高光譜相機解決方案

  • 基于高光譜分析的塑料分選技術(shù)

  • 信息來源：彩譜品牌廠家   瀏覽次數(shù)：109    發(fā)表時間：2022-10-09

  • 基于高光譜分析的塑料分選技術(shù)

    1、塑料分選技術(shù)研究沿革

    1.1塑料的傳統(tǒng)分類方法


     
     
    現(xiàn)在工業(yè)上常用的識別分離方法主要有密度分離法、復選分離法和摩擦靜電分離法。
    （1）密度分離法
    密度分離法是一種應(yīng)用較為廣泛的實現(xiàn)塑料分離的方法，它利用不同種類塑料之間密度的差異性實現(xiàn)分離的目的。將回收的廢舊混合塑料依次置于密度一定的分選液體中，密度大于分選液的塑料將位于分選液體的底部，而密度小于分選液的塑料將位于分選液體的上部，從而實現(xiàn)分離的目的。
    例如可以使用水作為分選介質(zhì)，將PP和HDPE（低密度塑料）與PS、PET、PVC、和ABS（高密度塑料）分離。然后將PP和HDPE至于50%的乙醇溶液中，PP向上運動HDPE向下運動實現(xiàn)分離，分離準確度可達100%。
    雖然密度分選法操作比較簡單，利用多種密度不同的分選介質(zhì)即可實現(xiàn)多種廢舊混合塑料的分離，但是無法實現(xiàn)密度相近的塑料之間的分離，整體分離效率偏低。
    （2）浮選分離法
    浮選分離法主要用于密度相近的塑料之間的分離。它利用表層活性劑對塑料的表層進行改性，將一些塑料表層的疏水性改變?yōu)橛H水性，然后利用氣泡對塑料表層吸附性的差異達到分離的目的。
    比如PVC和PET材料，兩者密度相近，不宜使用密度分離法，但是它們都是疏水性材料，在水中會自動浮起。將它們都置于氫氧化鈉溶液中時，溶液的強堿性可以改變PET的疏水性，而PVC的變化比較輕微，從而實現(xiàn)分離。實驗結(jié)果顯示，原料PVC和PET的提純率分別為98.8％和99.7％，回收的混合塑料的提純率為57.0％。
    但是，現(xiàn)有的浮選技術(shù)可以分離的塑料種類有限，需要與其它分離技術(shù)結(jié)合使用。
    （3）摩擦靜電分離法
    摩擦靜電分離法是基于塑料在發(fā)生靜電感應(yīng)后帶電特征的差異實現(xiàn)分離的目的。該方法是將廢舊混合塑料干燥、粉碎，攪拌，使塑料之間相互摩擦并帶電，結(jié)果使不同種類的塑料帶有相反的電荷，然后當帶電塑料經(jīng)過電場時，帶正電荷的塑料將聚集在負極側(cè)，帶負電荷的塑料將聚集在正極側(cè)，從而實現(xiàn)分離。
    例如PET和PVC材料，可以使用PP作為充電材料使PET和PVC摩擦帶電，PVC和PET分別帶負電荷和正電荷。實驗中，當相對濕度為30%、空氣流速大于10m/s以及兩種塑料的混合比為1：1時，PVC的剔除率和PET的回收率分別達到了99.60％和98.10％。
    但是，摩擦靜電分離法對塑料的干燥程度有著比較高的要求，分離成本較高，而且該方法一般只適用于由兩種塑料構(gòu)成的廢舊混合塑料的分離，不適合大規(guī)模的工業(yè)化應(yīng)用。
    可見，在傳統(tǒng)廢舊混合塑料的分離過程中，密度分離法對于密度比較接近的塑料分離比較困難，而且分離效率較低；浮選分離法一般應(yīng)用于荷電性質(zhì)相似、密度比較接近的塑料之間的分離，不具有普遍適用性；摩擦靜電分離法對混合塑料表面的清潔程度、操作現(xiàn)場的溫度和濕度要求較高，難以大規(guī)模工業(yè)化應(yīng)用。近些年來，利用光譜技術(shù)識別分類廢舊混合塑料的研究與應(yīng)用越來越多，是一種可以大規(guī)模推廣的現(xiàn)代識別分類技術(shù)。

