机器学习帮助分离可堆肥和传统塑料垃圾
机器学习帮助分离可堆肥和传统塑料垃圾一次性塑料在我们的生活中无处不在,以各种形式出现,如食品容器、咖啡杯和塑料袋。尽管某些塑料被设计成在受控条件下进行生物降解,但它们仍然是有问题的,因为它们往往与传统塑料相似。当这些可堆肥塑料回收不当时,它们会污染塑料废物流,导致回收效率下降。此外,可回收的塑料经常被误认为是可堆肥的,导致堆肥被污染。伦敦大学学院(UCL)的研究人员在《可持续发展前沿》(FrontiersinSustainability)上发表了一篇论文,他们使用机器学习来自动分类不同类型的可堆肥和可生物降解塑料,并将它们与传统塑料区分开来。该研究的通讯作者MarkMiodownik教授评价说:"准确度非常高,允许该技术在未来可行地用于工业回收和堆肥设施。"研究人员使用了不同类型的塑料,尺寸在50mm乘50mm和5mm乘5mm之间。传统的塑料样品包括PP和PET,通常用于食品容器和饮料瓶,以及LDPE,除其他外,用于塑料袋和包装。可堆肥塑料样品包括PLA和PBAT,用于杯盖、茶袋和杂志包装;以及棕榈叶和甘蔗,这两种生物质衍生材料用于生产包装。这些样品被分为训练集和测试集,前者用于建立分类模型,后者用于检查准确性。结果显示成功率很高:当样品的尺寸超过10mm乘10mm时,该模型对所有材料都达到了完美的准确性。然而,对于尺寸为10mm乘10mm或更小的甘蔗衍生或棕榈叶基材料,错误分类率分别为20%和40%。在测量5毫米乘5毫米的碎片时,一些材料的识别率比其他材料更可靠:对于LDPE和PBAT碎片,错误分类率为20%;而两种生物质衍生材料的错误识别率为60%(甘蔗)和80%(棕榈叶)。然而,该模型能够无误地识别PLA、PP和PET碎片,而不受样品测量的影响。"目前,大多数可堆肥塑料在传统塑料的回收中被作为污染物处理,降低了它们的价值。应用Trommel和密度分选来筛选堆肥,减少其他材料的存在。然而,目前筛选过程中的污染物水平高得令人无法接受,"Miodownik解释说。"可堆肥包装的优势只有在它们被工业化堆肥,并且不进入环境或污染其他废物流或土壤的情况下才能实现。"为了提高准确性,包括NutchaTeneepanichskul、HelenHailes教授和UCL塑料废物创新中心的Miodownik在内的科学家团队测试了不同类型的传统塑料、可堆肥塑料和可生物降解塑料,使用高光谱成像(HSI)进行分类模型开发。HSI是一种成像技术,在扫描不同材料的同时检测其不可见的化学特征,产生一个逐像素的样品化学描述。人工智能模型被用来解释这些描述并进行材料识别。回收和工业堆肥过程中的塑料管理不善,使得可靠的分拣机制至关重要。Miodownik指出:"问题在于目前识别的速度太低,无法在工业规模上实施。然而我们可以并将改进它,因为自动分拣是使可堆肥塑料成为回收的可持续替代品的关键技术"。...PC版:https://www.cnbeta.com.tw/articles/soft/1350745.htm手机版:https://m.cnbeta.com.tw/view/1350745.htm
在Telegram中查看相关推荐
🔍 发送关键词来寻找群组、频道或视频。
启动SOSO机器人