趙天健¹,許昊昱²,劉鵬3,*
(1.中國石油大學(華東)計算機科學與技術學院，山東青島 257061; 2.北京物資學院商學院，北京通州區101149; 3.江蘇科技大學經濟管理學院，江蘇鎮江212100)
近年來，我國塑料產品的使用率越來越高。因此，實現廢舊塑料垃圾的高附加值回收利用則成為當前針對塑料產品的一項重要工作。對于廢舊塑料產品的回收而言，關鍵在于高效分離。傳統回收方法，如人工分選、風選及近紅外光譜分選等，往往難以兼顧低成本、高效率、高識別率與低污染。因此，構建基于人工智能技術的垃圾分揀系統，既有助于企業實現廢舊塑料垃圾的快速分離，又能促進其有效回收與再利用。綜上所述，本文旨在設計一種基于人工智能的塑料垃圾分揀系統，期望通過該系統的實施，切實解決塑料垃圾分揀過程中的識別難題、分揀成功率低及成本較高等問題。
塑料垃圾分揀的特征分析
1.1生活垃圾廢舊塑料材料與顏色分析
廢舊塑料材料因其制造過程、應用領域和老化程度的不同，展現出不同的物理和化學特性。例如，聚乙烯 (PE)和聚丙烯(PP)通常呈現為白色或半透明狀，質地相對較軟，常用于包裝和容器制造。聚氯乙烯(PVC)則因其添加的增塑劑不同，可能呈現各種顏色，質地硬而耐用，常用于電線絕緣層和管道制造。聚苯乙烯(PS)則是白色硬質塑料，常用于一次性餐具和包裝材料。聚對苯二甲酸乙二醇酯(PET)則是透明或半透明的硬質塑料，常用于飲料瓶和食品包裝。因此，顏色分析在廢舊塑料的分揀過程中發揮著重要的作用。但是由于不同種類的塑料材料可能呈現相似的顏色，單純依靠顏色來區分塑料種類是不可靠的。然而，顏色分析可以作為輔助手段，幫助在分揀過程中進行初步篩選，縮小可能的塑料種類范圍，提高分揀效率。
隨著科技的發展，先進的顏色分析技術如光譜分析和圖像處理技術被廣泛應用于廢舊塑料的分揀中。這些技術可以通過分析塑料樣品的反射光譜或透射光譜，獲取塑料的顏色、透明度和光澤度等信息，進而推斷出塑料的種類。此外，圖像處理技術還可以對塑料垃圾進行自動識別和分類，大大提高分揀的準確性和效率。
1.2塑料垃圾分揀難點分析
隨著近年來塑料制品使用量的逐年增加。塑料垃圾的處理和回收問題成了一個亟待解決的環保難題。在塑料垃圾分揀過程中，主要面臨以下三個難點。一是塑料材料種類繁多，顏色、形態各異，難以通過傳統的分揀方法進行有效識別。我國塑料制品種類繁多，包括聚乙烯、聚丙烯、聚氯乙烯等，它們的外觀和物理性質差異不大，僅憑肉眼觀察和手工分揀很難將其區分開來。這不僅增加了分揀的難度，也對分揀設備提出了更高的要求。二是塑料垃圾中往往混有大量的其他雜質，如金屬、紙張、玻璃等，這些雜質的存在嚴重影響了塑料垃圾的分揀效果。這些雜質與其他可回收的塑料垃圾混合在一起，降低了塑料垃圾的回收利用率，同時也增加了分揀過程的復雜性。三是傳統的分揀方法在處理大量塑料垃圾時，效率低下，成本高昂，且容易對環境造成污染。傳統的分揀方法主要依靠人工進行，這種方法不僅耗時耗力，而且容易產生二次污染。此外，由于塑料垃圾的種類繁多，分揀過程中需要使用多種化學試劑進行鑒別，這無疑增加了分揀成本和對環境的污染。
1.3基于人工智能的塑料垃圾分揀優勢
基于人工智能技術的塑料垃圾分揀系統，能夠通過機器學習、深度學習等方法，對塑料垃圾進行智能識別、分類和分揀。與傳統的分揀方法相比，人工智能分揀系統具有以下優勢：一是識別準確率高，能夠準確識別各種形態、顏色、材質的塑料垃圾；二是分揀速度快，能夠處理大量的塑料垃圾，提高分揀效率；三是分揀成本低，能夠降低人工成本和設備成本，提高企業的經濟效益；四是環保性能好，能夠減少分揀過程中對環境的影響，實現綠色、環保的分揀目標。
綜合而言，基于人工智能技術的塑料垃圾分揀系統具有顯著的優勢和應用前景。通過該系統的構建和應用，可以有效解決傳統塑料垃圾分揀過程中的問題，提高廢舊塑料垃圾的回收利用率，實現資源的有效再利用。同時，該系統的推廣和應用，還可以促進環保產業的發展，推動循環經濟的發展，實現經濟、社會、環境的協調發展
2塑料垃圾分揀系統設計
2.1塑料垃圾分揀系統的視覺模塊設計
在分揀系統中，視覺模塊分析作為施行分揀工作的第一步驟，需要著重關注。其中，相機的選擇又是視覺模塊的重中之重。在該系統中，相機的作用主要是用于圖像采集，相較于普通相機，工業相機的適用性、成像程度、幀率、數據傳輸能力等諸多方面都體現出了較好的優勢。因此，針對塑料垃圾的分揀系統，在硬件方面需選擇合適的工業相機。
算法方面，第一步驟要關注的是相機對目標物的標定。在這個過程中，相機需要實現由相機標定坐標系向世界坐標系的轉化。相機標定坐標系主要包括像坐標系和像素坐標系。為了實現這一轉化，需要依據相似關系原理以及圖像與現實世界的映射關系。首先進行樣本圖像的采集工作，即在不同的光照、角度和距離條件下，對目標物進行圖像采集。此后進行特征點的提取，即從采集的圖像中提取特征點，如角點、邊緣點等。基于所采集的信息，通過最小二乘法等方法，計算相機的內部參數，如焦距、主點坐標等。同時利用世界坐標系中的標定物和對應的圖像特征點，求解相機的外部參數，如旋轉矩陣和平移向量。最終實現相機對目標物的標定。