    1.2國內(nèi)外光譜識別分類塑料的研究

    1.2.1國外光譜識別分類塑料的研究

    目前，國內(nèi)外關(guān)于光譜技術(shù)應(yīng)用于塑料識別分類領(lǐng)域的研究越來越多，而且國外關(guān)于該方面的應(yīng)用研究起步比較早。
    1995年，Scott等人設(shè)計了一套簡單的廢舊塑料自動分揀裝置，如圖所示。該裝置將兩色固定濾波器近紅外光譜儀與簡單的比例電路結(jié)合起來，可以高效地識別PET和PVC。該方法是基于檢測到的PET和PVC近紅外吸收光譜上的特征峰變化來實現(xiàn)的，而且可以準確地鑒定從工廠收集到的瓶子的聚合物類型。
     
     
    Serranti等人基于1000～1700 nm的近紅外高光譜圖像技術(shù)，建立了一套可以實現(xiàn)家庭廢棄物中PE和PP制品回收利用過程中的質(zhì)量控制流程，裝置如圖所示。對獲得的聚烯烴制品的高光譜圖像進行分析處理，首先采用主成分分析法，降低高光譜數(shù)據(jù)的維度，然后基于前兩個主成分的載荷系數(shù)，選擇10個有效的特征波長用于分類，最后使用偏最小二乘判別分析法對這兩種聚烯烴進行分類。結(jié)果表明，識別準確率大于90％。因此，將近紅外高光譜圖像技術(shù)與多元統(tǒng)計分析方法結(jié)合起來，可以用于聚烯烴回收利用過程中的質(zhì)量和流程控制。
     
    Tachwali等人提出、開發(fā)和測試了一套自動塑料瓶分類系統(tǒng)，該系統(tǒng)根據(jù)塑料瓶的化學組成和顏色對其進行分類，如圖所示。使用近紅外光譜反射率來識別瓶子的化學成分，CCD相機結(jié)合偏最小二乘判別分析與樹分類器來檢測瓶子的顏色。結(jié)果表明，近紅外光譜反射率的平均值和傾角波長可以作為特征對不同化學組成的塑料瓶進行分類，分類的準確率達到了94.14％。該系統(tǒng)首先使用各種預(yù)處理技術(shù)，然后使用主成分分析法，以便于檢測塑料瓶的顏色，同時可以避免與塑料瓶的標簽和蓋子混合。結(jié)果表明，透明塑料瓶和不透明塑料瓶的分類準確率分別為92％和96％，對塑料瓶顏色和化學成分綜合的分類準確率為83.48％。
     

    1.2.2國內(nèi)光譜識別分類塑料的研究

    近些年來，國內(nèi)關(guān)于光譜技術(shù)識別塑料的研究也有了很大的發(fā)展。
    郭慧玲等人對常用的塑料快速分類方法做了深入的分析，建立了一套基于近紅外光譜技術(shù)的數(shù)據(jù)采集與處理分析軟件，分類系統(tǒng)如圖所示。首先對原始光譜數(shù)據(jù)進行預(yù)處理，選取特征吸收峰，然后使用全局相關(guān)分析、歐氏距離、K-means聚類分析和特征相關(guān)分析這四種方法實現(xiàn)了PE、PP、PET和PVC這4種塑料的快速識別分類。結(jié)果表明，改進初始聚類中央位置敏感問題后的K-means聚類分析分類效果最好，分類準確率達到了92.1％。
     
    上海交通大學楊懿設(shè)計了一套家電廢舊塑料自動分揀系統(tǒng)，并詳細論述了進料組件、顏色檢測組件、近紅外光譜檢測組件以及分類裝置，分揀系統(tǒng)如圖所示。該系統(tǒng)以陣列式InGaAs（銦鎵砷）近紅外光譜儀和積分球為檢測儀器，開發(fā)了基于光柵掃描的化學計量學軟件系統(tǒng)。該軟件部分采用三種算法對原始光譜數(shù)據(jù)進行預(yù)處理，然后使用主成分分析法與馬氏距離模式識別法建立數(shù)學模型，并對模型的準確性與敏感性進行了驗證。結(jié)果表明，該套系統(tǒng)對PE、PP、PS、ABS和PVC這6種塑料的識別準確率大于95％，完全可以滿足工業(yè)現(xiàn)場的要求。
     
    浙江大學杜婧基于近紅外光譜技術(shù)設(shè)計了一套可以識別分離PVC和PET這2種廢舊混合塑料的系統(tǒng)，如圖所示。該系統(tǒng)分為終端機、上位機和下位機，而且這三部分之間可以通過串口實現(xiàn)遠程通信。終端機保證整個系統(tǒng)的參數(shù)設(shè)置、數(shù)據(jù)處理，并將處理結(jié)果顯示在上位機，將分離指令發(fā)送至下位機完成整個識別過程；上位機可以實現(xiàn)人機之間的交互并顯示系統(tǒng)的工作參數(shù)；下位機檢測樣本的光譜信息并根據(jù)終端機的指令完成分離操作。
     
