基于GA-BP神經網絡的塑料X射線吸收光譜的辨識

方正，王仁彬，陳思媛

(廈門大學 航空航天學院，福建 廈門 361101)

目前對廢舊塑料的回收常常是很多種類混合在一起，而混合塑料難以滿足再生產需求[1]。因此，對廢舊塑料進行識別分類，有利于實現資源再利用，并解決廢舊塑料污染問題[2-3]。

傳統的塑料識別方法分為物理識別法和化學鑒別法。物理識別法準確度較差，化學鑒別法操作復雜，且易造成污染[4]。新興的塑料識別方法為光譜分析法，包括近紅外光譜、熒光光譜、激光誘導擊穿光譜等[5-10]。 X射線吸收光譜由于其譜線簡單、分析含量范圍廣、靈敏度及準確度高的特點，在環保、催化、醫學和藥學等領域均獲得發展[11-12]。

本文采集了多種常見塑料及工程塑料樣本的X射線吸收光譜，并結合主成分分析和基于遺傳算法優化的誤差反向傳播(GA-BP)神經網絡實現對塑料的自動分類識別。

1 實驗部分

1.1 材料與儀器

15種常見塑料和工程塑料，見表1。樣本為直徑30 mm、長度50 mm的圓柱體。

X射線光譜檢測系統[13]，自建，主要組成為X射線管、CdTe探測器、高壓電源等基本元件，其整體結構見圖1；KYW800型X射線管(陽極靶材料為鎢(74W))；X-123型CdTe探測器(能量分辨率為 850 eV(FWHM)@122 keV，57Co)；XRB 100 W高壓電源(工控主機IPC-610機型)。實驗相關的參數設置：X射線管電壓60 kV，管電流10 μA，燈絲電流 1 000 mA，探測器通道數設置為512，采集時間60 s。

表1 15種常見塑料和工程塑料的編號與名稱Table 1 The number and name of the 15 kinds ofcommon plastics and engineering plastics

圖1 X射線吸收光譜儀示意圖Fig.1 Schematic diagram of X-ray absorption spectrometer

1.2 實驗方法

X射線吸收光譜(XAS)的產生原理是X射線穿過一定厚度的物質時，會發生散射和吸收現象，從而使得光譜的強度減弱，具體減弱的程度是由所含原子的種類和數目即物質的性質所決定。其穿過樣本前后的強度變化情況滿足下式[14]：

I=I0e-μd

(1)

其中，I0表示X射線入射光譜的強度，I表示X射線出射光譜的強度，由X射線探測器直接采集得到，μ表示吸收系數，d為樣品厚度。

X射線吸收光譜即指在不同能量X射線下的吸收系數的變化趨勢，由式(1)可得X射線吸收光譜的計算公式：

(2)

因此在實驗過程中，首先在不放置樣本的情況下采集X射線管的發射光譜，即X射線入射光譜。然后將樣本放置在X射線管與探測器中間，采集得到X射線出射光譜。通過公式(2)的計算便得到對應X射線吸收光譜，對每種樣本采集100組數據。每次采集過程中樣本被X射線穿透的位置都不相同。

對計算得到的X射線吸收光譜進行0-1歸一化處理。0-1歸一化處理作為一種常見的數據處理方法，可以消除儀器誤差，并可以使神經網絡算法更快的運行。

2 結果與討論

2.1 光譜展示

X射線探測器采集到的譜線經過預處理之后的光譜見圖2，圖中橫坐標為X射線能量，縱坐標為X射線吸收系數。圖中8～12 keV內的三個波峰皆是由于X射線管陽極靶材料的特征X射線被樣本吸收引起，三個波峰的能量值分別為8.396，11.333，13.111 keV。

圖2 預處理后的各樣本X射線吸收光譜Fig.2 X-ray absorption spectra of samples after pretreatment

由圖2可知，塑料樣品的光譜之間的差異明顯，對于PPR、PVC、PTFE、PVDF、PSU、ABS這6種塑料樣品，可以比較明顯的和其它樣品區分。對于另外9種塑料，則無法直接準確的識別。

2.2 特征提取

主成分分析(PCA)是一種常見的降低信息維度的方法，可以將多個變量進行線性變換從而提取特征向量，也就是將具有一定相關性的多個向量重新組合，構成一組線性無關的特征向量，且這組特征向量可以盡可能地保留原始變量的信息，成為新的綜合指標作為后續神經網絡模型的輸入[15-16]。因此采用PCA方法提取塑料樣品光譜的特征。

