一种新的基于回收标签的塑料垃圾分类方案外文翻译资料

 2022-04-01 10:04

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

一种新的基于回收标签的塑料垃圾分类方案

关键字

分类、特征提取、多数表决、塑料垃圾、矢量机器支持

摘要

由于材料的回收是广泛的被认为利于环境和经济，所以对于高效回收来说可靠的分类和处理像塑料这样的废弃包装是很重要的。在高生产量的形式下，一个能快速分类出这些材料的自动系统被需要用来获得最大限度的分类。

在本文中，首先，被采集的塑料瓶照片已经过图片预处理。第一个处理步骤是从背景中提取出瓶子的塑料区域，然后一张形态学的图片就完成了。这些操作称为边缘检测、噪声消除、取出孔、图像增强、图像分割。这些形态学的操作可以用侵蚀和分化的结合来定义。瓶子的颜色和标签也能用这些方法消除。在此研究中，利用图像中最受欢迎的子空间和统计特征提取方法，将塑料瓶图像的像素值与最受欢迎的子空间和统计特征提取方法结合在一起。只有三种塑料被考虑因为他们的存在率远高于其他的种类。决策机器由5个不同的特征提取方法组成 ，包括：主要成分分析（PCA）、费希尔线性判别式分析（KPCA）、克马尔PCA、单值解析（SVD）、拉普拉斯特征映射（LEMAP），机器使用了一种简单的实验性装置——一个摄像头和同质的背光。在给定的总体分类方案的解决方法下，支持向量机（svm）是被选择来完成这个任务，并且多数表决机制野用在了这个决策机器上。这个技术给每个分类结果同等的加权，并将给定的塑料对象分配给分类结果最一致的类。这个被倡导的分类方案能提供高的精确率，他也能被应用在实时软件中。他能在大约90%的准确率下自动分类塑料瓶，除此之外，这个被提议的方案能有大约96%的准确率在识别PET和非PET材质。他也能贡献92%的准确率在分类非PET和HPDE或PP材质。

  1. 简介

塑料制品已经成为我们日常生活中不可分割的一部分，因为我们大部分的物品都是由各种塑料制作的。 他们有着特殊的重要性，因为他们花费更少、难降解、低密度、高的使用自由度和强度。然而塑料的生物降解过程是缓慢的，因为目前使用的塑料是用不可再生的化石资源合成的。因此，废弃塑料应该被回收来降低这些影响。

由于有50多种不同种类的塑料制品，美国塑料工业协会开发了一种标准的标记代码，以帮助消费者识别和分类主要的塑料种类;所以分类的分类很容易。塑料制品被贴上标签和被分为聚类（PET）、高密度聚乙烯（HDPE）、低密度聚乙烯（LDPE）、乙烯/聚氯乙烯（PVC）、聚丙烯（PP）、聚苯乙烯（PS）和其他（其它塑料制品）。在美国塑料瓶市场中使用的这些塑料瓶的比例超过96%（96.4%），主要聚类和高密度聚乙烯瓶。更多的是，使用PP和LDPE的比例为1.9%和0.84%。PET和LDPE瓶子也是回收瓶子的主要材质。

在材料回收设备上对塑料垃圾的分类可以机器或人工来完成。在人工系统中，工人们在一个传送带上从外表上鉴别和分类塑料瓶。自动系统通过一些检测方法分析一个或多个塑料垃圾的属性来对他们进行分类。一些重要的因素，例如成本，会影响一个特定设备的自动分类系统的实现。Serranti等人检查了高光谱成像和拉曼光谱分析聚丙烯和聚乙烯的分离。作者指出，在HSI上应用PCA的平均光谱信号的准确率为77.98%。分类系统的设计关键在于其输入的塑料质量。此外，多种塑料类型的混合物需要更详细的分类方法，Serranti等人根据他们的类型分类，使用高光谱灵敏度和特异性，范围从0.90到0.99。PCA和部分最小二乘判别分析用于降维和分类，此外，不同尺寸的塑料在不同方向的分类区，形状也会使自动分类的问题复杂化。除了塑料瓶的不同形状，不同大小和颜色的标签也让分类更具有挑战性。因此，他被要求具有一个复杂和智能的算法来客服这些困难和不管标签颜色、形状、方向都能进行分类。最普遍的塑料瓶分类方法是摩擦点分离法、密度分类法、水力力旋流器、高光谱图像、速度加速技术。