    譚曜等人使用傅里葉變換近紅外光譜儀檢測了PE、PP、PS、PA、PET、PTA、PTT、PBT、PVC、POE、ABS、TPE、EVA和乙烯丙烯酸乙酯共聚物這14種塑料的NIDRS譜圖。并使用定性分析和識別軟件OPUS/IDENT建立了定性識別模型。結(jié)果表明，該模型可以對這14種塑料實現(xiàn)很好地分析與鑒別。
    由此可見，國內(nèi)外關(guān)于近紅外光譜識別塑料的研究雖然取得了很大的成果，將近紅外光譜技術(shù)與多元數(shù)據(jù)統(tǒng)計分析方法結(jié)合起來可以實現(xiàn)對常見塑料的識別分類，但主要還停留在實驗室階段。因此建立快速、可靠、能用于工業(yè)化推廣的廢舊混合塑料識別分類模型對廢舊混合塑料的回收再利用具有重要意義。

    2、高光譜塑料分析的原理

    物質(zhì)的分子振動具有非諧振性，因此分子會從基態(tài)向高能態(tài)躍遷，而且在能級躍遷過程中，分子中的化學鍵會產(chǎn)生近紅外光譜信息。這些光譜信息主要是物質(zhì)分子中的某些化學鍵發(fā)生振動時產(chǎn)生的倍頻信息與合頻信息，它經(jīng)常受到一些含氫基團（比如C-H，N-H，O-H和S-H）的倍頻與合頻的多重影響。因此，NIRHIS主要檢測的是一些含氫基團振動時產(chǎn)生的倍頻與合頻吸收信息。
    近紅外光譜識別廢舊塑料的基本原理是：將近紅外光照射在塑料表面，利用塑料吸收光的相對強弱來確定塑料的分子結(jié)構(gòu)。因為不同類別塑料的分子結(jié)構(gòu)各不相同，當其吸收的能量不同時會產(chǎn)生特定的近紅外吸收光譜，通過近紅外光譜相機檢測每一種塑料樣本的近紅外吸收光譜，然后根據(jù)不同塑料的近紅外特征吸收峰的寬度、數(shù)量、位置和相對強度等特征，即可判斷出該塑料樣本中有哪些基團，進而確定分子結(jié)構(gòu)，最終識別出該塑料樣本的類別。

    3、不同塑料的近紅外曲線

    3.1樣本和實驗儀器準備

    （1）樣本種類
    從生活中常見的塑料制品中拆解收集了PE、PP、PS、PC、PA、PU、PET、PVC、POM和ABS這10種塑料樣本。
    （3）樣本的預(yù)處理
    將塑料樣本表面的污垢擦除，然后對其表面進行清洗并用砂紙打磨處理，裁剪成50 mm×50 mm大小的均勻塊狀，分別編號并在室溫下進行測量。
    （4）實驗儀器與參數(shù)
    儀器使用彩譜科技的400-2500nm可見近紅外短波紅外檢測系統(tǒng)，波長范圍為1000～2500 nm，光譜分辨率為12 nm，圖像分辨率為384×288 pixel，光譜儀幀數(shù)為400 fps。采集數(shù)據(jù)時，光源使用2個200 W的鹵鎢燈，鏡頭距樣品的高度為30 cm，曝光時間為30 ms，測試平臺移動速度為2 cm/s。
    （5）光譜圖像的校正
    在進行數(shù)據(jù)采集時，設(shè)置白板，并進行黑白校正。對光譜圖像進行黑白校正可以消除光源、背景以及噪聲等對樣本光譜造成的影響，計算黑白校正后光譜圖像的相對反射率R的公式為：
    式中，R為黑白校正后的相對反射率圖像；0R為采集到的原始高光譜圖像；D為關(guān)閉光源并用鏡頭蓋完全蓋住光譜相機鏡頭獲得的全黑圖像（光譜反射率為0％）；W為同等測量條件下聚四氟乙烯標準白板的高光譜圖像（光譜反射率為99％）
    （6）光譜數(shù)據(jù)的提取
    提取光譜數(shù)據(jù)時，選擇每一個塑料樣本上能夠代表塑料樣本典型特征的感興趣區(qū)域（Region Of Interest，ROI）內(nèi)的光譜數(shù)據(jù)，即選定區(qū)域內(nèi)所有像素點反射率數(shù)據(jù)的平均值。本文中選定的ROI為30×30個像素點。

