科研成果｜基于探测器技术的固体废弃物高效分选的成功实践和未来展望
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《&》发表题为《-Based in Solid Waste: 、 、 》的前瞻性论文并被选为增刊封面文章。 本文综述了探测器与算法相结合实现固体废物自动识别与分类的应用。 系统梳理了探测器与算法相结合的应用实例和实验结果，并基于不同探测器分析指出了固废存在的问题。 讨论了自动化物料分选技术的应用场景，并讨论了这些方法在固废回收中面临的挑战和可能的应对策略。 同时阐述了该领域检测器与算法相结合的未来发展方向。
我院2021级研究生赵悦为第一作者，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，导致固体废物产生量迅速增加，给世界各地的垃圾处理工作带来巨大压力。 截至目前，大多数国家的固体废物收集率仍然较低，收集后的固体废物主要处置方式是焚烧或填埋。 可回收固体废物只有13.5%得到有效回收。 简单的焚烧和填埋不仅不能有效回收固体废物中的资源，还会造成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，研究人员将注意力转向基于探测器的快速、高效且不需要废物销毁的废物识别和分类方法。 近年来，硬件设施的完善、识别分类算法的发展和成熟应用，让基于探测器的垃圾识别分类技术在该领域大显身手，其适用场景和提高检测水平的方法也不断涌现。不断被探索。
据统计，2022年全球固体废物总产量将超过20.1亿吨。世界银行报告指出，到本世纪中叶，全球固体废物产量预计将达到每年34亿吨。 这些固体废物中，38%为可回收固体废物，其他各类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有光谱技术和计算机视觉技术。 这些技术是非接触式的，通常不需要大量的预处理来通过传感器提取固体废物的独特特征。 基于光谱的垃圾分类方法根据垃圾的成分（即分子结构）对垃圾进行分类，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对物体进行检测、定位和分类。 基于探测器的废物识别和分类技术结合适当的分类和目标识别算法可以在实际应用中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有近红外光谱、拉曼光谱、激光诱导击穿光谱和X射线荧光光谱等。 研究人员通过数据降维工具（PCA、LDA、PLS-DA）和分类工具（KNN、SVM、CNN）对获得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充分识别和分类（mAP > 90%）。 然而，对于不同的光谱方法，仍然需要解决一些具体情况，例如：HDPE和LDPE的分类、PS和ABS的分类、深色或黑色塑料的识别和分类等。在寻找替代品的研究和实践中在这些具有挑战性的领域中，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结果。
在用于识别和分类固体废物的计算机视觉方法领域，基于R-CNN（R-CNN）、You Only Look Once、Shot Multi-box（SSD）等目标检测算法已成为研究人员青睐的工具。 只要建立正确、全面反映处理对象（目标垃圾）的图像数据集，并用目标检测算法进行训练，对各种垃圾的识别和分类的准确率超过90%，很多实验无需人工干预即可进行。大量的计算。 在强条件下实现实时分类检测（>30 fps）。
R-CNN目标检测推出后不久就应用于自动化固体废物检测和分类，在生活垃圾、建材垃圾、电子垃圾等固体废物的检测和分类中取得了优异的效果。 由于实际应用需要较高的检测速度和精度，R-CNN 和 Mask R-CNN 成为本系列推荐的目标检测器。 其中，使用或作为卷积主干的Mask R-CNN的检测速度可以达到>40fps。 此外，R-CNN和Mask R-CNN在检测小物体方面具有良好的性能。
实时目标检测器的引入使得资源回收研究人员能够使用这一系列目标检测算法来完成检测和分类任务。 后续的实践也证明YOLO系列具有不逊色于R-CNN系列的优秀分类精度。 此外，YOLO系列还具有惊人的检测速度。 因此，YOLO系列更适应连续运行的工业需求。
SSD系列作为最年轻的目标检测算法系列，也已应用于固废分类领域。 SSD系列可以对大部分生活垃圾进行分类，检测精度高，检测速度快。 由于模型中金字塔特征提取结构的存在，SSD对于各种尺寸的物体都具有较高的检测和分类精度。
此外，在考察了大量基于物体识别的固废分类实验后，我们发现制作精良的图像数据集可以显着提高算法的性能。 然而，为了收集足够的图像并最小化数据集与目标废物之间的分布差异，需要大量的人力和物力。 此外，面对某些垃圾分类场景，研究人员很难获得这些特定条件下的可识别图像，或者无法按要求对样本进行标记。 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和分类领域一个有吸引力的新领域。 不同类型传感器（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来相互补偿，从而实现废物识别和分类。 该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，光谱传感器允许系统以单一组件对物品进行分选，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、声传感器和电子接近传感器也用于固体废物识别和分类系统。
基于光谱传感器和摄像头的自动固体废物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。 几乎所有过去的实践都是在实验室条件下进行的，而工业条件可能更加复杂和多样化。 因此，在本文中，我们在光谱检测分类、计算机视觉检测分类、传感器耦合等领域提出可行的研究课题，以帮助建立准确、高效的固体废物分类系统。
赵悦是上海交通大学中英国际低碳学院的硕士生。 研究方向：基于图像目标识别和激光扫描的可回收固废自动化分选技术。
李佳，工学博士，上海交通大学中英国际低碳学院副教授、院长助理。 主要研究方向为：（1）固体废物资源化处理与处置； (2)基于机器视觉的智能环保装备。