首先對圖2中的光譜進行PCA計算，得到的各主成分的貢獻率見表2，其中前三個主成分的貢獻率累計達到99.38%，可以代表原光譜絕大部分的信息。因此采用這三個主成分作為特征向量代替原有的光譜數據作為后續神經網絡模型的輸入。

表2 利用PCA提取特征后各主成分的貢獻率Table 2 Contribution of principal components obtained byusing PCA to extract features

2.3 基于BP神經網絡的特征識別

誤差反向傳播(BP)神經網絡是由一層輸入層、一層或多層隱含層、一層輸出層構成的一種典型的多層前向型神經網絡。BP神經網絡模擬人腦神經組織，具有生物神經系統的基本特征，具有非線性映射能力、自學習、學習速度快、分類精度高等優點[17]。因此首先采用BP神經網絡塑料樣品光譜的特征進行識別。

BP神經網絡結構設置為3-8-15-12-1三隱含層的結構，輸入層神經元個數為3，輸出層神經元個數為1，三個隱含層的神經元個數分別為8、15、12。神經網絡中的每個神經元都有N個權值參數(N為上一層神經元的個數)和1個閾值參數，權值和閾值皆采用隨機初始化。實驗共采集 15種塑料的1 500組數據，其中1 200組為訓練集，作為網絡的訓練，另外300組作為測試集，用于對模型準確率進行校驗。在1 200組訓練集中，有20組作為驗證集用于模型訓練過程中的模型評估。因為神經網絡的初始權值和初始閾值是隨機產生的，為避免該隨機因素導致的誤差，本實驗進行10次分類測試，并對網絡的初始權值、初始閾值和分類正確率進行記錄，分類正確率見圖3。

圖3 利用BP神經網絡進行塑料分類的正確率Fig.3 Accuracy of plastic classification using BP neural network

由圖3可知，由于BP神經網絡的隨機性，導致訓練可能收斂于局部極小值，從而分類正確率的波動較大，最高達到98.29%，最低達到84.98%，穩定性較差。

2.4 基于GA-BP神經網絡的光譜識別

為了解決BP神經網絡存在的識別穩定性較差的問題，本實驗將利用遺傳算法(GA)對BP神經網絡的權值和閾值進行選擇、交叉和變異并代入原網絡中，建立基于遺傳算法優化的誤差反向傳播(GA-BP)神經網絡模型，提高分類準確性。遺傳算法的基本步驟見圖4，過程主要包括編碼、適應度函數的計算、選擇、交叉和變異[18]。

圖4 遺傳算法優化BP神經網絡的步驟Fig.4 The step of using genetic algorithm to optimize BP neural network

在上述設置的BP神經網絡結構中，權值和閾值的個數總數為372個，因此使用遺傳算法對這372個參數的初始值進行優化。遺傳算法的參數設置見表3。

在保持同上述10次分類時網絡結構與初始權值和初始閾值相同的情況下，再利用GA-BP神經網絡進行10次分類識別計算，計算結果見圖5。

表3 優化過程中遺傳算法的參數設置Table 3 Parameters setting of geneticalgorithm in optimization process

由圖5可知，優化后的GA-BP神經網絡分類正確率基本保持在95%以上，且無明顯波動，可更好地實現樣本分類。結果表明GA-BP神經網絡收斂性較好，具有更加穩定的性能，可更好地應用于塑料樣本的分類識別中。

目前實驗的缺陷在于所選用的樣本均為標準的均勻材質的塑料，沒有對混合型塑料進行實驗。因此在后續的實驗中，計劃針對混合塑料樣本使用計算機斷層掃描(CT)的方法[19]對光譜進行重建，以達到更加全面的塑料分類效果。

3 結論

針對包括ABS、PA6、PE、PVDF等共15種塑料的X射線吸收光譜建立自動識別方法。利用X射線吸收光譜無損檢測裝置對15種塑料樣本的X射線吸收光譜進行采集。然后對光譜數據進行預處理、主成分分析計算，提取原始光譜數據的3個特征，并分別利用BP神經網絡和GA-BP神經網絡進行分類。實驗結果表明，利用遺傳算法可以緩和BP神經網絡在訓練過程中出現的局部極小值問題，使分類性能更加穩定。這對進一步的提升塑料分類效果具有重要的指導意義。