    3.2 塑料樣本的近紅外光譜圖

    由于黑色樣本的吸收率較強，而透明樣本的反射率太強，采集的光譜數(shù)據(jù)起伏太大，不適合數(shù)據(jù)分析，因此樣本主要以白色的塑料為主。
     
     
     
     
     
     

    4、基于高光譜分析的塑料分類方法

    4.1特征波長的選取

    4.1.1主成分分析法選取特征波長

    PCA的目的是消除數(shù)據(jù)中的冗余信息，將原始數(shù)據(jù)集映射在一個方向上有最大統(tǒng)計差異的新的向量上。
    PCA計算過程：
    (1) 建立樣本矩陣
    對于一個樣本集，假設(shè)有n個樣本（，....,），每一個樣本數(shù)據(jù)均有m個變量（波長），組成n×m的矩陣。
     
    (2) 去均值，得到標準化矩陣
    (3) 求協(xié)方差矩陣
    (4) 根據(jù)協(xié)方差矩陣求特征值及其對應(yīng)的特征向量
    樣本原始變量的第i個主成分為：
     
    這里m代表波長，實際對n的維度進行降維
    (5) 選擇主成分
    若前k個特征值的累計貢獻率能夠達到85％以上，就可以認為有k個主成分。
    (6) 計算主成分載荷
    主成分載荷L可以反映出原始變量和主成分之間相關(guān)聯(lián)的程度，載荷越大，說明該原始變量與某個主成分變量的相關(guān)性越強。原始變量在各主成分上的載荷為：
     
    這里應(yīng)為，表示第i個特征向量的第j行
    (7) 計算主成分得分（貢獻率）
    計算結(jié)果中每個特征向量都為一個主成分，用單個特征向量對應(yīng)的特征值除以所有特征值的和，即可得到該主成分的得分。
    可以理解為對n個樣品的m個波段光譜數(shù)據(jù)進行全波段降維，得到n個新的維度，每個維度有一個新的光譜，光譜維度還是m。主成分可理解為：前k個新維度的光譜，包含了原來n個維度光譜的85%的信息。
     

    4.1.2主成分分析法的應(yīng)用

    對PE、PP和PET這3種塑料的105個訓練集樣本的1000-2500nm做PCA計算，每一個主成分與其對應(yīng)的貢獻率作圖。
     
    前4個主成分的累計貢獻率達到了98.938％，即前4個主成分解釋了原始變量全部信息的98.938％，可以代表原始光譜數(shù)據(jù)的絕大部分信息。
    將PCA分析結(jié)果中前4個主成分對應(yīng)的載荷系數(shù)對波長作圖，如圖3-2，選取波峰和波谷位置的波長作為特征波長。綜合選擇1191.43、1275.93、1410.98、1422.23、1450.34、1714.23、1753.48、1792.71、1960.68、2184.21、2329.25 nm這11個特征波長。
     

    4.1.3偏最小二乘回歸法選取特征波長

    【這部分不太理解】
    選擇出來的10個特征波長為：1275.93、1281.56、1422.23、1427.85、1596.41、1719.84、1725.45、1731.05、1747.87、1753.48 nm。
     

    4.2基于Fisher判別分析選擇合適的特征波長選擇方法

    目的：判斷使用哪一種方法計算出的特征波長
    原理：
    訓練階段：通過投影進行降維，把所有帶標簽的訓練數(shù)據(jù)點投影到一個直線（or低維超平面），使得兩類數(shù)據(jù)點投影后的位置滿足，類內(nèi)離差最小，類間離差最大，即同類樣本的投影點盡可能接近，異類樣本的投影點盡可能遠離。
    測試階段：把新數(shù)據(jù)點也投影到同一個低維超平面，根據(jù)投影點的位置判斷類別。

    4.2.1 主成分分析法選擇的特征波長的Fisher判別分析

    對PE、PP和PET這3種塑料的訓練集105個樣本的11個特征波長1191.43、1275.93、1410.98、1422.23、1450.34、1714.23、1753.48、1792.71、1960.68、2184.21、 2329.25 nm對應(yīng)的光譜數(shù)據(jù)進行Fisher判別分析。
     
    樣本有三類，生成兩個Fisher判別式。根據(jù)判別分析的結(jié)果，以判別式函數(shù)1的值為橫坐標，以判別式函數(shù)2的值為縱坐標，繪制105個樣本點的二維散點圖。
     
