机器学习帮助研究人员以非常高的准确度将可堆肥与传统塑料垃圾分开

一次性塑料无处不在：食品容器、咖啡杯、塑料袋。其中一些塑料称为可堆肥塑料，可以设计为在受控条件下生物降解。然而，它们通常看起来与传统塑料相同，回收不当，因此会污染塑料废物流并降低回收效率。同样，可回收塑料经常被误认为是可堆肥塑料，导致堆肥污染。

伦敦大学学院(UCL)的研究人员在FrontiersinSustainability上发表了一篇论文，其中他们使用机器学习自动对不同类型的可堆肥和可生物降解塑料进行分类，并将它们与传统塑料区分开来。

该研究的通讯作者MarkMiodownik教授说：“准确性非常高，可以使该技术在未来切实应用于工业回收和堆肥设施。”

达到完美的准确性

研究人员使用了不同类型的塑料，尺寸在50毫米乘50毫米到5毫米乘5毫米之间。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、茶包和杂志包装;以及棕榈叶和甘蔗，这两种生物质衍生材料都用于生产包装。将样本划分为训练集，用于建立分类模型;和一个测试集，用于检查准确性。

结果表明成功率很高：当样品测量值超过10毫米乘以10毫米时，该模型对所有材料都达到了完美的精度。然而，对于尺寸为10毫米x10毫米或更小的甘蔗衍生材料或棕榈叶材料，误分类率分别为20%和40%。

查看尺寸为5mmx5mm的碎片，一些材料的识别比其他材料更可靠：对于LDPE和PBAT碎片，错误分类率为20%;两种生物质衍生材料的错误识别率分别为60%(甘蔗)和80%(棕榈叶)。然而，无论样品测量如何，该模型都能够无误地识别PLA、PP和PET部件。

超越可见

“目前，大多数可堆肥塑料在传统塑料的回收过程中被视为污染物，从而降低了它们的价值。滚筒筛和密度分选用于筛选堆肥并减少其他材料的存在。但是，当前筛选过程中的污染物水平高得令人无法接受，”Miodownik解释道。“可堆肥包装的优势只有在它们经过工业堆肥并且不会进入环境或污染其他废物流或土壤时才能实现。”

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在内的科学家团队使用高光谱成像(HSI)进行分类模型开发，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。HSI是一种成像技术，可在扫描不同材料时检测其不可见的化学特征，从而生成样品的逐像素化学描述。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塑料管理不善的情况很严重，因此可靠的分类机制必不可少。“目前，识别速度对于工业规模的实施来说太低了，”Miodownik指出。然而，“我们可以而且将会改进它，因为自动分类是使可堆肥塑料成为回收的可持续替代品的关键技术。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！