隨著塑料制品的廣泛應用，廢棄塑料數量迅速增加，但不同聚合物（如PET、PP、PE等）混雜嚴重，制約了高值化回收利用。傳統(tǒng)人工或密度分選方法效率低且精度有限，而短波近紅外（SWIR）高光譜相機能夠獲取材料在900–1700 nm范圍內的分子振動特征，實現無損、快速識別，已成為智能分選的重要技術手段。研究表明，該技術結合機器學習算法可實現90%以上甚至接近100%的分類精度，為塑料自動化分揀與循環(huán)經濟提供關鍵支撐。

盡管SWIR高光譜在塑料識別中表現優(yōu)異，但實際應用仍面臨多重挑戰(zhàn)。首先，高光譜數據維度高、處理復雜，對算法與計算能力要求較高，增加系統(tǒng)成本；其次，實際廢塑料常存在污染、老化及顏色差異（如黑色塑料），會顯著干擾光譜特征，導致識別精度下降；此外，不同塑料光譜特征相似（如HDPE與LDPE），易產生混淆；最后，設備成本與工業(yè)在線應用的穩(wěn)定性仍需優(yōu)化。因此，如何實現低成本、高魯棒性和快速處理成為當前研究重點。

在該實驗研究中，選用奧譜天成ATH1010R-17短波近紅外高光譜相機作為核心數據采集設備。該相機采用透射光柵分光方式，光譜覆蓋范圍為900–1700 nm，具備高光譜分辨能力（典型優(yōu)于6 nm），同時支持高速推掃成像模式，能夠實現對動態(tài)傳送帶樣品的連續(xù)掃描，滿足工業(yè)在線分選需求。此外，ATH1010R-17具備良好的信噪比與穩(wěn)定性，適用于復雜環(huán)境下的塑料材質識別與分析。

實驗中共選取9種常見塑料樣本，包括PET、PE、PVC、PP、PS、PC、POM、ABS及PA等典型工程塑料。訓練樣本統(tǒng)一制備為10 cm ×4 cm ×4 mm的標準片材，以保證建模數據的一致性；驗證樣本則引入不同顏色（含黑色塑料）、不同表面處理（磨砂、光滑）及不規(guī)則形狀，以更貼近實際垃圾分選場景中的復雜工況。

在數據采集過程中，通過ATH1010R-17獲取各類塑料樣本的高光譜圖像，并進行標準黑白校正處理，以消除暗電流噪聲及光照不均帶來的影響，提高光譜數據的準確性與可比性。針對單次視場范圍有限的問題，采用多幀圖像拼接方式獲取完整樣本圖像，隨后進行ROI（感興趣區(qū)域）提取與平均光譜計算，為后續(xù)基于機器學習或深度學習的塑料分類模型構建提供高質量數據基礎。

為提升奧譜天成ATH1010R-17采集數據的質量與可用性，研究團隊對提取的高光譜數據進行了系統(tǒng)化預處理。首優(yōu)良行光譜裁剪，選取信息量更豐富的1100–1650 nm波段，以降低冗余數據干擾；隨后采用中值濾波與Savitzky-Golay（SG）平滑方法，有效去除隨機噪聲并保留光譜特征形狀；在此基礎上引入標準正態(tài)變量變換（SNV），以削弱樣品表面粗糙度及散射效應帶來的影響；最后通過歸一化處理，將不同樣本的反射率統(tǒng)一到同一尺度范圍。經過多步預處理后，光譜曲線特征更加平滑清晰，不同塑料之間的差異被有效放大，為后續(xù)建模提供了可靠的數據基礎。

在模型構建方面，研究團隊采用隨機森林（Random Forest）算法進行塑料分類識別。該方法通過構建多棵決策樹并進行集成學習，能夠有效處理高維光譜數據并降低過擬合風險。同時，利用袋外誤差（OOB）對模型進行評估，并通過調節(jié)樹的數量、最大深度及特征子集數量等參數進行優(yōu)化。實驗結果表明，基于ATH1010R-17采集數據訓練得到的隨機森林模型在復雜驗證樣本中表現穩(wěn)定，對多種塑料類型具有良好的區(qū)分能力，整體分類準確率可達97%以上，體現出較強的魯棒性與工程應用價值。

為檢驗模型在實際場景中的泛化能力，研究團隊將訓練完成的隨機森林模型應用于多種復雜擺放狀態(tài)下的高光譜圖像，包括平鋪、堆疊及雜亂混合等情況。通過顏色編碼對分類結果進行可視化，結果表明，采用ATH1010R-17采集的高光譜數據能夠在不同工況下實現清晰、穩(wěn)定的分類顯示。

在各類驗證場景中，隨機森林模型均表現出良好的穩(wěn)定性與魯棒性，尤其在樣本邊緣區(qū)域識別及陰影干擾處理方面具有較優(yōu)表現。研究結果表明，ATH1010R-17獲取的高光譜數據結合合理的數據預處理與模型算法，能夠實現對不同顏色、形狀及表面狀態(tài)塑料的有效識別，具備良好的工程應用潛力。

光譜范圍：0.9~ 1.7 μm

探測器：InGaAs 探測器

波段通道數：640

空間通道數：512

光譜分辨率：5.5nm

探測器原始分辨率：640 X 512

數據格式兼容 ：ENVI

體積 ：370mm x 85mm x 95mm

重量： 小于0.8Kg