最近，针对自动塑料分类系统，已经提出了多种识别方法，并进行了商业化。洛菲和赫尔开发了一种利用模糊规则的系统识别塑料类型的算法。他们主张用材料的超声波的高频成分识别出材料的类型，帕克等人使用电荷极性和电荷与质量的比来值对塑料类型进行分类。Tsuchida等人用拉曼光谱分析了碎塑料，在拉曼光谱中，每一个峰值都能观察到分子的振动，从而提供有关分子结构的信息，并相应地识别出塑料类型。由于预处理的数据集提供了许多峰值，所以这种方法在预处理数据时更有效。Ramli等人使用两种不同的算法进行特征提取和线性判别分析（LDA）分类，将塑料瓶分为PET和非PET。在第一个特征提取算法中，实现了图像强度直方图的平均白像素值的计算方法。在第二种算法中，将图像分割成五个区域的分割区域（ROI）算法被执行。在这两种算法中，它们的准确率都超过了80%，而分段ROI的识别率比边界框图像算法略高。像这项研究一样，shahbudet等人把塑料瓶子归类为PET和非PET塑料，使用支持向量机（SVM），准确率达到97.3%。卢西尼等人通过近红外光谱成像确认了PVC、聚乙烯和橡胶。Ulrici等人的分类出PET和聚乳酸的效率超过98%。速瓦利等人提出了一个分两阶段的分类方案来分类塑料瓶。在第一阶段，利用近红外成像（NIR）进行特征提取，利用线性、二次和二次分类分类器进行分类;塑料瓶的分类准确率为94.1%。在第二阶段，他们使用CCD摄像机对瓶子进行分类，分别对透明和不透明的瓶子分别进行了92%和96%的分类。他们成功地获得了整个系统83.5%的识别率。

尽管许多的方法被提出，但主要的核心科技还是发展的十分缓慢，而且大多数都涉及昂贵且复杂的设备。当人们考虑选择废弃塑料瓶分离系统时，应该考虑成本和速度的问题。近红外图像系统又昂贵又慢，作为另一种类型的塑料垃圾分离系统，摩擦电分离是不具有成本效益的。

由于不仅成本和速度方面的原因，我们的决策机制使用一个简单的网络摄像机和同质的背光，并执行5种不同的特征提取方法，如主成分分析（PCA）、克马尔PCA（KPCA），Fisher线性判别分析（FLDA），奇异值分解（SVD）和Laplacian特征映射（LEMAP）。尽管传统的分类方法一般应用于经验风险的最小化，但基于SVM的分类器是为了最小化结构的错误分类风险。因此，选择SVM来完成分类任务。最后，对五种不同特征提取方法的识别结果进行了多数表决。在此方案中，结合5种特征提取方法得到的输出结果，得到了最具投票效果的塑料瓶类型。本文的其余部分将在第二部分中介绍构建的实验设置，并在第三部分简要介绍所有特征提取和分类方法。第四部分给出了这个研究的详细结果，而最后一部分包含了所有的结论。

  1. 试验设备和预处理

一个带有摄像头和同质背光的试验台是被搭建来采集塑料瓶的照片。试验台的清晰照片如图fig.1。在这个平台中，分类的能力是750KG/h，分类带的速度是0.25m/s，塑料瓶底部的大小限制不重要，因为我们的研究在特征提取之前有一个分割过程。尽管传送带周围被照的很亮，在现实中，传送带的内部部分预计将是黑暗的。人们还认为塑料瓶的图像会清晰地呈现出来。一旦图像被捕获，排序过程就会自动被激活。它的品牌是A4Tech，它被放置在传送带的一边，以便拍照。

Fig 1

在塑料瓶的图像被采集后，几个预处理流程就会启动。这些步骤由fig.2的一些图片来说明。第一步是从背景中提取出瓶子的塑料部分，有许多利用自夸级联（维奥拉和琼斯，2001）、梯度直方图（Dalal和触发，2005）、移位不变特征变换（劳、2004）等二维强图像提取对象的各种对象检测算法。然而，我们采用了一种简单而有效的方法，从它的背景中提取出瓶子的塑料区域。首先，由Otsu的阈值方法确定了塑料图像的位置，该方法选择了一个阈值来最小化瘦类方差（Otsu，1975）。对于阈值选择标准的最大差异，可以得到同样的结果。在Fig.2.d中，图像的位置由奥特苏的阈值方法识别。将图像从背景中扣除，并对所获得的灰度图像进行开闭图像处理，使图像从背景中分离出来。形态学图像算子对二叉图像的分析特别有用，其常用的方法包括边缘检测、噪声去除、前背景下的孔移除、图像增强和图像分割。这些数学形态学运算符可以被定义为侵蚀和扩张的组合。膨胀是用来放大前景和缩小背景的。侵蚀算子被应用为一个反向的膨胀的例子。在这项研究中，细节和冗余（图2（d）的右侧部分被形态的开口过滤（被侵蚀后的侵蚀）（图2（e））。然后，在图2（e）的图像上执行一个闭合操作（放大后的扩张），以获得塑料图像的面积。因此，利用所提到的形态学算子来提取塑料的面积（图2（f））。

