拉曼光谱结合深度学习算法的塑料分类的研究

摘要

拉曼光谱法能识别塑料制品光谱特征峰,但操作流程繁琐且准确率有待提升,对此提出了基于一维卷积神经网络(one-dimensional convolution neural network,1-D CNN)的塑料制品分类算法,首先建立以聚乙烯(polyethylene,PE)、聚丙烯(polypropylene,PP)、聚对苯二甲酸乙二醇酯(polyethylene terephthalate,PET)和聚苯乙烯(polystyrene,PS)为原材料的40种塑料包装样本数据集;然后设计1-D CNN、K近邻(KNN)、决策树(DT)和支持向量机(SVM)4种算法模型进行训练,并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明,1-D CNN在不经过预处理条件下分类准确率达到98.62%,且在60 dB噪声下仍有96.42%的准确率,优于另外3种传统机器学习算法模型。该结果证实,拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。