我院固体废弃物资源化技术与智能装备团队发表前瞻性论文
2024-08-19 12:13:23发布 浏览91次 信息编号:83286
友情提醒:凡是以各种理由向你收取费用,均有骗子嫌疑,请提高警惕,不要轻易支付。
我院固体废弃物资源化技术与智能装备团队发表前瞻性论文
近日,我所固废资源化技术与智能装备团队在环境领域权威期刊《&》上发表了题为《基于固体废物的分类:分类、处理和分类的综合研究》的前瞻性论文,并被选为补充封面文章。该文综述了检测器与算法相结合实现固体废物自动识别与分类的应用,通过系统梳理检测器与算法相结合的应用实例和实验结果,分析并指出了基于不同“检测器”的固体废物自动分选技术的应用场景,探讨了这些方法在固体废物回收利用中面临的挑战和可能的应对策略,阐述了检测器与算法相结合在该领域的未来发展方向。
我院2021级研究生赵越为第一作者,李佳副教授为通讯作者。
全球人口的增长和生活水平的提高导致固体废弃物的产生量迅速增加,给全球的垃圾处理带来了巨大的压力。时至今日,大多数国家的固体废弃物收集率仍然较低,收集的固体废弃物的主要处置方式为焚烧或填埋,可回收固体废弃物中仅有13.5%得到有效回收利用。单纯的焚烧填埋不仅不能有效回收固体废弃物中的资源,而且还会带来严重的环境和健康问题。为了提高资源回收效率,减少环境污染,基于探测器的快速、高效、不需销毁废弃物的废弃物识别分类方法成为研究者的关注焦点。近年来,硬件设施的完善、识别分类算法的开发和成熟应用使得基于探测器的废弃物识别分类技术在该领域大放异彩,其适用场景和提升检测水平的方法也在不断探索中。
据统计,2022年全球固体废物产生总量将超过20.1亿吨。世界银行报告指出,到本世纪中叶,全球固体废物产生量预计将达到34亿吨/年。这些固体废物中,38%为可回收固体废物,其他类型固体废物中也蕴藏着高价值的可回收资源。
目前基于探测器的垃圾识别分类技术主要包括光谱技术和计算机视觉技术。这些技术属于非接触式技术,通常不需要进行大量的预处理,通过传感器提取固体垃圾独有的特征。基于光谱的垃圾分类方法基于垃圾的成分,即其分子结构,而基于计算机视觉的垃圾分类方法则根据物体表面的物理特征进行检测、定位和分类。基于探测器的垃圾识别分类技术结合合适的分类和目标识别算法,在实际应用中可以实现较高的平均精度(mAP)和召回率。
近年来,固体废物分选常用的光谱方法包括近红外光谱、拉曼光谱、激光诱导击穿光谱和X射线荧光光谱。研究人员通过数据降维工具(PCA、LDA、PLS-DA)和分类工具(KNN、SVM、CNN)对获取的光谱数据进行处理,得到分类结果。借助这些数据处理方法,大多数塑料都可以被完全识别和分类(mAP > 90%)。然而,对于不同的光谱方法,仍需要解决一些特定情况,例如:HDPE与LDPE的分类、PS与ABS的分类、深色或黑色塑料的识别和分类等。在这些具有挑战性的领域寻找替代方法的研究和实践中,计算机视觉方法和短波红外方法已被证明对这些具有相似分子结构的塑料具有良好的分类效果。
在固体废弃物识别分类的计算机视觉方法领域,R-CNN、You Only Look Once、Shot Multi-box(SSD)等目标检测算法成为研究者青睐的工具。只要建立正确、全面反映处理对象(目标废弃物)的图像数据集,并用目标检测算法进行训练,各类废弃物的识别分类准确率超过 90%,且多次实验已实现实时分类检测(>30 fps),且不需要太多的算力。
R-CNN 物体检测在推出后不久便被应用于自动化固体废弃物检测分类中,并在生活垃圾、建材垃圾、电子垃圾等固体废弃物的检测分类中取得了优异的效果。由于实际应用对检测速度和准确率的要求较高,R-CNN 和 Mask R-CNN 成为了本系列的推荐物体检测器,其中以 Mask R-CNN 为卷积骨干或作为卷积骨干可以实现 >40fps 的检测速度。此外,R-CNN 和 Mask R-CNN 在小物体检测方面也有不错的表现。
实时物体检测器的推出,使得资源回收研究人员能够使用该系列物体检测算法完成检测和分类任务。后续的实践也证明,YOLO系列拥有不逊于R-CNN系列的优秀分类准确率,此外,YOLO系列拥有惊人的检测速度,因此更能适应工业界对连续运行的要求。
作为最年轻的物体检测算法系列,SSD系列在固体废弃物分类领域也有所应用。SSD系列可以对大部分生活垃圾进行分类,检测准确率高,检测速度快。由于模型中存在金字塔特征提取结构,SSD对各种尺寸的物体都有较高的检测和分类准确率。
此外,在大量基于目标识别的固体废弃物分类实验后,我们发现制作精良的图像数据集可以显著提升算法的性能。但为了收集足够多的图像,并尽量减少数据集与目标废弃物的分布差异,需要投入大量的人力和物力。此外,面对某些垃圾分类场景,研究人员很难在特定条件下获得可识别的图像,或者无法按要求标记样本。受到婴儿识别物体过程的启发,研究人员提出了替代方案,包括半监督学习、小样本学习和迁移学习。
传感器组合是物体检测与分类中一个颇具吸引力的新领域。不同类型的传感器(如光谱传感器和视觉传感器)的组合具有广阔的应用前景,因为不同类型的传感器通过获取不同类型的物体属性和不同形式的物体特征数据相互补充,使废物识别与分选系统能够执行多任务分类。对于光谱传感器和视觉传感器的组合,光谱传感器可使系统分选出成分单一的物品,破碎、造粒等物理处理不会影响其检测性能;计算机视觉可以处理成分复杂的物品,但物理处理会降低计算机视觉的可信度,因为物质的宏观属性会丢失。此外,热传感器、声学传感器和电子接近传感器也用于固体废物识别与分类系统。
基于光谱传感器和摄像头的固体废物自动分类是一项创新且具有挑战性的任务,仍然存在许多棘手的问题。过去的实践几乎都是在实验室条件下进行的,而工业条件则更加复杂多样。因此,本文针对光谱检测与分类、计算机视觉检测与分类、传感器耦合等提出了可行的研究课题,以建立准确高效的固体废物分类系统。
赵越,上海交通大学中英国际低碳研究院硕士生,研究方向:基于图像目标识别与激光扫描的可回收固体废物自动化分选技术。
李佳,工学博士,副教授,上海交通大学中英国际低碳学院助理院长。主要研究方向为:(1)固体废弃物的资源化处理与处置;(2)基于机器视觉的智能环保装备。
提醒:请联系我时一定说明是从奢侈品修复培训上看到的!