     
    初始分組案例中的分類準確率達到了100％；在對判別分析中所有的案例進行交叉驗證時，交叉驗證分組案例中分類準確率也達到100％

    4.2.2偏最小二乘回歸法選擇的特征波長的Fisher判別分析

    初始判別分析結(jié)果與主成分分析法相同，在交叉驗證中準確率為99%，低于主成分分析法。
     
    最終選擇PCA作為選擇特征波長的方法，對提取的光譜校正數(shù)據(jù)進行分析處理。
     

    4.3識別分類模型建立

    比較了兩種常用的建立數(shù)據(jù)模型的方法——距離判別分析法和支持向量機序列最小優(yōu)化算法

    4.3.1基于距離判別分析法建立識別分類模型

    1.原理：首先設(shè)定一個最合適的方向，將高維度向量空間里的數(shù)據(jù)投影到該方向，降低數(shù)據(jù)的維度，隨后計算出每一類樣本在低維度向量空間的新坐標，最終根據(jù)待判別樣本的觀測值與每一類建模樣本的質(zhì)心之間的馬氏距離實現(xiàn)判別分類，盡可能讓同一類別的樣本匯聚起來，不同類別的樣本相互遠離。
    2.方法：
    （1）兩類為例：設(shè)有兩個總體、，從總體中選取個樣本，從總體中選取個樣本，每一個樣本均有p個指標。
    總體的樣本指標均值為：
     
    總體的樣本指標均值為：
     
    現(xiàn)有一個未知樣本X，判別X類別的方法：首先計算樣本X與、兩類的距離，分別記為D(X,)、D(X,)，然后按照距離最近準則對未知樣本進行判別分類，即樣本距離哪一類較近則可歸為這一類；如果樣本和兩個類別之間的距離相同，則暫時先不做歸類處理。
    （1）兩類推廣到多類：設(shè)有k個總體、...，相應(yīng)抽出個樣本，每一個樣本均有p個指標，計算k個總體的樣本指標均值和協(xié)方差：
     
    當樣本的協(xié)方差矩陣相等時，判別式為：
     
    當樣本的協(xié)方差矩陣不相等時，判別式為：
     
    相應(yīng)的判別準則為：
     
    3.效果：對主成分分析法選擇出的11個特征波長對應(yīng)的光譜反射率數(shù)據(jù)進行距離判別分析得到兩個判別式函數(shù)，判別分析的初始判別分析結(jié)果與交叉驗證結(jié)果見表4-1與表4-2。
     
     
    將PE、PP和PET這3種塑料105個樣本的11個變量分別代入典型判別式函數(shù)，然后以判別式函數(shù)1的得分，為橫坐標，以判別式函數(shù)2的得分為縱坐標，繪制訓練集的二維散點圖。
     

    4.3.2基于支持向量機序列最小優(yōu)化算法建立識別分類模型

    1.原理：找出一條直線，可以將這兩類點區(qū)分開來。H為分類線，H1和H2分別代表兩類樣本中與H最接近的且與H平行的直線，兩條平行線H1和H2之間的間距則稱作分類間隔。
     
    當樣本線性不可分時，即在二維平面上，紅色點和綠色點無法通過一條直線隔開，此時的基本思想是升維，在高維尋找一個分類的平面。
     
    2.方法：計算分類函數(shù)，然后用分類函數(shù)對位置樣本X進行預(yù)測分類。
    3.效果：將PE、PP和PET這3種塑料的105個訓練集樣本進行支持向量機分類模型中分析，并進行多次交叉驗證。
     
     
     
    基于距離判別分析法建立的識別分類模型效果相對較好
     

    4.4識別分類模型的建立與驗證

    4.4.1識別分類模型的設(shè)計思路

     

    4.4.2識別分類模型的建立

    使用第三部分建立的10種塑料樣本的訓練集進行模型的建立，對不同的材料之間做識別分類時，使用的特征波長不一定相同，所以建立了多個識別分類模型，對樣本依次進行分類。識別分類模型包括：判別式函數(shù)、識別質(zhì)心和識別半徑。
    第一次識別分類，將PS、POM、PET和PVC這4種塑料分離出來，第二次識別分類分出三堆：（PE,PP,PA）,(PC,ABS),PU。第三次識別分類將PE,PP,PA三種塑料區(qū)分開，到這里已經(jīng)分出7種。第四次識別分類將PC,ABS,PU區(qū)分開，十種塑料全部分類完成。
     
