利用高光谱图像与多块非负矩阵分解进行单/多材料表征
材料科学
2023-09-25 v1 机器学习
信号处理
摘要
塑料分选是废物管理中非常关键的一步，尤其是由于多层塑料的存在。这些单材料与多材料塑料被广泛用于增强包装的功能特性，结合厚度、机械强度与耐热性方面的有益性质。然而，含多种聚合物种类的材料在作为单材料回收前需经预处理，因此不应进入单材料流。工业 4.0 相较人工分选显著提升了塑料包装材料分选的速度与精度，特别是通过近红外高光谱成像（NIRHSI）提供自动化、快速且准确的材料表征，无需样品制备。但利用 HSI 识别多材料需要新颖的专用化学模式识别方法。非负矩阵分解（NMF）广泛用于高光谱图像的化学解析。化学相关的模型约束可使其特别有助于通过 HSI 识别多层塑料。具体而言，具有不同化学物种间对应约束的多块非负矩阵分解（MBNMF）可用于评估特定聚合物种类的存在与否。为将 MBNMF 模型转化为基于证据的决策分选，我们用 F 检验扩展了该模型以区分单材料与多材料对象。我们新方法 MBNMF 的益处通过若干塑料废弃物的识别得以说明。
引用
@article{arxiv.2309.12329,
title = {Mono/Multi-material Characterization Using Hyperspectral Images and Multi-Block Non-Negative Matrix Factorization},
author = {Mahdiyeh Ghaffari and Gerjen H. Tinnevelt and Marcel C. P. van Eijk and Stanislav Podchezertsev and Geert J. Postma and Jeroen J. Jansen},
journal= {arXiv preprint arXiv:2309.12329},
year = {2023}
}