吴谊平,张 宇,李 鸣

(南昌大学 信息工程学院,江西 南昌 330000)

0 引 言

如今塑料的使用随处可见,据预测,到2030年全球可能会有1.11亿公吨塑料垃圾无处可去。随着塑料原材料价格快速上涨、进口固废禁令和生态文明城市发展,将倒逼我国城镇塑料垃圾要做好高质化利用的后端处理。由于塑料聚合物各类特性对分类精度影响较大,国内外的专家学者对此做了大量研究。Pascoe R D[1]提出了按颜色分类聚合物,去除有色杂质,该方法只能实现粗类分拣,不能识别聚合物,仅用于分色。Hearn G I等人[2]使用摩擦电/静电分离对塑料进行分类,但是此方法只适用于介电常数相差较大的塑料材质,而且要求干燥清洁的塑料表面。Agüera F等人[3]通过图像中包含的纹理信息来进行塑料材质的分类。Negre E等人[4]针对图像的激光诱导技术实现塑料垃圾的分类。上述方法存在特征检测不明显与检测效率低下等缺点。国内现有光谱图法分类正确率不高,无法实现精细分类。针对此问题,提出一种基于Fisher向量(FV)-时滞细胞神经网络(delayed cellular neural network,DCNN)的塑料垃圾精细分类模型,使精细分类成为可能。

卷积神经网络(convolutional neural network,CNN)[5]已经在图像分类方面取得了巨大的成功。首先利用自适应卷积对近红外光谱[6]进行建模,构建端到端自适应CNN,然后通过自适应卷积和渗漏整流线性单元(LeakyReLU)激活函数提取输入的噪声图像特征,最后重构完成之后使用均方差(mean square error,MSE)损失函数获得初始去噪光谱图像。由于光谱图像动态采集,所以光谱图像内容复杂,最后再结合FV[7]编码对光谱图像进行表征,结合接收机工作特性[8](receiver operating characteristic curve,ROC)曲线分析分类结果。……