    第一次識別分類模型的建立：
    1.PCA選擇特征波長：
     
    選擇前五個主成分，累計貢獻率為94.551%。然后將各主成分載荷系數(shù)與波長作圖：
     
    得到塑料樣本的12個特征波長為：1202.70、1253.40、1270.29、1450.34、1719.84、1731.05、1747.87、1770.29、1781.50、1803.92、2195.38、2362.69 nm。
    2.判別分析：
    對405個樣本的12個特征波長對應(yīng)的光譜數(shù)據(jù)進行距離判別分析，并根據(jù)判別分析的結(jié)果，得到前兩個典型判別式函數(shù)為：
     
    3.識別模型的建立：
    根據(jù)兩個判別式函數(shù)的計算結(jié)果作圖。
     
    由判別分析結(jié)果可得四種塑料的判別質(zhì)心：PS質(zhì)心（19.821，-1.518）、POM質(zhì)心（0.128，-12.452）、PET質(zhì)心（-2.471，13.360）、PVC質(zhì)心（-10.934，-6.822）。 同時以距離質(zhì)心最遠樣本的馬氏距離為依據(jù)，確定識別半徑分別為=4.5，=3.5，=3，=4
    由圖可知，PS、POM、PET和PVC這4種塑料樣本在第一次判別分析時就可以準確識別分類，因此，將對剩余的6種塑料樣本進行下一次的識別分類。
     
    第二次識別分類模型的建立
    1.PCA選擇特征波長：
    對PE、PP、PC、PA、PU和ABS這6種塑料的250個樣本的光譜數(shù)據(jù)進行主成分分析，如圖。
     
    選擇前六個主成分，累計貢獻率為99.357%。然后將各主成分載荷系數(shù)與波長作圖：
     
    得到樣本的10個特征波長為：1197.06、1275.93、1405.36、1450.34、1725.45、1747.87、1787.11、2195.38、2223.28、2345.97 nm。
    2.判別分析：
    分析得到兩個典型判別式函數(shù)：
     
    3.識別模型的建立：
    根據(jù)兩個判別式函數(shù)的計算結(jié)果作圖。
     
    將PE、PP和PA計算一個綜合識別質(zhì)心（-3.571， -2.678）。PC和ABS計算一個綜合識別質(zhì)心（1.050,5.123）。PU質(zhì)心（9.998，-4.684）。識別半徑分別為5.4、3.5、4。
    第三次識別分類模型的建立
    1.PCA選擇特征波長：
    對第二次判別模型中判別為PE、PP和PA這3種塑料的120個樣本的光譜數(shù)據(jù)進行主成分分析，將每一個主成分與其相應(yīng)的貢獻率作圖。
     
    將得到的前4個主成分對應(yīng)的載荷系數(shù)與波長作圖。得到塑料樣本的7個特征波長：1247.77、1275.93、1450.34、1596.41、1753.48、1787.11、2329.25 nm。
     
    2.判別式分析：
    分析得到前兩個典型判別式函數(shù)：
     
    3.建立識別模型：
    根據(jù)兩個判別式函數(shù)的計算結(jié)果作圖。
     
    到的3種樣本的質(zhì)心分別為：PE質(zhì)心（-5.238，0.332）、PP質(zhì)心（3.655，3.524）、PA質(zhì)心（2.694，-3.457）。 識別半徑分別為4、5.4、3.5。
    第四次識別分類模型的建立
    1.PCA選擇特征波長：
    對PC、PU、ABS這3中塑料的130個樣本的光譜數(shù)據(jù)進行主成分分析，將每一個主成分與其相應(yīng)的貢獻率作圖。
     
    將得到的前3個主成分對應(yīng)的載荷系數(shù)與波長作圖，得到樣本的7個特征波長：1197.06、1478.45、1736.66、1960.68、1983.05、2195.38、2256.76 nm。
     
    2.判別分析：
    對130個樣本的7個特征波長對應(yīng)的光譜數(shù)據(jù)進行判別分析，得到前兩個典型判別式函數(shù)：
     
    3.識別模型的建立：
    根據(jù)第四次判別分析的結(jié)果繪圖。
     
    得到的判別質(zhì)心為：PC質(zhì)心（-4.198，-2.704）、PU質(zhì)心（9.788，-0.379）、ABS質(zhì)心（-2.948，3.299）。識別半徑分別為2.5、4、3.5。
  • 【關(guān)閉本頁】 【返回頂部】 【打印此頁】 【收藏此頁】