赵天健¹,许昊昱²,刘鹏3,*
(1.中国石油大学(华东)计算机科学与技术学院,山东青岛 257061; 2.北京物资学院商学院,北京通州区101149; 3.江苏科技大学经济管理学院,江苏镇江212100)
近年来,我国塑料产品的使用率越来越高。因此,实现废旧塑料垃圾的高附加值回收利用则成为当前针对塑料产品的一项重要工作。对于废旧塑料产品的回收而言,关键在于高效分离。传统回收方法,如人工分选、风选及近红外光谱分选等,往往难以兼顾低成本、高效率、高识别率与低污染。因此,构建基于人工智能技术的垃圾分拣系统,既有助于企业实现废旧塑料垃圾的快速分离,又能促进其有效回收与再利用。综上所述,本文旨在设计一种基于人工智能的塑料垃圾分拣系统,期望通过该系统的实施,切实解决塑料垃圾分拣过程中的识别难题、分拣成功率低及成本较高等问题。
塑料垃圾分拣的特征分析
1.1生活垃圾废旧塑料材料与颜色分析
废旧塑料材料因其制造过程、应用领域和老化程度的不同,展现出不同的物理和化学特性。例如,聚乙烯 (PE)和聚丙烯(PP)通常呈现为白色或半透明状,质地相对较软,常用于包装和容器制造。聚氯乙烯(PVC)则因其添加的增塑剂不同,可能呈现各种颜色,质地硬而耐用,常用于电线绝缘层和管道制造。聚苯乙烯(PS)则是白色硬质塑料,常用于一次性餐具和包装材料。聚对苯二甲酸乙二醇酯(PET)则是透明或半透明的硬质塑料,常用于饮料瓶和食品包装。因此,颜色分析在废旧塑料的分拣过程中发挥着重要的作用。但是由于不同种类的塑料材料可能呈现相似的颜色,单纯依靠颜色来区分塑料种类是不可靠的。然而,颜色分析可以作为辅助手段,帮助在分拣过程中进行初步筛选,缩小可能的塑料种类范围,提高分拣效率。
随着科技的发展,先进的颜色分析技术如光谱分析和图像处理技术被广泛应用于废旧塑料的分拣中。这些技术可以通过分析塑料样品的反射光谱或透射光谱,获取塑料的颜色、透明度和光泽度等信息,进而推断出塑料的种类。此外,图像处理技术还可以对塑料垃圾进行自动识别和分类,大大提高分拣的准确性和效率。
1.2塑料垃圾分拣难点分析
随着近年来塑料制品使用量的逐年增加。塑料垃圾的处理和回收问题成了一个亟待解决的环保难题。在塑料垃圾分拣过程中,主要面临以下三个难点。一是塑料材料种类繁多,颜色、形态各异,难以通过传统的分拣方法进行有效识别。我国塑料制品种类繁多,包括聚乙烯、聚丙烯、聚氯乙烯等,它们的外观和物理性质差异不大,仅凭肉眼观察和手工分拣很难将其区分开来。这不仅增加了分拣的难度,也对分拣设备提出了更高的要求。二是塑料垃圾中往往混有大量的其他杂质,如金属、纸张、玻璃等,这些杂质的存在严重影响了塑料垃圾的分拣效果。这些杂质与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,同时也增加了分拣过程的复杂性。三是传统的分拣方法在处理大量塑料垃圾时,效率低下,成本高昂,且容易对环境造成污染。传统的分拣方法主要依靠人工进行,这种方法不仅耗时耗力,而且容易产生二次污染。此外,由于塑料垃圾的种类繁多,分拣过程中需要使用多种化学试剂进行鉴别,这无疑增加了分拣成本和对环境的污染。
1.3基于人工智能的塑料垃圾分拣优势
基于人工智能技术的塑料垃圾分拣系统,能够通过机器学习、深度学习等方法,对塑料垃圾进行智能识别、分类和分拣。与传统的分拣方法相比,人工智能分拣系统具有以下优势:一是识别准确率高,能够准确识别各种形态、颜色、材质的塑料垃圾;二是分拣速度快,能够处理大量的塑料垃圾,提高分拣效率;三是分拣成本低,能够降低人工成本和设备成本,提高企业的经济效益;四是环保性能好,能够减少分拣过程中对环境的影响,实现绿色、环保的分拣目标。
综合而言,基于人工智能技术的塑料垃圾分拣系统具有显著的优势和应用前景。通过该系统的构建和应用,可以有效解决传统塑料垃圾分拣过程中的问题,提高废旧塑料垃圾的回收利用率,实现资源的有效再利用。同时,该系统的推广和应用,还可以促进环保产业的发展,推动循环经济的发展,实现经济、社会、环境的协调发展
2塑料垃圾分拣系统设计
2.1塑料垃圾分拣系统的视觉模块设计
在分拣系统中,视觉模块分析作为施行分拣工作的第一步骤,需要着重关注。其中,相机的选择又是视觉模块的重中之重。在该系统中,相机的作用主要是用于图像采集,相较于普通相机,工业相机的适用性、成像程度、帧率、数据传输能力等诸多方面都体现出了较好的优势。因此,针对塑料垃圾的分拣系统,在硬件方面需选择合适的工业相机。
