塑料管及附件,塑料包装箱及容器,     

塑料产业面临深度调整

1～6月,国内塑料制品累计总产量2640.74万吨,增幅同比下降7.3个百分点。6月当月,国内塑料制品产量526.77万吨,增幅同比下降14.18个百分点。数据表明,我国塑料业增速大幅趋缓,效益全面下滑,行业亏损面加大。塑料行业已经到了调结构、转方式的关键阶段。塑料加工业"十二五"主要发展目标是,塑料制品产量年均增长12%左右,工业总产值年均增长15%左右,利润总额、利税总额年均增长18%左右,进出口贸     

退役汽车塑料材料NIRS识别技术及设备研究

基于近红外塑料识别技术具有操作简单、稳定性好、效率高、环保清洁、成本低等特点,开发了一套退役车用塑料近红外识别试验系统。该系统的硬件部分包括BTC261E阵列型近红外光谱仪、BIP2.0积分球、光纤探头、钨丝灯光源、测试台架等,软件部分包括样品采集单元、模型建立和校正单元、样品检测单元。系统的应用测试结果表明,车用塑料的识别准确率超过95%,满足车用塑料识别的要求,为进一步工业化开发和应用做好了铺垫,同时为开展退役汽车塑料的回收利用奠定了坚实的基础。     

日本积水化工增加在我国的投资

日本积水化工今后5a将在我国投资15亿日元（1．81亿美元）。该公司已经在我国投资建立了10个生产基地，主要产品是塑料管、医用塑料制品及玻璃夹层增强膜。新的投资将主要用来发展高性能塑料（包括生产和应用），涉及的产品有玻璃纤维增强塑料管、PVC塑料枕木、医用聚酯（PET）塑料、汽车用聚丙烯（PP）塑料制品以及其他精细化工产品。     

台州塑料制品产业发展呈强势

近几年 ,素有“塑料制品王国”美誉的浙江省台州市的塑料制品产业得到了迅速发展 ,引起了国内塑料加工业的广泛关注。台州拥有 1万余家塑料相关企业 ,塑料从业人员达 14万人 ,其塑料产业消耗塑料原料 10 0万ｔ/ａ以上 ,销售额突破12 0亿元 /ａ ,占浙江全省的 2 5 %。台州还是塑料制品的重要辐射源 ,塑料企业生产出的产品有 6 3 %销往全国各地和国际市场。塑料制品、机械、模具企业构成了完整的塑料制品产业链 ,成为中国塑料产业密集程度最高的区域之一。近年来 ,台州的产品档次在迅速提高 ,由原来以生产低档次日用塑料制品为主 ,转向以生产…     

基于机器学习的塑料分类回收预测系统

塑料分类回收预测系统主要由垃圾接收装置、垃圾预测分类装置、垃圾压缩装置和垃圾回收储存装置4部分组成,其中垃圾预测分类装置凭借提出的塑料预测分类模型执行塑料分类工作。塑料预测分类模型应用深层次的Inception卷积神经网络,提取高度抽象的关键塑料特征。实验结果表明:塑料分类回收预测系统的预测分类准确率高于传统的预测分类模型约2%。     

基于OPLS-DA提取VIP值的塑料餐盒K-NN拉曼光谱分析

为了实现塑料餐盒这一食品包装材料的拉曼光谱特征提取和模式识别的系列研究,进行有监督的正交偏最小二乘判别分析算法模型的构建,样本在提取出的3个正交新变量上类与类之间明显区分开来。从已构建模型中提取出变量投影重要性局部极大值大于1的29个特征变量进行k值为1的K最近邻算法分类,最终训练集和测试集的分类正确率分别达到了92. 3%和100%,表明包括模型构建、特征提取和模式识别在内的系列方法可有效对塑料餐盒样本进行分类识别。     

废旧冰箱塑料的在线近红外光电识别

废旧冰箱中塑料的无害化回收处理已经成为一个亟待解决的问题,而回收所得到的塑料产品纯度已经成为制约废旧冰箱塑料回收行业发展的重要因素。将近红外光谱分析识别技术应用到在线废旧冰箱塑料的分选识别中,设计并搭建了一整套的分选平台,实现了废旧冰箱塑料主要成分的在线识别。特别针对目前近红外分析技术较难识别的ABS与PS开发了适应的识别算法,对搭建的分选平台进行了废旧冰箱塑料主要成分ABS、PS与PP的识别准确率实验。实验结果表明,近红外光谱分析技术适用于废旧冰箱塑料的在线识别,且准确率可以达到98%以上。     

融合线性和非线性残差的一次性垃圾分类模型

为应对一次性塑料垃圾难检测的问题,应用卷积神经网络提出一次性塑料垃圾分类模型。该模型在预处理阶段模拟手工提取方式捕获线性和非线性残差信息,在残差特征学习阶段通过卷积神经网络融合线性和非线性残差特征。仿真结果表明:线性和非线性残差特征具备较优的分类能力,深层次网络有利于融合各类残差且学习捕获高级语义特征信息,本模型的检测分类准确率为75.84%,优于传统HOG模型约8%。     

基于卷积神经网络特征提取的轻量级包装袋分类模型

为解决塑料包装袋难识别以及难收集问题,应用神经网络提出一个轻量级包装袋分类模型。模型网络分为预处理层、特征提取层和分类层,且在预处理层模拟手工特征提取方式,应用SQUARE 3×3高通滤波器捕获丰富图像纹理特征。经仿真研究模型各层卷积核数量、卷积核尺寸、训练时长、批次样本数对模型的影响,方案6各层卷积核数量、尺寸和批次样本数分别为64、3×3和8,捕获丰富包装袋特征,具备最佳测试分类准确率0.730 5,较适用于实际包装袋分类工作,高于传统HOG模型约13%。实验结果可为当前包装袋识别分类工作提供一定的参考。     

基于计算机视觉塑料成型缺陷多维检测的研究

基于计算机视觉提出塑料成型缺陷多维检测模型,设计可捕获细致多维度缺陷特征的残差模块1和捕获抽象缺陷语义特征的残差模块2,将其依次叠加应用于模型残差网络中;设计改进版的空间金字塔池化,通过5个多尺寸窗口捕获55维塑料特征向量。研究表明:应用图像拼接数据增强方式和单缺陷优化方式可增强模型缺陷检测泛化能力,解决单缺陷检测性能差的问题。塑料成型缺陷多维检测模型对形成气泡缺陷、烧焦缺陷、开裂缺陷、变形缺陷、收缩缺陷和正常状态的检测准确率分别为0.98、0.99、0.99、0.97、0.98和0.98。