解決了相機標定問題后，需要進一步處理相機成像的畸變問題。相機成像畸變主要包括徑向畸變和切向畸變。其中，徑向畸變是由于鏡頭的非線性導致的，可以通過泰勒級數展開式進行矯正。切向畸變則主要源于相機在成像過程中的非線性變換，可以通過明確切向畸變系數進行矯正，即通過標定過程，求解出切向畸變系數，此后根據系數和圖像中的像素坐標，計算出矯正后的像坐標。
由此，塑料垃圾分揀系統的視覺部分模塊設計完畢，后續進一步針對塑料垃圾開展檢測與識別工作，以此提升塑料垃圾的分揀效率。
2.2塑料垃圾分揀系統的檢測算法設計
在塑料垃圾分揀系統當中，目標檢測算法是保證該系統高效運轉的關鍵所在。基于前序視覺部分模塊的設計，應對到檢測算法中，進一步落實塑料垃圾目標物的位置識別。卷積神經網絡通常用于處理圖像和聲音數據，卷積神經網絡的關鍵在于卷積層，其主要通過卷積的方式實現圖像局部特征的提取。因此，結合塑料垃圾視覺部分模塊的建設，卷積神經網絡能夠較好地適配塑料垃圾分揀的需求。
YOLOv4-tiny目標定位算法是目前針對目標模型尺寸小的一種較好算法。針對塑料垃圾而言，塑料廢品體積小、形狀特征明顯、顏色清晰，能夠較好與YOLOv4-tiny目標定位算法適配。運用算法的第一步是建立良好的數據集，因此需要根據塑料垃圾的基本情況，可按照顏色、材質等特性對數據集進行編碼，以此構建VOC數據集。此后，在構建數據集的基礎上劃分測試集與訓練集。進而需要明確訓練過程中的相關指標。針對塑料垃圾的特性以及塑料垃圾分揀的需求，位置識別算法重點關注準確率、召回率、平均精度以及平均精度均值。在明確上述四個指標的基礎上，進一步開展訓練結果分析。一般情況下，為了使YOLOv4-tiny目標定位算法的準確度更高，主要采用的是小批量隨機梯度下降的方法開展數據訓練工作。
PaddleClas作為飛槳框架下的圖像分類工具集，不僅為開發者們提供了強大的功能支持，還以其高效、穩定、易用的特性贏得了廣泛的贊譽。該工具集的設計理念源于對圖像分類任務的深度理解和高效處理，從而實現各種復雜的圖像分類任務。在數據集處理方面，PaddleClas提供了豐富的數據預處理和增強功能，幫助用戶快速構建適用于不同圖像分類任務的數據集。用戶可以根據塑料垃圾的特性，自定義數據預處理流程，從而得到更加符合實際應用的訓練數據。同時，PaddleClas還支持多種數據格式，如圖像文件、標注文件等，為用戶提供了極大的靈活性。在模型訓練方面，PaddleClas提供了多種經典和前沿的圖像分類模型，如ResNet、VGG、MobileNet等。用戶可以根據自己的需求選擇合適的模型進行訓練，并可以通過調整模型參數和超參數來優化模型性能。此外，PaddleClas還支持分布式訓練，可以充分利用多臺機器的計算資源，提高訓練速度和效率。在模型評估和預測方面，PaddleClas提供了豐富的評估指標和可視化工具，幫助用戶全面評估模型性能。用戶可以通過對比不同模型的評估結果，選擇最優的模型進行部署。
總體來說，PaddleClas作為一款功能強大的圖像分類工具集，為塑料垃圾分揀系統的目標檢測算法提供了有力的支持。通過利用PaddleClas的數據處理、模型訓練和評估等功能，可以更加高效地完成塑料垃圾的位置識別任務。同時，結合YOLOv4-tiny目標定位算法，可以進一步提高位置識別的準確度和效率，從而實現塑料垃圾分揀系統的高效運轉。
3結語
塑料垃圾的處理和回收利用是一項關乎環境保護和可持續發展的重大課題。基于人工智能技術的塑料垃圾分揀系統，正是為了解決這一難題而誕生的。該系統通過視覺模塊和檢測算法的設計，對塑料垃圾進行精確識別和分類，從而大大提高了廢舊塑料的回收利用率，降低了環境污染風險，為我國環保事業和經濟社會的可持續發展做出了積極貢獻。而且隨著人工智能技術的不斷進步和應用場景的拓展，我們有理由相信，該系統的性能和應用范圍也將得到進一步提升和拓展。未來，基于人工智能技術的塑料垃圾分揀系統不僅將在我國得到廣泛應用，還將有望走向世界，為全球范圍內的塑料垃圾處理提供智能化解決方案。然而，當前基于人工智能技術的塑料垃圾分揀系統在實際應用中仍面臨一些挑戰。例如，視覺模塊和檢測算法的精確度、系統的穩定性和效率等方面仍有待提高。為此，我國政府和相關企業應加大投入，支持人工智能技術在塑料垃圾分揀領域的研發和創新，推動其性能的持續提升。
玻纖含量對長玻纖...
鈣鈦礦薄膜的均勻...
用于光伏板靜電除...
聚砜醫療干粉吸入...