算法方面,第一步骤要关注的是相机对目标物的标定。在这个过程中,相机需要实现由相机标定坐标系向世界坐标系的转化。相机标定坐标系主要包括像坐标系和像素坐标系。为了实现这一转化,需要依据相似关系原理以及图像与现实世界的映射关系。首先进行样本图像的采集工作,即在不同的光照、角度和距离条件下,对目标物进行图像采集。此后进行特征点的提取,即从采集的图像中提取特征点,如角点、边缘点等。基于所采集的信息,通过最小二乘法等方法,计算相机的内部参数,如焦距、主点坐标等。同时利用世界坐标系中的标定物和对应的图像特征点,求解相机的外部参数,如旋转矩阵和平移向量。最终实现相机对目标物的标定。
解决了相机标定问题后,需要进一步处理相机成像的畸变问题。相机成像畸变主要包括径向畸变和切向畸变。其中,径向畸变是由于镜头的非线性导致的,可以通过泰勒级数展开式进行矫正。切向畸变则主要源于相机在成像过程中的非线性变换,可以通过明确切向畸变系数进行矫正,即通过标定过程,求解出切向畸变系数,此后根据系数和图像中的像素坐标,计算出矫正后的像坐标。
由此,塑料垃圾分拣系统的视觉部分模块设计完毕,后续进一步针对塑料垃圾开展检测与识别工作,以此提升塑料垃圾的分拣效率。
2.2塑料垃圾分拣系统的检测算法设计
在塑料垃圾分拣系统当中,目标检测算法是保证该系统高效运转的关键所在。基于前序视觉部分模块的设计,应对到检测算法中,进一步落实塑料垃圾目标物的位置识别。卷积神经网络通常用于处理图像和声音数据,卷积神经网络的关键在于卷积层,其主要通过卷积的方式实现图像局部特征的提取。因此,结合塑料垃圾视觉部分模块的建设,卷积神经网络能够较好地适配塑料垃圾分拣的需求。
YOLOv4-tiny目标定位算法是目前针对目标模型尺寸小的一种较好算法。针对塑料垃圾而言,塑料废品体积小、形状特征明显、颜色清晰,能够较好与YOLOv4-tiny目标定位算法适配。运用算法的第一步是建立良好的数据集,因此需要根据塑料垃圾的基本情况,可按照颜色、材质等特性对数据集进行编码,以此构建VOC数据集。此后,在构建数据集的基础上划分测试集与训练集。进而需要明确训练过程中的相关指标。针对塑料垃圾的特性以及塑料垃圾分拣的需求,位置识别算法重点关注准确率、召回率、平均精度以及平均精度均值。在明确上述四个指标的基础上,进一步开展训练结果分析。一般情况下,为了使YOLOv4-tiny目标定位算法的准确度更高,主要采用的是小批量随机梯度下降的方法开展数据训练工作。
PaddleClas作为飞桨框架下的图像分类工具集,不仅为开发者们提供了强大的功能支持,还以其高效、稳定、易用的特性赢得了广泛的赞誉。该工具集的设计理念源于对图像分类任务的深度理解和高效处理,从而实现各种复杂的图像分类任务。在数据集处理方面,PaddleClas提供了丰富的数据预处理和增强功能,帮助用户快速构建适用于不同图像分类任务的数据集。用户可以根据塑料垃圾的特性,自定义数据预处理流程,从而得到更加符合实际应用的训练数据。同时,PaddleClas还支持多种数据格式,如图像文件、标注文件等,为用户提供了极大的灵活性。在模型训练方面,PaddleClas提供了多种经典和前沿的图像分类模型,如ResNet、VGG、MobileNet等。用户可以根据自己的需求选择合适的模型进行训练,并可以通过调整模型参数和超参数来优化模型性能。此外,PaddleClas还支持分布式训练,可以充分利用多台机器的计算资源,提高训练速度和效率。在模型评估和预测方面,PaddleClas提供了丰富的评估指标和可视化工具,帮助用户全面评估模型性能。用户可以通过对比不同模型的评估结果,选择最优的模型进行部署。
总体来说,PaddleClas作为一款功能强大的图像分类工具集,为塑料垃圾分拣系统的目标检测算法提供了有力的支持。通过利用PaddleClas的数据处理、模型训练和评估等功能,可以更加高效地完成塑料垃圾的位置识别任务。同时,结合YOLOv4-tiny目标定位算法,可以进一步提高位置识别的准确度和效率,从而实现塑料垃圾分拣系统的高效运转。
3结语
塑料垃圾的处理和回收利用是一项关乎环境保护和可持续发展的重大课题。基于人工智能技术的塑料垃圾分拣系统,正是为了解决这一难题而诞生的。该系统通过视觉模块和检测算法的设计,对塑料垃圾进行精确识别和分类,从而大大提高了废旧塑料的回收利用率,降低了环境污染风险,为我国环保事业和经济社会的可持续发展做出了积极贡献。而且随着人工智能技术的不断进步和应用场景的拓展,我们有理由相信,该系统的性能和应用范围也将得到进一步提升和拓展。未来,基于人工智能技术的塑料垃圾分拣系统不仅将在我国得到广泛应用,还将有望走向世界,为全球范围内的塑料垃圾处理提供智能化解决方案。然而,当前基于人工智能技术的塑料垃圾分拣系统在实际应用中仍面临一些挑战。例如,视觉模块和检测算法的精确度、系统的稳定性和效率等方面仍有待提高。为此,我国政府和相关企业应加大投入,支持人工智能技术在塑料垃圾分拣领域的研发和创新,推动其性能的持续提升。