Fig 2

  1. 方法和处理方式
    1. 特征提取

特征提取是许多模式识别问题中的一个重要的预处理步骤。一个有利的特征提取的目的是在一个低维度空间中表示数据，并具有最大的区别性特征。在本研究中，PCA、KPCA、FLDA、SVD和LEMAP被用于特征提取。下面将详细解释这些技术。

      1. 主要成分分析

PCA是一种线性技术，用于减少数据或分类目的，并由皮尔逊（1901）和霍特林（1933）开发。这种技术依赖于与最大特征值对应的特征向量是数据的主要成分。这些主要组件被用作数据的特征向量。因此，通过将数据投射到这些主要组件上，可以在低维度空间中表示数据，而不会丢失大量信息。

PCA的实现步骤：

  1. 计算数据库中所有数据向量的平均值
  2. 减去平均值使数据库标准化
  3. 计算标准化数据库的协方差矩阵
  4. 计算协方差矩阵的特征值和特征向量
  5. 选择m特征向量（主分量）对应于m最大的特征值。
  6. 将所有的数据矢量投影到特征向量上，使用主分量来表示m维空间中的数据向量。
      1. 克马尔PCA

克马尔PCA是一种由schlkopf等人提出的特性提取的PCA的非线性形式，这里的非线性指的是将原始数据集映射为一个不同的空间，通过一个称为克马尔函数的非线性变换。常用的克马尔函数是多项式和高斯函数。然后，KPCA对PCA也有同样的过程。同样重要的是，映射的数据向量满足零均值条件，就像在PCA中一样。此外，计算了协方差矩阵的特征值和特征向量。接下来是投影步骤，数据在像PCA这样的m维空间中表示。由于考虑到非线性关系，KPCA改善了PCA的数据表示能力。

      1. 费舍尔的线性判别分析

FLDA是由Fisher（1936）开发的一种著名的特征提取技术。FLDA将数据转换为一个低维度空间，它可以最大程度地在类间可分离性，同时最小化数据的内类变化。函数的最大值是由FLDA在方程式(1)中给出

(1)

w表示线性无关的向量，使成本函数J（w）最大化，而SB和Sw则分别是类和中类离散矩阵.是在两个类之间的转换。在两个类的数据中，如果Si是第i类ci的协方差矩阵，那么它就会被计算出来。

S=

是第i类的均值，为了使成本函数最大化，J（w），特征值和特征向量被用来计算广义特征向量问题。

然后，m特征向量对应于m最大的特征值。

如果m最大特征值的和等于所有特征值之和的90%，那么可以找到最具代表性的w向量。

数字m可以通过这个关系来确定。

最后，所有的数据向量都可以在m维空间中表示，通过将数据向量投射到m个特征向量上，对应于m的最大特征值。

      1. 单值解析

一个数据矩阵X的SVD是一个因子分解X到X=U D VT，其中U和V分别是正交的和单一的矩阵，D是单一值的对角矩阵。每个在D中单一值都对应于从U矩阵中的一列、V矩阵的一行获得的二维图像。在特征提取中使用SVD，图像的表示就可以用更少的单值。为了不损失在数据集中信息，M单向量与最大的单值对应。因此，通过将这些数据映射到单向量上，数据在m维度的空间表示，而不是在被原始数据所决定的巨大空间。

      1. 拉普拉斯特征映射

拉普拉斯特征映射是由Belkin和Niyogi提出的一种基于降维技术的非线性的曲线图。它首先构造一个图像数据的邻接图，通过连接任意两个像素i和j，如果向量，xi和xj之间的欧氏距离是邻近的。

“邻近”这个术语可以用三种不同的方式来确定：

  1. -邻域：像素i和j被假定为接近，如果它们的欧氏距离差异的平方小于一个预定义的实数。这可以用Eq（6）来表示。
  2. n的最邻域：如果i和j相邻，我和j就会被认为是接近的，反之亦然。
  3. 与n最邻域相邻的邻域：如果他们的欧氏距离差异的平方小于一个预定义的实数，那么i和j的距离就会被认为是接近的，而i是n最近的j的邻居之一，反之亦然。加权的邻接矩阵W是由加权边组成的，这些边可能有simple-minded或Heat Kernel的权重。在i和j（Wij）之间的边缘的simple-minded和Heat Kernel权重是在Eq（7）和Eq（8）中形成的。

最后，特征值和特征向量就可以被用来计算普遍的特征向量问题：

D，W的对角度矩阵，由W的列（或行）组成，L是Laplacian矩阵。

最后，省略了与最小特征值对应的特征向量，并选择了与最小的非零特征值对应的m特征向量。在此研究中，加权邻接矩阵是根据与热核权值相邻的邻域来构造的。术语 ∊2、sigma;2和m分别被选为250、5和17。

    1. 分类器：支持向量机

      全文共15882字，剩余内容已隐藏，支付完成后下载完整资料

      资料编号：[14698]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章